Aller au contenu principal
Fonctions de barrière de contrôle par opérations de Minkowski pour la navigation sécurisée parmi des polytopes
RecherchearXiv cs.RO 

Fonctions de barrière de contrôle par opérations de Minkowski pour la navigation sécurisée parmi des polytopes

1 source couvre ce sujet·Source originale ↗·
Résumé IASource uniqueImpact UE

Des chercheurs publient sur arXiv (2608.02886, 5 août 2026) une nouvelle formulation des fonctions de barrière de contrôle (CBF) pour la navigation sécurisée de robots dans des environnements composés de polytopes, c'est-à-dire d'obstacles à géométrie polyédrique exacte plutôt qu'approximée. Les méthodes CBF existantes simplifient généralement les obstacles par des formes lisses et conservatives, sphères ou ellipsoïdes, pour obtenir des fonctions de distance différentiables plus faciles à calculer. L'équipe propose à la place une fonction de distance signée (SDF) exacte, valable à la fois pour un robot et des obstacles de forme polyédrique quelconque. La méthode s'appuie sur des opérations de Minkowski et résout deux programmes convexes complémentaires, un pour le cas sans collision et un pour le cas en collision, ce qui permet de calculer la distance exacte dans les deux régimes. Les auteurs en dérivent également une expression analytique unifiée du gradient de cette SDF, obtenue par analyse de sensibilité en exploitant les propriétés géométriques des opérations de Minkowski en 2D. Le cadre est validé en simulation sur un cas de translation pure et trois scénarios avec des robots de type unicycle : récupération après une initialisation non sécurisée, évitement d'un obstacle unique, puis de plusieurs obstacles, comparés à des méthodes de référence.

L'enjeu pour la robotique industrielle est concret : la plupart des robots mobiles autonomes (AMR) et bras manipulateurs ont une géométrie proche du polytope, pas de la sphère, et les approximations conservatives leur font perdre de la marge de manœuvre dans des espaces contraints comme les allées d'entrepôt. Une SDF exacte promet des trajectoires moins prudentes sans sacrifier la garantie de sécurité formelle propre aux CBF. Fait notable, le calcul exact du gradient rotationnel révèle une classe de minima locaux jusque-là masquée par les approximations, provenant du couplage entre la géométrie du robot et sa cinématique non holonome, un mode de défaillance que les méthodes conservatives ne permettaient pas de voir.

Les CBF sont une technique établie de contrôle sûr depuis le milieu des années 2010, généralement appliquée à des formes simplifiées. Ce travail les étend à la géométrie exacte, un problème resté ouvert faute d'expression différentiable pratique de la distance entre polytopes. Il s'agit à ce stade d'une publication de recherche validée uniquement en simulation, sans démonstration sur robot physique ni déploiement industriel annoncé.

Dans nos dossiers

À lire aussi

Planification et commande de mouvement sûres par polytopes imbriqués et fonctions de barrière de contrôle
1arXiv cs.RO 

Planification et commande de mouvement sûres par polytopes imbriqués et fonctions de barrière de contrôle

Des chercheurs présentent dans un preprint arXiv (2606.09719) une méthode de planification de mouvement locale pour robots mobiles autonomes évoluant dans des espaces confinés. L'approche repose sur la représentation polytopique du footprint du robot : modéliser sa géométrie réelle par un polygone convexe plutôt que de la simplifier à un point ou un cercle. La condition de sécurité, le robot doit rester à l'intérieur d'une région libre convexe continuellement mise à jour, est formulée comme un ensemble de contraintes de type Control Barrier Function (CBF) intégrées dans un contrôleur prédictif à modèle (MPC). Les expériences sur matériel embarqué, avec un robot non-holonome équipé de LiDAR et de grilles d'occupation, valident le système à 10 Hz en temps réel, avec évitement réactif d'obstacles dynamiques. L'analyse comparative affiche une réduction du temps de calcul pouvant atteindre 91x face à une formulation classique basée sur la détection d'obstacles, lorsque la densité de l'environnement augmente. L'intérêt pour les intégrateurs de systèmes AMR tient à deux propriétés distinctes. Le nombre de contraintes de sécurité dépend uniquement de la complexité géométrique locale et de la forme du robot, pas du nombre d'obstacles, ce qui garantit une tenue en temps réel dans des environnements denses. Par ailleurs, l'absence de nécessité de détecter ou segmenter les obstacles individuellement simplifie le pipeline de perception. La validation sur hardware, et pas seulement en simulation, place ce travail au-delà d'un résultat purement théorique, même si la montée en charge vers des environnements industriels à grande échelle reste à démontrer. La fréquence de 10 Hz sur ordinateur embarqué est un indicateur crédible de déployabilité réelle. Les approches classiques de navigation sûre pour robots à empreinte non-triviale recourent soit à des simplifications conservatives, soit à des formulations obstacle-par-obstacle dont le coût de calcul croît avec la densité de la scène, un problème bien documenté dans les entrepôts opérés par des acteurs comme Exotec ou dans la navigation maritime autonome. Les CBF appliqués à la planification en espace libre s'inscrivent dans une tendance croissante aux côtés de méthodes comme MPPI ou les planificateurs basés sur des tubes de sécurité. Ce preprint n'a pas encore été soumis à révision par les pairs, mais la démonstration embarquée sur robot réel constitue un signal d'applicabilité sérieux pour les équipes R&D robotique cherchant à naviguer dans des couloirs étroits sans surestimer les marges de sécurité.

UELes équipes R&D d'intégrateurs AMR européens (dont Exotec en France) pourraient bénéficier de cette méthode pour améliorer la navigation en environnements confinés sans surcoût computationnel, mais le travail reste un preprint non encore validé par les pairs.

RecherchePaper
1 source
Distillation de fonctions de barrière de contrôle privilégiées en filtres de sécurité RGB seul pour la navigation visuelle dynamique
2arXiv cs.RO 

Distillation de fonctions de barrière de contrôle privilégiées en filtres de sécurité RGB seul pour la navigation visuelle dynamique

Des chercheurs proposent une méthode pour doter les politiques de navigation visuelle « RGB seul » d'une couche de sécurité embarquée, sans reconstruction 3D ni rendu en ligne. Le travail, publié sur arXiv (2609.36520) avec une page projet, repose sur une distillation enseignant-élève. L'enseignant est une Control Barrier Function (CBF), un filtre mathématique qui corrige une commande jugée dangereuse pour maintenir le robot dans un ensemble sûr. Il exploite des états « privilégiés » (position du robot et des obstacles réels) dans un environnement dynamique real-to-sim en Gaussian Splatting. L'élève, un filtre de sécurité, reçoit un court historique d'images RGB, la vitesse du robot et l'action nominale de la politique de navigation, et renvoie directement une action sûre. Au déploiement, seuls l'image et la vitesse sont nécessaires. Aucun chiffre de latence, de taux de collision ou de plateforme matérielle n'apparaît dans le résumé. Pour réduire l'écart d'information entre enseignant et élève, l'enseignant ne construit ses contraintes qu'à partir des obstacles visibles dans l'historique d'images de l'élève. Il intègre aussi une incertitude sur la vitesse des obstacles, pour tolérer des mouvements variés. Enfin, une augmentation d'actions expose l'élève à des commandes nominales sûres et dangereuses, afin qu'il apprenne mieux la frontière de sécurité. Les auteurs affirment surpasser les CBF visuelles de référence et améliorer la sécurité de politiques de navigation RGB sous obstacles mobiles, mais les gains chiffrés et les baselines exactes ne sont pas précisés dans le texte disponible. L'enjeu est pratique pour les intégrateurs : les politiques de navigation de bout en bout entraînées en imitation ou par apprentissage par renforcement restent fragiles face à des piétons ou à d'autres véhicules, et les approches CBF visuelles existantes exigent du rendu en temps réel ou une reconstruction de scène, coûteux pour un calcul embarqué. Déplacer ce coût vers l'entraînement rend un filtre de sécurité plausible sur des robots mobiles à capteurs limités. Il faut toutefois rester prudent : le résultat est académique, les évaluations décrites relèvent probablement en partie de la simulation, et une distillation ne fournit pas les garanties formelles d'une CBF exacte. La question de la certification reste donc ouverte pour un usage industriel. Ce travail s'inscrit dans deux tendances : la montée des modèles de navigation RGB de bout en bout, plus légers en capteurs que le LiDAR, et l'usage du Gaussian Splatting comme pont entre données réelles et simulation pour l'entraînement de politiques robotiques. Les filtres de sécurité par CBF, souvent comparés aux approches de type shielding, servent déjà de couche de protection au-dessus de contrôleurs appris. La suite logique serait une validation sur robot réel, des mesures de latence embarquée et des tests dans des scènes plus denses. Aucun partenaire industriel, pilote ou calendrier n'est annoncé.

RecherchePaper
1 source
CN-CBF : fonction de barrière de contrôle neuronale composite pour la navigation robotique en environnements dynamiques
3arXiv cs.RO 

CN-CBF : fonction de barrière de contrôle neuronale composite pour la navigation robotique en environnements dynamiques

Des chercheurs proposent une nouvelle méthode de conception de fonctions de barrière de contrôle neuronales, baptisée CN-CBF (Composite Neural Control Barrier Function), pour sécuriser la navigation de robots autonomes dans des environnements dynamiques et incertains. L'approche combine plusieurs CBF neuronales individuelles en une seule fonction composite : chacune est entraînée hors ligne à partir de données générées par le cadre de calculabilité Hamilton-Jacobi, afin d'approximer l'ensemble de sécurité optimal face à un obstacle mobile unique. Une architecture neuronale résiduelle garantit que l'ensemble de sécurité estimé ne recoupe jamais l'ensemble d'échec correspondant. La méthode a été testée en simulation sur un robot terrestre et un quadricoptère, puis validée par des expériences matérielles sur les deux plateformes. Comparée aux meilleures méthodes de référence existantes, elle améliore le taux de réussite de la navigation jusqu'à 18%, tout en conservant des longueurs de trajectoire et des temps de déplacement comparables, voire inférieurs. Ce résultat s'attaque à un problème central pour l'industrie robotique : les filtres de sécurité basés sur les CBF sont simples à déployer mais notoirement difficiles à concevoir manuellement, en particulier quand l'environnement change en temps réel. En automatisant et en fiabilisant cette conception via l'apprentissage, CN-CBF pourrait faciliter le déploiement de robots autonomes, mobiles ou volants, dans des environnements partagés avec des obstacles mobiles, humains compris, sans sacrifier l'efficacité des trajectoires. Le passage du simulateur au matériel réel, sur deux morphologies distinctes, robot au sol et drone, est un signal encourageant pour les intégrateurs et les équipes de R&D qui cherchent des garanties de sécurité formelles plutôt que des heuristiques ad hoc, un enjeu clé pour la certification et l'adoption en environnements industriels ou logistiques. Les fonctions de barrière de contrôle sont un outil classique de la théorie du contrôle pour garantir la sécurité formelle des systèmes dynamiques, mais leur conception manuelle devient vite intraitable dès que la dimension ou la complexité de l'environnement augmente. Les approches existantes, qu'elles soient purement basées sur des modèles ou purement apprises, souffrent chacune de limites que les auteurs cherchent explicitement à corriger en combinant apprentissage neuronal et cadre théorique Hamilton-Jacobi. Publié sur arXiv en version révisée, ce travail s'inscrit dans une littérature croissante sur les CBF neuronales pour la robotique mobile et aérienne. Les auteurs mentionnent des évaluations étendues en simulation face à plusieurs méthodes concurrentes ; une extension naturelle consisterait à traiter des scénarios multi-obstacles ou multi-robots, au-delà du cas de l'obstacle mobile unique étudié ici.

RecherchePaper
1 source
Fonction de barrière de contrôle guidée par imagination comportementale avec incertitude partagée pour la navigation de robots mobiles
4arXiv cs.RO 

Fonction de barrière de contrôle guidée par imagination comportementale avec incertitude partagée pour la navigation de robots mobiles

Des chercheurs présentent BIG-CBF (Behavior-Imagination-Guided Control Barrier Function), une architecture de navigation pour robots mobiles autonomes décrite dans un article publié sur arXiv (2609.14343) en septembre 2026. Le système sépare la sélection de manœuvre, exécutée à basse fréquence, du filtrage de sécurité proprement dit, exécuté à haute fréquence via une fonction de barrière de contrôle (CBF) classique. Sur un horizon court, six comportements en boucle fermée sont imaginés et évalués selon leur compatibilité CBF et un objectif combinant progression de la tâche, risque de blocage, fluidité et fréquence de changement de manœuvre. Les couches d'imagination et d'exécution partagent les mêmes sources d'incertitude (délai de mouvement relatif, prédiction des obstacles, maintien d'ordre zéro, résidus d'exécution des commandes), tandis qu'une CBF stricte reste l'autorité finale de sécurité. Sur un benchmark comparatif de 3 600 épisodes répartis sur neuf scénarios, BIG-CBF atteint un taux de réussite global de 99,78 %, le meilleur des méthodes testées, tout en réduisant nettement le nombre d'interventions de la CBF en aval. Sur un robot omnidirectionnel physique embarquant un calculateur Jetson Orin Nano, le système complète ses 15 essais d'évaluation sans aucun contact enregistré. Ce travail s'attaque à une limite connue des filtres de sécurité CBF à intervention minimale : sans conscience du niveau tâche, ils peuvent choisir une direction d'évitement non productive quand plusieurs manœuvres sont localement valides, ce qui produit un comportement sûr mais bloqué dans des environnements géométriquement ambigus, un robot qui s'arrête au lieu de contourner un obstacle. Pour les intégrateurs d'AMR en environnement industriel ou logistique, ce type de blocage reste l'un des principaux freins à l'autonomie complète, autant sinon plus que le risque de collision lui-même. En partageant les mêmes modèles d'incertitude entre la couche de planification et la couche d'exécution, BIG-CBF cible directement l'écart classique entre planification et comportement réel du robot. Les résultats, mesurés à la fois en simulation à grande échelle et sur matériel physique, avec des métriques d'énergie et de fréquence d'intervention de la CBF, offrent une validation plus rigoureuse que les démonstrations vidéo isolées courantes dans le secteur, même si 15 essais matériels restent un échantillon modeste pour conclure à une robustesse générale. Les fonctions de barrière de contrôle constituent depuis plusieurs années un cadre mathématique standard pour garantir des contraintes de sécurité locales, en particulier l'évitement de collision, dans la robotique mobile et les véhicules autonomes, généralement sous forme de filtres d'optimisation appliqués à une commande nominale. BIG-CBF se positionne comme une amélioration de cette approche classique face aux méthodes de planification purement réactive ou aux architectures d'apprentissage de bout en bout, en conservant la garantie formelle de sécurité tout en ajoutant une couche de raisonnement sur les manœuvres. L'article ne précise ni industriel partenaire ni calendrier de déploiement commercial : il s'agit d'une contribution de recherche, testée en simulation et sur un seul robot omnidirectionnel de laboratoire équipé d'un module Jetson Orin Nano, sans indication de généralisation à d'autres plateformes ou à des flottes plus larges pour l'instant.

RecherchePaper
1 source