RecherchearXiv cs.RO 14 septembre 2026

ASTRIL-MPC : cadre de franchissement autonome pour robots chenillés articulés guidé par un MPC neuro-cinématique piloté par langage

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs ont présenté ASTRIL-MPC, un framework de contrôle prédictif pour robots chenillés articulés (ATR) destinés aux missions de recherche et sauvetage en milieu urbain, où ces engins doivent franchir escaliers et intérieurs de bâtiments encombrés. Le système combine un modèle cinématique appris, qui prédit sur un court horizon les incréments d'état à partir d'une séquence de hauteurs de terrain et des trajectoires récentes, avec un contrôleur prédictif non linéaire (NMPC) optimisant des coûts multi-objectifs sous contraintes strictes de faisabilité. Un grand modèle de langage (LLM) ajuste dynamiquement certains poids et bornes du contrôleur via une interface sécurisée intégrant écrêtage de plage, limitation de fréquence et vérifications de cohérence. Le prédicteur compilé permet un cycle de contrôle complet en moins de 100 millisecondes. Sur trois tâches de franchissement et un scénario de généralisation à hauteurs multiples, ASTRIL-MPC améliore un score agrégé de qualité de traversée jusqu'à 71% par rapport à un NMPC non adaptatif classique, et de 67% par rapport à une base d'apprentissage par renforcement PPO, tout en supprimant les impacts de collision mesurables lors des descentes d'escaliers.

Ces résultats répondent à un problème concret pour les intégrateurs de robots de recherche et sauvetage: l'interaction robot-terrain des ATR à chenilles articulées reste hybride et discontinue, rendant la coordination entre flippers et chenilles très difficile à modéliser analytiquement, ce qui limite la fiabilité de l'autonomie sur des terrains contact-riches comme les escaliers. En démontrant qu'un LLM peut reparamétrer en toute sécurité un contrôleur d'optimisation classique sans compromettre les garanties de faisabilité, l'étude apporte une preuve de concept pour une autonomie plus robuste et économe en données, sans dépendre d'un entraînement massif par renforcement. Pour les concepteurs de plateformes de secours, l'apport principal est la suppression des chocs de collision mesurés en descente, un point critique pour la durabilité mécanique et la sécurité des interventions en environnement instable.

L'approche s'inscrit dans la lignée des travaux sur les robots chenillés articulés utilisés en recherche et sauvetage urbain, où les méthodes purement analytiques ou purement apprises par renforcement, comme la base PPO testée ici, peinent à généraliser au-delà des scénarios d'entraînement. ASTRIL-MPC se positionne comme une alternative hybride, combinant modèle appris, planification par optimisation et supervision par LLM, une tendance émergente dans la littérature robotique qui exploite les grands modèles de langage non pas pour piloter directement le mouvement mais pour ajuster de façon supervisée et bornée les paramètres de contrôleurs classiques. Les auteurs valident leur méthode sur trois tâches de franchissement et un test de généralisation, mais l'article ne précise ni déploiement sur robot physique en conditions réelles ni calendrier de transfert industriel, ce qui situe ASTRIL-MPC au stade de la recherche académique plutôt que du produit prêt à déployer sur le terrain.

À lire aussi

1arXiv cs.RO

Un cadre d'apprentissage autonome en boucle fermée piloté par LLM pour robots confrontés à des tâches inédites en environnement ouvert

Une équipe de recherche a publié le 22 avril 2026 sur arXiv (référence 2604.22199) un framework d'apprentissage autonome en boucle fermée piloté par LLM, conçu pour permettre à des robots d'intégrer durablement de nouvelles compétences sans recourir indéfiniment à des modèles de langage externes. Le principe central : lorsqu'un robot rencontre une tâche absente de sa bibliothèque locale de méthodes, il déclenche un processus structuré dans lequel le LLM joue le rôle de raisonnement de haut niveau (analyse de tâche, sélection de modèle candidat, planification de collecte de données, organisation de la stratégie d'exécution). Le robot apprend ensuite à partir de sa propre exécution ou par observation active de comportements externes réussis, effectue un entraînement quasi-temps-réel, et consolide le résultat validé dans sa bibliothèque locale pour toute réutilisation future. Les résultats expérimentaux montrent une réduction du temps moyen d'exécution de 7,7772 s à 6,7779 s, et surtout une chute du nombre moyen d'appels LLM par tâche de 1,0 à 0,2 dans les scénarios de ré-exécution répétée -- soit 80 % de dépendance au LLM éliminée sur les tâches déjà apprises. L'intérêt industriel de cette approche est d'ordre économique autant que technique. Les architectures actuelles de robotique généraliste (VLA, agents LLM embarqués) génèrent des coûts d'inférence récurrents et des latences incompatibles avec des déploiements à l'échelle en environnement de production. En construisant un savoir local cumulatif à partir d'interactions réussies, ce framework agit comme un mécanisme de compilation implicite : les appels LLM coûteux disparaissent au fil des répétitions. C'est une réponse directe au reproche souvent adressé aux systèmes fondation : leur dépendance permanente au cloud pour des décisions qui devraient devenir réflexes. Ce travail s'inscrit dans une tendance de recherche active autour de l'adaptation continue des robots en monde ouvert, en concurrence avec des approches comme l'apprentissage few-shot en ligne (RT-2, OpenVLA) ou les architectures de mémoire hiérarchique explorées chez Physical Intelligence (pi0) et chez Figure AI. La distinction clé ici est la boucle fermée entre observation, entraînement local et pruning des dépendances externes, une piste encore peu exploitée à l'échelle réelle. Les auteurs ne citent pas de partenaire industriel ni de déploiement terrain : il s'agit pour l'heure d'une preuve de concept académique, dont la robustesse en environnement non contrôlé reste à démontrer.

RechercheOpinion

1 source

2arXiv cs.RO

Pilotage par contact : un modèle de mouvement à support fini pour robots articulés monopiste

Une équipe de chercheurs propose, dans un article déposé sur arXiv (référence 2609.23271), un nouveau modèle de prédiction du mouvement pour les robots à voie unique et articulation centrale, c'est-à-dire les véhicules dont le châssis se plie en son centre pour orienter les deux essieux, une architecture répandue en robotique de terrain (engins agricoles, forestiers ou de manutention tout-terrain). Baptisé FSQ (finite-support quadratic model), il ajoute au modèle classique PCK (point-contact kinematic) la prise en compte de la résistance à la rotation répartie sur la surface de contact des roues, plutôt que de réduire chaque contact à un point géométrique comme le fait PCK. En reformulant le coût quadratique du glissement latéral sous forme de moments de contact, les auteurs obtiennent une solution analytique compacte permettant de prédire en temps réel la vitesse latérale et le taux de lacet du véhicule. Le modèle a été testé sur plus de 7 kilomètres de trajets réels, sur asphalte, herbe, glace et parcours mixtes. Pour des horizons de prédiction de cinq secondes, FSQ réduit l'erreur médiane pondérée de translation de 53,5% et l'erreur de lacet de 68,9% par rapport au modèle PCK de référence. Ce gain de précision intéresse directement les intégrateurs de robots mobiles autonomes évoluant hors des environnements structurés, entrepôts extérieurs, chantiers, exploitations agricoles ou sites forestiers, là où un sol meuble ou glissant fait dériver les modèles cinématiques simplifiés. Mieux anticiper le glissement latéral permet une planification de trajectoire plus fiable et un contrôle plus stable, sans capteurs supplémentaires ni réseau de neurones coûteux en calcul, puisque la solution reste une formule fermée compatible avec l'embarqué. Le résultat illustre aussi un point plus général pour le secteur: les gains de robustesse en robotique de terrain ne viennent pas uniquement de l'apprentissage profond ou des politiques bout-en-bout, mais aussi d'une modélisation physique plus fine des interactions roue-sol, un axe moins médiatisé que l'IA générative appliquée à la robotique mais tout aussi déterminant pour la fiabilité des déploiements. Le modèle PCK sert de base à la planification pour les véhicules articulés (chargeuses, tracteurs à châssis brisé, certains robots de reconnaissance) depuis des années, en simplifiant le contact roue-sol à un point unique et en négligeant la résistance rotationnelle qui apparaît sur des surfaces à fort frottement ou irrégulières. FSQ généralise cette formulation en relâchant cette hypothèse tout en conservant un temps de calcul compatible avec le contrôle embarqué. L'article, classé comme nouvelle soumission sur arXiv, ne mentionne ni calendrier de déploiement industriel ni partenariat commercial: il s'agit d'une contribution méthodologique validée expérimentalement, dont l'adoption dépendra de son intégration dans les piles logicielles de navigation existantes.

RecherchePaper

1 source

3arXiv cs.RO

DROM : un cadre de diffusion guidé par le langage pour la manipulation robotique multi-compétences

DROM, un cadre génératif décrit dans un préprint arXiv (v1), vise un problème classique de la manipulation robotique : apprendre à partir de peu de démonstrations des politiques robustes, capables d'enchaîner plusieurs compétences sur des tâches longues. Les auteurs utilisent des Dynamic Movement Primitives (DMP) pour multiplier un petit nombre de démonstrations expertes en jeux de données multi-compétences. Ils affirment que cela réduit la collecte de données et étend la généralisation spatiale au-delà de la zone démontrée. Le modèle prolonge Motion Planning Diffusion (MPD) avec une attention croisée conditionnée par le langage. Un seul réseau génère alors des trajectoires cohérentes pour plusieurs primitives, y compris des comportements sensibles à l'orientation, difficiles à programmer avec un planificateur classique ou un contrôleur codé en dur. Pour les tâches longues, un grand modèle de langage (LLM) découpe la demande d'un opérateur en séquence de compétences exécutables. La validation a eu lieu sur un Franka Emika Panda, un FANUC CRX25ia et en simulation MuJoCo. Selon les auteurs, DROM dépasse les références MPD et Behavior Cloning. Le résumé ne donne aucun chiffre : ni taux de réussite, ni nombre de démonstrations, ni nombre de compétences, ni temps de cycle. Les jeux de données, les environnements de simulation et le code sont publiés sur GitHub. L'intérêt tient d'abord à la combinaison de trois briques déjà connues, DMP, diffusion et LLM, dans une architecture unique et exploitable en atelier. Pour un intégrateur, la promesse est de réduire le coût de programmation et de téléopération à chaque nouvelle variante de tâche. Un opérateur pourrait piloter une cellule en langage naturel, sans écrire de trajectoires. La présence d'un FANUC CRX25ia, cobot industriel de 25 kg de charge, est un signal plus pertinent que le seul Panda, plateforme de laboratoire. Elle indique une volonté de transfert vers du matériel de production. Il faut toutefois rester prudent. Sans métriques publiées, sans précision sur le sim-to-real, sur la robustesse face aux perturbations ni sur la latence d'inférence de la diffusion, le gain sur les références reste invérifiable à ce stade. L'écart entre une démonstration de laboratoire et une cadence industrielle n'est pas comblé. Ce travail s'inscrit dans une course où dominent les modèles vision-langage-action (VLA) entraînés sur de grands volumes de données, comme Pi-0, GR00T ou Helix. DROM prend le parti inverse : un pipeline modulaire et frugal en données, où le LLM planifie et la diffusion exécute, avec des trajectoires plus interprétables. Ce compromis intéressera les cellules à faible volume et à forte variété. La suite dépendra de la reproduction par des tiers, grâce au dépôt ouvert, et d'essais sur des tâches réelles plus contraintes que celles d'un banc de test académique. Aucun pilote industriel ni calendrier n'est annoncé.

RecherchePaper

1 source

4arXiv cs.RO

Un cadre d'apprentissage des collisions guidé par la physique pour la génération de mouvements de robots collaboratifs

Une équipe de chercheurs publie sur arXiv PI-UDF (Physics-Informed Unified Differentiable Framework), un modèle qui prédit directement, à partir des configurations articulaires, la distance de collision entre les corps de deux robots articulés. Il associe une cinématique directe analytique, des embeddings de géométrie apprenables pour chaque lien et un réseau résiduel partagé. L'entraînement repose sur une extraction de données par quotas près de la frontière de collision, et sur une pénalité asymétrique qui sanctionne plus lourdement les faux « sûrs », c'est-à-dire les cas où le modèle annonce une configuration libre alors qu'elle est en collision. Le champ de distance appris sert de terme de dégagement différentiable dans une commande prédictive non linéaire (MPC). La validation porte sur une plateforme réelle à deux bras Franka (14 DoF au total), avec trois scénarios : échange de positions à haute vitesse en proximité étroite, esquive dynamique soutenue d'un seul bras, et planification d'esquive où le bras mobile est gelé, prédit ou change de cible. Un rejeu hors ligne avec Drake et FCL complète les essais. L'enjeu est celui des cellules multi-bras où les robots partagent un espace restreint. Les vérificateurs géométriques classiques donnent des distances fiables mais s'intègrent mal dans une optimisation par gradient en temps réel. Les modèles de substitution conservateurs, eux, brident les mouvements fortement couplés. En visant explicitement l'erreur la plus dangereuse près de la frontière, la méthode traite le point qui conditionne l'usage en boucle fermée. L'extrait disponible ne chiffre toutefois ni taux d'erreur, ni latence d'inférence, ni fréquence de résolution du MPC. La validation se limite à un seul type de bras, et un modèle appris ne offre pas de garantie formelle de sécurité. Le caractère « adapté » à la planification collaborative reste donc à confirmer sur les données complètes. Il s'agit d'un préprint non évalué par les pairs, qui relève de la recherche et non d'un produit. Il s'inscrit dans la lignée des champs de distance neuronaux dans l'espace des configurations, face aux approximations par sphères ou capsules et aux bibliothèques de référence comme FCL, ici utilisée pour le rejeu de vérification. Les suites logiques seraient l'extension à d'autres géométries de robots et à plus de deux bras, ainsi que l'ajout de bornes certifiées sur l'erreur de distance. Aucun acteur européen n'est identifié dans l'extrait disponible.

RecherchePaper

1 source