Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Kino-PAX+ : un planificateur de mouvement kinodynamique massivement parallèle quasi optimal
RecherchearXiv cs.RO 

Kino-PAX+ : un planificateur de mouvement kinodynamique massivement parallèle quasi optimal

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

Une équipe de chercheurs en robotique a publié la version 2 d'un article sur arXiv (2602.02846) décrivant Kino-PAX+, un planificateur de mouvement par échantillonnage (SBMP, sampling-based motion planner) pour robots soumis à des contraintes kinodynamiques dans des espaces de haute dimension, comme des bras manipulateurs ou véhicules dont la trajectoire doit respecter vitesse et accélération. L'algorithme découpe les opérations habituellement séquentielles en trois sous-routines massivement parallèles, construit un arbre épars de trajectoires dynamiquement réalisables et concentre le calcul sur les nœuds les plus prometteurs de chaque voisinage pour améliorer rapidement le coût de la solution. Les auteurs rapportent des résolutions jusqu'à trois ordres de grandeur, soit environ mille fois plus rapides que les méthodes sérielles existantes, avec des coûts de trajectoire plus faibles, et apportent une preuve formelle de quasi-optimalité asymptotique dite delta-robuste.

L'apport tient moins à la vitesse brute qu'à la garantie qui l'accompagne : les précédentes tentatives de parallélisation des SBMP accéléraient la recherche d'une solution faisable mais sans assurance sur sa qualité, forçant les intégrateurs à arbitrer entre rapidité et optimalité. Pour les fabricants de bras robotiques, de robots mobiles ou de plateformes humanoïdes évoluant en environnement dynamique, disposer d'un planificateur à la fois rapide et quasi optimal réduit ce compromis et rapproche la replanification kinodynamique temps réel d'un usage industriel. Le résultat confirme aussi une tendance de fond du secteur : déporter le calcul de planification vers des architectures massivement parallèles plutôt que d'optimiser des algorithmes purement séquentiels, dans la lignée d'efforts comme cuRobo de Nvidia.

Kino-PAX+ prolonge une lignée de recherche en planification par échantillonnage remontant aux familles RRT et RRT*, dont les variantes kinodynamiques peinaient historiquement à passer à l'échelle sur des systèmes à nombreux degrés de liberté ; son nom suggère qu'il s'appuie sur un planificateur antérieur, Kino-PAX, focalisé sur la seule faisabilité. Il s'agit à ce stade d'un travail académique déposé sur arXiv, non encore validé par relecture par les pairs ni intégré dans un produit commercial : aucun déploiement sur robot physique ni partenariat industriel n'est mentionné. Les suites attendues sont une publication en conférence ou en revue et des essais comparatifs sur des plateformes robotiques réelles.

Dans nos dossiers

arXiv cs.RO

À lire aussi

Planification de trajectoire cinodynamique quasi optimale par grille, itérée rapidement
1arXiv cs.RO 

Planification de trajectoire cinodynamique quasi optimale par grille, itérée rapidement

Une équipe de recherche a mis au point le RDG (Rapidly-iterating kinoDynamic Grid), un nouvel algorithme de planification de mouvement kinodynamique, décrit dans un preprint publié le 22 septembre 2026 sur arXiv (arXiv:2609.22733v1). Contrairement aux méthodes classiques de recherche du plus proche voisin, RDG s'appuie sur une décomposition en grille de l'espace des états pour sélectionner les nœuds, propager la dynamique et réviser le graphe de trajectoires en temps constant, indépendamment du nombre de nœuds dans l'arbre. Les auteurs démontrent, via une preuve d'induction par séquence de boules couvrantes, que l'algorithme est asymptotiquement quasi optimal et probabilistiquement complet. Testé en simulation sur des environnements complexes allant jusqu'à 10 degrés de liberté (DOF), RDG améliore la qualité moyenne des solutions finales de 104% par rapport à SST (Stable Sparse RRT) et de 40% par rapport à DIRT, deux algorithmes de référence pour la planification kinodynamique éparse avec garanties d'optimalité. Il maintient également un taux de réussite de 100%, y compris sur le cas de test à 10 DOF où SST et DIRT échouent partiellement. Ce résultat concerne un problème central pour toute la robotique mobile et manipulatrice : planifier des trajectoires qui respectent non seulement les contraintes géométriques (éviter les obstacles) mais aussi les contraintes physiques du système (vitesse, accélération, couple, inertie), typiques des bras robotiques industriels, des drones ou des véhicules autonomes à haute dimensionnalité. Un gain de convergence plus rapide vers des trajectoires de meilleure qualité, à complexité constante par nœud, intéresse directement les intégrateurs qui doivent faire tourner ces calculs en temps réel, sur des systèmes embarqués aux ressources limitées. Il s'agit toutefois d'un travail académique validé uniquement en simulation, pas d'un produit ou d'un déploiement matériel : la portée réelle du gain reste à confirmer sur du hardware physique et dans des environnements moins contrôlés qu'un banc de test simulé. RDG s'inscrit dans la lignée des algorithmes dérivés de RRT (Rapidly-exploring Random Tree), dont SST et DIRT sont les variantes kinodynamiques les plus citées en recherche de robotique. En comparant systématiquement ses sous-composants (sélection de nœuds, biais d'exploration) à ces méthodes basées sur la recherche de voisins, l'étude cherche à isoler la source du gain de performance plutôt que de se contenter d'un résultat global. Les prochaines étapes attendues, non détaillées dans ce preprint, seraient une validation sur plateformes robotiques réelles et une extension à des espaces de dimensionnalité encore plus élevée.

RecherchePaper
1 source
MR. POP : planificateur parallèle d'optimisation multi-robots, presque sûrement asymptotiquement optimal
2arXiv cs.RO 

MR. POP : planificateur parallèle d'optimisation multi-robots, presque sûrement asymptotiquement optimal

Un article publié sur arXiv (arXiv:2609.30644v1) présente MR. POP (Multi-Robot Parallel Optimizing Planner), un planificateur de trajectoires pour systèmes multi-robots qui s'exécute sur GPU plutôt que sur CPU. L'algorithme combine dRRT (une variante discrète de Rapidly-exploring Random Trees) et le méta-algorithme AO-x, et exploite le parallélisme SIMT des GPU pour lancer simultanément des centaines d'itérations de construction de feuille de route et de recherche arborescente, avec des opérations de recherche de plus proches voisins et de détection de collision elles aussi parallélisées. Les auteurs rapportent que MR. POP est le seul planificateur testé à atteindre un taux de résolution de 100% tout en étant plus rapide que les meilleurs planificateurs dits "presque sûrement asymptotiquement optimaux" (a.s.a.o.) existants, sur des systèmes multi-robots allant jusqu'à 35 degrés de liberté combinés. L'algorithme améliore aussi fortement les optimiseurs de mouvement placés en aval de la chaîne de planification, en faisant grimper leur taux de succès de 4% à 72% grâce à des trajectoires de départ ("seeds") plus nombreuses et plus diverses, ce qui limite les blocages dans des minima locaux. Ce résultat s'adresse directement aux intégrateurs manipulant plusieurs bras robotiques ou robots mobiles autonomes (AMR) dans un espace de travail partagé, un scénario courant en logistique et en usine où la coordination sans collision devient combinatoirement difficile dès que le nombre de robots et leurs degrés de liberté augmentent. Jusqu'ici, la parallélisation CPU des planificateurs a.s.a.o. permettait de conserver les garanties de convergence probabiliste sans pour autant passer à l'échelle sur des flottes multi-robots complexes. En déplaçant le calcul intensif vers le GPU, ce travail suggère qu'un goulot d'étranglement connu du secteur, à savoir la difficulté de planifier des mouvements optimaux et garantis pour de nombreux robots à haut DOF en temps raisonnable, peut être en partie levé, et que la qualité des solutions initiales fournies aux optimiseurs de mouvement compte autant que la puissance de calcul brute. MR. POP s'inscrit dans la lignée des planificateurs a.s.a.o. de type RRT/PRM, dont dRRT est l'adaptation aux problèmes multi-robots, et du méta-algorithme AO-x conçu pour raffiner une solution de façon anytime jusqu'à l'optimalité. Le texte, publié sous forme de prépublication arXiv sans affiliation ni date de conférence précisée dans le résumé, reste à ce stade une contribution de recherche et non un produit ou un service commercialisé: aucune intégration industrielle, aucun partenariat ni calendrier de déploiement n'est mentionné. La suite logique pour ce type de travaux est généralement une intégration dans des bibliothèques de planification de mouvement existantes puis une validation sur des plateformes robotiques réelles, étapes qui restent à documenter par les auteurs.

RecherchePaper
1 source
Modélisation par diffusion optimale pour la planification de mouvement multi-robots
3arXiv cs.RO 

Modélisation par diffusion optimale pour la planification de mouvement multi-robots

Des chercheurs présentent MDOC (Model-Based Diffusion Optimal Control), un planificateur de trajectoires pour flottes multi-robots fondé sur la diffusion, décrit dans un preprint publié sur arXiv (2607.12423). Contrairement aux approches récentes qui traitent la planification de trajectoires comme un problème d'inférence probabiliste et apprennent leurs fonctions de score à partir de larges jeux de données de démonstration, MDOC s'appuie directement sur des modèles de dynamique connus, sans données d'entraînement. Sa mécanique de sécurité combine ces modèles avec des projections contraintes par des Control Barrier Functions (CBF), et le système passe à l'échelle multi-robots grâce à la méthode de Conflict-Based Search (CBS), qui résout les conflits de trajectoires entre agents de façon hiérarchique. Les auteurs rapportent, en simulation, de meilleures performances que des planificateurs de référence en termes d'efficacité d'échantillonnage, de fluidité géométrique des trajectoires et de taux de réussite, tout en réduisant le temps de calcul et en garantissant des trajectoires sans collision. L'enjeu dépasse l'exercice académique : la planification de mouvement multi-robots en environnement continu se heurte à une explosion combinatoire de l'espace des trajectoires conjointes, et les méthodes par diffusion existantes peinent à garantir rigoureusement la faisabilité dynamique et les contraintes de sécurité strictes lors de l'échantillonnage. En s'affranchissant de la dépendance aux données de démonstration tout en conservant des garanties formelles de sécurité, MDOC répond à un frein réel à l'adoption industrielle de ces techniques pour des flottes d'AMR ou de robots collaboratifs, où l'absence de collision n'est pas négociable. Le travail s'inscrit dans la lignée des approches récentes qui recadrent la planification de trajectoires comme un problème d'inférence par diffusion, en s'en distinguant par son caractère "model-based" plutôt que piloté par les données. Il se positionne aussi comme une alternative aux méthodes classiques d'optimisation de trajectoire et de recherche multi-agents. À ce stade, les résultats restent limités à des expériences en simulation ; aucun déploiement sur robots physiques n'est mentionné, ce qui en fait une contribution méthodologique à confirmer avant tout usage en conditions réelles.

RecherchePaper
1 source
Planification multirobot des tâches et mouvements, asymptotiquement optimale
4arXiv cs.RO 

Planification multirobot des tâches et mouvements, asymptotiquement optimale

Des chercheurs publient sur arXiv (identifiant 2609.18813v1, soumission de type "new", datée de septembre 2026) un nouvel algorithme de planification conjointe tâche-mouvement pour systèmes multi-robots, appelé MR-TAMP dans le papier. Le problème visé : quand plusieurs robots interagissent, chaque transition de tâche peut mobiliser un sous-ensemble différent de robots, ce qui change la dimension des contraintes appliquées à l'espace de configuration global. Les auteurs formalisent cette structure de transitions et posent des conditions suffisantes pour garantir une optimalité asymptotique globale, à savoir une couverture persistante des transitions pertinentes combinée à une amélioration continue de la planification de mouvement dans les régions faisables connectées. Concrètement, leur planificateur combine des cartes de chemins (roadmaps) individuelles par robot, mises à jour de façon incrémentale, avec une recherche implicite en produit tensoriel, ce qui évite de devoir construire explicitement la roadmap composite de l'ensemble des robots, opération normalement coûteuse. Pour rester efficace en temps fini, le système ajoute un échantillonnage conditionnel des transitions, une vérification paresseuse des collisions, et un guidage à la fois au niveau des modes de tâche et des solutions candidates. Pour l'industrie robotique, cette contribution s'adresse directement aux intégrateurs qui déploient des flottes de bras manipulateurs ou de robots coopératifs sur une même cellule de production ou d'entrepôt, où la coordination combinatoire entre tâches discrètes (qui fait quoi, dans quel ordre) et mouvements continus sans collision reste un verrou classique. Les algorithmes à garanties d'optimalité asymptotique existaient déjà pour un seul robot ; l'étendre au multi-robot sans exploser le coût de calcul est ce qui manquait pour des applications réelles à plusieurs bras synchronisés. Il s'agit toutefois d'une contribution théorique et algorithmique publiée en prépublication arXiv, sans validation industrielle ni chiffres de déploiement, de payload ou de temps de cycle : c'est un travail de recherche fondamentale, pas un produit ni une démonstration commerciale. Ce travail s'inscrit dans la lignée des planificateurs tâche-mouvement (TAMP) à garanties asymptotiques développés pour la robotique mono-robot, en cherchant à combler l'écart avec les approches multi-robots existantes, généralement basées sur une planification découplée ou priorisée sans garantie d'optimalité globale. Les suites logiques attendues sont une validation expérimentale plus poussée, une comparaison chiffrée face aux méthodes concurrentes, puis une possible soumission à une conférence de robotique comme ICRA ou IROS, étapes non encore mentionnées dans ce dépôt initial.

RecherchePaper
1 source