Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Prédiction de trajectoire par inférence bayésienne d'intention face à des buts et une cinématique inconnus
RecherchearXiv cs.RO 

Prédiction de trajectoire par inférence bayésienne d'intention face à des buts et une cinématique inconnus

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

Une équipe de recherche a publié une version révisée (v2) sur arXiv (2509.24928) d'un algorithme bayésien adaptatif pour la prédiction de trajectoire en temps réel via inférence d'intention, conçu pour des cibles dont les intentions et la dynamique de mouvement sont inconnues et changeantes. La méthode estime conjointement deux variables : l'intention courante de la cible, modélisée comme un état latent markovien, et un paramètre d'intention qui mesure à quel point la cible suit une politique de plus court chemin. Ce couplage permet à l'algorithme de rester robuste face à des changements brusques d'intention et à une dynamique de mouvement inconnue, sans phase d'entraînement ni connaissance préalable détaillée du comportement de la cible. Un module de prédiction par échantillonnage exploite ensuite ces estimations pour produire des prévisions probabilistes avec incertitude quantifiée. La validation combine des études d'ablation sur deux scénarios, une analyse Monte Carlo de 500 essais, et des démonstrations matérielles sur des plateformes quadrotor et quadrupède. Les résultats montrent que l'approche surpasse nettement les méthodes non adaptatives et partiellement adaptatives, avec un fonctionnement en temps réel autour de 547 Hz.

Cette cadence de calcul élevée, associée à l'absence totale d'entraînement préalable, distingue nettement cette approche des méthodes de prédiction de trajectoire fondées sur l'apprentissage profond, qui nécessitent de larges jeux de données et souffrent souvent d'un écart sim-to-real. Pour les intégrateurs travaillant sur la navigation autonome, l'évitement de collision ou l'interaction humain-robot, la capacité à anticiper le comportement d'un agent mobile sans modèle préalable ni calibration lourde représente un atout pratique, notamment pour l'embarqué où les ressources de calcul sont limitées. La validation croisée sur deux catégories de plateformes robotiques, aériennes et à pattes, suggère une portabilité au-delà d'un cas d'usage unique.

Le travail s'inscrit dans le champ classique de l'inférence bayésienne et de l'estimation adaptative, une alternative aux architectures neuronales de type VLA qui dominent actuellement les annonces du secteur robotique. Le statut de "replace" sur arXiv indique une itération après relecture ou retours de la communauté scientifique, non un produit commercial ou un déploiement industriel. Aucune entreprise ni plateforme commerciale n'est associée à cette publication, qui reste à ce stade un résultat de recherche académique ; les auteurs ne mentionnent pas de calendrier de transfert vers des systèmes robotiques déployés en production.

Dans nos dossiers

arXiv cs.RO

À lire aussi

Dynamique bayésienne et estimation d'état des robots à continuum
1arXiv cs.RO 

Dynamique bayésienne et estimation d'état des robots à continuum

Des chercheurs proposent dans un preprint publié sur arXiv (arXiv:2609.20605v1) une nouvelle méthode d'estimation d'état pour les robots continuum entraînés par câbles (tendon-driven), fondée sur la dynamique des tiges de Cosserat plutôt que sur les modèles quasi-statiques utilisés jusqu'ici. L'approche traite l'inertie et l'amortissement comme des charges appliquées équivalentes, ce qui permet de conserver la même forme algébrique que les modèles d'équilibre statique développés dans des travaux antérieurs par graphes de facteurs (factor graphs). En l'absence d'observations de la colonne vertébrale du robot, le cadre se réduit à une simulation stochastique directe du mouvement ; en présence d'observations, il affine conjointement les états cinématiques et dynamiques et infère les charges externes appliquées au robot. Les auteurs valident leur méthode à la fois en simulation et par des expériences physiques sur des robots continuum actionnés par tendons, démontrant simulation stochastique directe et estimation d'état. Cette contribution répond à une limite connue des méthodes actuelles d'estimation d'état pour robots continuum, qui reposent sur des a priori de mouvement cinématique à bruit blanc et fonctionnent bien en régime quasi-statique mais perdent en précision dès que les effets inertiels deviennent significatifs, typiquement lors de mouvements rapides. Pour les intégrateurs travaillant sur des robots continuum en environnements confinés, chirurgie mini-invasive, inspection industrielle, manipulation dans des espaces restreints, disposer d'un modèle dynamique fidèle sans complexifier l'architecture algorithmique existante change la donne : la méthode conserve la structure algébrique des solveurs statiques déjà déployés, ce qui facilite son intégration dans des pipelines de contrôle existants plutôt que d'exiger une refonte complète. Elle illustre aussi une tendance plus large en robotique souple et continuum, le passage de modèles géométriques simplifiés vers des formulations physiques plus complètes, condition jugée nécessaire pour un contrôle fiable au delà des démonstrations en laboratoire à vitesse réduite. Les travaux s'inscrivent dans la continuité des approches par graphes de facteurs pour l'estimation d'état des robots continuum, jusqu'ici cantonnées aux régimes quasi-statiques et à l'estimation spatiotemporelle avec a priori cinématique à bruit blanc. En généralisant ce cadre à la dynamique de Cosserat, les auteurs cherchent à combler l'écart entre modèles statiques et comportement réel des robots continuum en mouvement rapide, un défi partagé avec les communautés travaillant sur les robots souples et les manipulateurs hyper-redondants. L'article ne mentionne aucun partenaire industriel ni feuille de route de commercialisation : il s'agit d'une contribution de recherche fondamentale, validée sur banc d'essai en laboratoire, dont la suite logique serait une intégration dans des boucles de contrôle temps réel pour des applications comme les instruments chirurgicaux robotisés ou les bras d'inspection dans des conduites étroites.

RecherchePaper
1 source
Vers une navigation créative de trajectoires : la navigation des robots par l'interaction incarnée
2arXiv cs.RO 

Vers une navigation créative de trajectoires : la navigation des robots par l'interaction incarnée

Des chercheurs proposent la « Path-Creative Navigation » (PCN), un paradigme où le robot ne se contente pas de chercher un chemin dans l'espace libre existant, mais le crée en coordonnant locomotion et interaction physique avec son environnement. Le travail, publié sur arXiv (2610.11072), part d'un constat simple : une route peut être obstruée par une structure articulée (une porte, par exemple), un objet déplaçable ou un piéton, et atteindre le but exige alors d'agir sur l'obstacle. Les auteurs traitent une classe de tâches PCN avec un cadre sans carte préalable (mapless) qui fusionne vision, LiDAR et odométrie. Ce système unifié combine observations locales, géométrie des obstacles et estimation de l'état du robot pour fournir une information sémantique et géométrique stable à la navigation comme à l'interaction. Une méthode de décision sensible à la traversabilité exploite les distances visuelles et LiDAR pour déterminer si un blocage est « actionnable » et s'il peut être contourné en sécurité. Le robot ne interagit ainsi que lorsque c'est nécessaire. Quatre comportements sont couverts : pousser une structure articulée, pousser un objet mobile, éviter un obstacle et solliciter un piéton. L'évaluation combine des scénarios de simulation conçus pour l'occasion et deux tâches réelles qu'une navigation conventionnelle ne peut pas accomplir sans interaction. Le résumé ne précise ni la plateforme robotique, ni les taux de réussite chiffrés, ni les méthodes de référence comparées. L'enjeu est pratique pour tout déploiement en environnement non structuré : bureaux, hôpitaux, entrepôts ou sites logistiques. La plupart des piles de navigation autonome (AMR, robots de service) traitent l'environnement comme figé et déclarent l'échec, ou attendent, dès qu'une porte semi-ouverte, un chariot ou une personne bloque le passage. Intégrer la décision « dois-je agir sur cet obstacle ? » dans la boucle de navigation vise à réduire ces blocages, qui pèsent sur la disponibilité réelle des flottes. L'approche sans carte est aussi un atout pour les intégrateurs, car elle limite la dépendance à une cartographie préalable qui vieillit vite dans des lieux changeants. Les résultats restent toutefois à prendre avec prudence : le résumé annonce un « taux de complétion supérieur » aux références sans donner de chiffres, la validation réelle se limite à deux tâches, et le code est publié sur un dépôt anonymisé, signe d'une soumission en relecture. Rien n'indique encore une robustesse sur de longues durées ni sur des morphologies variées. Ce travail s'inscrit dans le rapprochement entre navigation et manipulation mobile, longtemps traitées séparément. Les travaux de « navigation parmi des obstacles déplaçables » (NAMO) existent depuis des années, mais reposaient souvent sur des cartes complètes et une planification coûteuse. La vague actuelle de modèles vision-langage-action et de robots humanoïdes ou quadrupèdes à locomotion robuste rend l'interaction opportuniste plus accessible, ce qui rapproche cette recherche des ambitions de plateformes généralistes comme Figure, Tesla Optimus ou Agility. La suite logique serait une validation sur davantage de scénarios et de plateformes, des comparaisons chiffrées publiées, puis une intégration à des politiques apprises plus générales. Pour l'instant, il s'agit d'une contribution académique en prépublication, sans pilote industriel annoncé.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
PISTO : inférence proximale pour l'optimisation stochastique de trajectoires
3arXiv cs.RO 

PISTO : inférence proximale pour l'optimisation stochastique de trajectoires

Des chercheurs ont publié sur arXiv (arXiv:2605.07215) un algorithme de planification de trajectoires robotiques appelé PISTO (Proximal Inference for Stochastic Trajectory Optimization). Leur contribution centrale est de démontrer que STOMP, méthode stochastique classique, minimise implicitement une divergence KL par rapport à une distribution de trajectoires de Boltzmann, révélant une structure d'inférence variationnelle (VI) sous-jacente. PISTO exploite cette observation en ajoutant une régularisation KL entre propositions gaussiennes successives, ce qui stabilise les mises à jour et produit une interprétation de type trust-region. L'algorithme reste entièrement sans dérivées et s'appuie sur un échantillonnage Monte Carlo à pondération d'importance. Sur les benchmarks de planification de bras robotiques, PISTO atteint 89 % de taux de succès contre 63 % pour CHOMP et 68 % pour STOMP, tout en générant des trajectoires plus courtes et plus lisses, à deux fois la vitesse des méthodes stochastiques concurrentes. Des validations complémentaires sur des tâches de locomotion et manipulation contact-rich en simulation MuJoCo montrent des performances supérieures aux baselines CEM et MPPI en termes de récompense cumulée. Pour les intégrateurs et ingénieurs en planification de mouvement, l'absence totale de dérivées est une caractéristique décisive : elle permet de traiter des fonctions de coût non-différentiables ou discontinues, fréquentes dans les environnements industriels réels (détection de collisions, zones interdites, contraintes non paramétriques). Le gain de vitesse d'un facteur deux par rapport aux méthodes stochastiques existantes réduit directement les temps de cycle dans les applications de planification en ligne, point critique pour la robotique collaborative et les systèmes pick-and-place haute cadence. La validation sur MuJoCo avec contacts ouvre des perspectives vers la locomotion humanoïde et la manipulation dextre, bien que ces résultats restent pour l'instant entièrement simulés, sans validation sur matériel physique. PISTO s'inscrit dans la lignée de STOMP (développé chez Willow Garage et présenté à l'ICRA 2011) et de ses concurrents gradient-based tels que CHOMP, ainsi que des méthodes stochastiques modernes MPPI (popularisé par NVIDIA en 2017) et CEM. Soumis comme preprint arXiv sans révision par les pairs à ce stade, l'article n'annonce ni déploiement industriel ni partenariat commercial. Son impact pratique dépendra de la mise à disposition du code source et de validations expérimentales sur robot réel, étapes absentes de la publication actuelle.

RecherchePaper
1 source
Robots humanoïdes : la planification de trajectoire diversifiée par inférence de Stein contrainte globalisée
4arXiv cs.RO 

Robots humanoïdes : la planification de trajectoire diversifiée par inférence de Stein contrainte globalisée

Des chercheurs viennent de publier sur arXiv (référence 2607.12732v1) une nouvelle méthode baptisée SteinSQP, pour Stein Variational Sequential Quadratic Programming, destinée à la planification de mouvement robotique. Le constat de départ est simple: les planificateurs classiques ne renvoient généralement qu'une seule trajectoire, alors que le problème est par nature multimodal, avec plusieurs solutions à faible coût possibles. Les approches probabilistes existantes tentent de maintenir une distribution de mouvements plutôt qu'une trajectoire unique, mais peinent à garantir que chaque échantillon respecte les contraintes strictes propres à la robotique: évitement de collisions, limites articulaires, conditions de contact et cohérence dynamique. SteinSQP fait évoluer un ensemble de particules en interaction, à la manière des méthodes Stein variationnelles classiques, tout en intégrant directement ces contraintes dans un sous-problème de programmation quadratique séquentielle en espace noyau. Ce sous-problème contraint de type Stein-Newton est résolu via un algorithme primal-dual sans matrice explicite, optimisé pour le GPU, ce qui permet des mises à jour groupées de l'ensemble de particules. Sur cinq tâches de planification sous contraintes, la méthode produit des ensembles entièrement faisables tout en conservant des alternatives de mouvement diversifiées. L'enjeu dépasse la seule performance algorithmique. Pour les intégrateurs et les équipes de recherche en robotique, disposer de plusieurs trajectoires faisables plutôt que d'une seule change la donne pour le replanning en temps réel, la gestion des échecs d'exécution ou l'arbitrage entre plusieurs stratégies de mouvement selon le contexte. La méthode s'attaque frontalement à un écart connu du secteur: beaucoup de techniques d'échantillonnage diversifié fonctionnent bien sans contraintes, mais s'effondrent dès qu'il faut garantir la faisabilité physique de chaque particule à l'échelle du robot. Les auteurs affirment une convergence plus rapide et plus robuste, une meilleure faisabilité par particule, et un temps de résolution par lot inférieur à celui obtenu avec des bases Stein de premier ordre ou du multistart séquentiel en programmation non linéaire. Ce travail s'inscrit dans la lignée des méthodes d'inférence variationnelle de Stein (SVGD) appliquées à la planification de mouvement, un champ qui cherche à dépasser les limites des planificateurs mono-solution historiques comme CHOMP ou TrajOpt. Il s'agit ici d'une publication de recherche, sans déploiement matériel ni partenaire industriel annoncé; les auteurs comparent leur approche à des méthodes concurrentes de premier ordre et à des solveurs NLP classiques, sans préciser de calendrier vers une intégration en conditions réelles.

RecherchePaper
1 source