RecherchearXiv cs.RO 15 septembre 2026

Estimation neuronale par horizon glissant à région de confiance pour robots

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs ont publié une nouvelle version (v5) d'un article intitulé "Trust-Region Neural Moving Horizon Estimation for Robots" (arXiv:2309.05955), qui améliore NeuroMHE, une méthode d'estimation à horizon glissant (moving horizon estimation, MHE) dont les pondérations sont apprises par un petit réseau de neurones embarqué plutôt que réglées à la main. Jusqu'ici entraînée par descente de gradient, avec un gradient calculé récursivement via un filtre de Kalman, la méthode passe à une optimisation de type "trust-région", grâce au calcul des dérivées du second ordre de la MHE, baptisées "Hessienne MHE". Les auteurs montrent que l'essentiel des calculs déjà réalisés pour le gradient, notamment le filtre de Kalman, se réutilise pour obtenir cette Hessienne, avec une complexité de calcul seulement linéaire par rapport à l'horizon temporel de la MHE. Testée sur des données réelles de vol de quadricoptère pour l'estimation de forces de perturbation, l'approche s'entraîne en moins de 5 minutes avec seulement 100 points de données, dépasse un estimateur neuronal de référence de l'état de l'art jusqu'à 68,1% en précision, et n'utilise que 1,4% de ses paramètres réseau.

Cette avancée vise un problème concret pour l'industrie robotique: estimer en temps réel, à bord de plateformes aux ressources limitées comme les drones, des perturbations externes telles que le vent ou une charge inconnue. Un modèle 68,1% plus précis avec seulement 1,4% des paramètres d'un concurrent change la donne pour l'embarqué, en réduisant la mémoire et le calcul nécessaires sur un contrôleur de vol. L'entraînement en moins de 5 minutes avec 100 échantillons seulement réduit aussi la dépendance aux vastes jeux de données habituellement requis pour l'apprentissage profond en commande, un frein classique à l'adoption industrielle, tandis que la robustesse accrue à l'initialisation du réseau limite le risque d'échecs d'entraînement imprévisibles.

Cette méthode prolonge NeuroMHE, qui associait déjà l'estimation à horizon glissant, technique classique de la commande optimale, à des poids appris pour s'adapter aux incertitudes sans réglage manuel. L'estimateur neuronal de référence auquel la méthode est comparée n'est pas nommé dans le résumé, ce qui invite à la prudence avant toute reproduction indépendante sur d'autres plateformes que le quadricoptère testé. Republié en version 5 sur arXiv, le document reste une contribution de recherche, sans intégration commerciale ni pilote industriel annoncé; la suite logique serait de valider l'approche sur des robots à plus haute dimensionnalité, comme des bras manipulateurs ou des robots à pattes, où le calcul de la Hessienne devient plus complexe.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Un filtre à fenêtre glissante pour l'estimation d'état en ligne et en temps continu des robots continus

Des chercheurs proposent un filtre à fenêtre glissante (sliding-window filter, SWF) pour l'estimation d'état en temps continu des robots continuum (CR), ces structures flexibles de type trompe ou cathéter dont la forme se déforme de manière continue plutôt que par articulations discrètes. Le travail, publié sur arXiv (2510.26623, version 2), vise à résoudre un compromis ancien entre précision et coût de calcul. Les auteurs présentent leur méthode comme le premier SWF stochastique conçu spécifiquement pour les CR. Il tourne plus vite que le temps réel, améliore la précision par rapport à une approche de filtrage classique et permet à l'estimation en temps continu de fonctionner en ligne. Le résumé ne donne ni chiffres d'erreur, ni temps de calcul, ni plateforme expérimentale précise. Le verrou levé est triple. Les filtres stochastiques actuels doivent s'exécuter à la cadence des mesures, ce qui limite leur potentiel. Les formulations à fenêtre glissante déjà explorées pour les CR reposent sur des approximations simplifiées en temps discret et ne fournissent pas de représentation stochastique, donc pas d'incertitude associée à l'état estimé. Enfin, les techniques d'estimation en temps continu, plus rigoureuses sur le plan mathématique, restaient jusqu'ici cantonnées au traitement hors ligne. En combinant ces trois propriétés, la méthode rend utilisable en boucle fermée une estimation de forme et de pose avec incertitude, ce qui compte pour la chirurgie mini-invasive, l'inspection en espace confiné ou la manipulation souple, où les capteurs sont bruités et où la dynamique est difficile à modéliser. Il faut cependant relativiser: sans comparaison chiffrée détaillée dans le résumé, l'ampleur du gain de précision reste à vérifier dans l'article complet, et rien n'indique à ce stade de validation sur un robot déployé hors laboratoire. Ce travail s'inscrit dans la recherche académique sur la modélisation des robots continuum, où les filtres de Kalman étendus et leurs variantes dominent depuis longtemps, souvent au prix d'un compromis entre fidélité du modèle et latence. Les approches en temps continu, souvent fondées sur des processus gaussiens ou des représentations de trajectoire sur groupes de Lie, ont montré leur rigueur mais pas leur applicabilité temps réel, d'où l'intérêt de cette fenêtre glissante. Le texte ne nomme aucun concurrent industriel ni produit commercial, et il s'agit d'une contribution méthodologique et non d'un produit livré. Les suites logiques sont une validation expérimentale sur des CR physiques, des comparaisons avec les filtres existants et une intégration dans des chaînes de commande, notamment médicales. Les auteurs parlent eux-mêmes d'une «direction prometteuse pour de futures recherches», ce qui confirme un stade encore amont.

RecherchePaper

1 source

2arXiv cs.RO

Adaptive-MHE : un MPC adaptatif basé échantillonnage pour la loco-manipulation des robots à pattes via estimation à horizon glissant

Un article publié sur arXiv sous la référence 2609.17832, signalé comme nouvelle soumission ce qui situe sa parution en septembre 2026, présente Adaptive-MHE, un framework de contrôle pour robots à pattes effectuant des tâches de loco-manipulation, c'est-à-dire combinant déplacement et manipulation d'objets. Le système associe une estimation à horizon glissant (moving horizon estimation, MHE) à un contrôleur prédictif basé sur l'échantillonnage (sampling-based model predictive control, MPC), qui compare en parallèle des milliers de trajectoires simulées aux trajectoires réellement mesurées. Il estime ainsi en continu, pendant l'exécution, des paramètres physiques inconnus comme la masse d'un objet manipulé ou le coefficient de friction du terrain. Les auteurs rapportent des tests menés à la fois en simulation et sur du matériel réel, où Adaptive-MHE dépasse systématiquement des méthodes de référence et atteint des performances comparables à celles d'un contrôleur disposant directement des paramètres réels du terrain et des objets. L'article ne précise ni le nombre de degrés de liberté du robot testé, ni la charge utile, ni de temps de cycle chiffré, ce qui limite la comparaison avec des plateformes commerciales. Cette approche s'attaque à un problème central de la robotique à pattes: l'écart entre simulation et réalité, qui dégrade le contrôle dès que les paramètres physiques réels diffèrent de ceux du modèle simulé. Les méthodes classiques d'identification de système supposent une dynamique différentiable, hypothèse qui ne tient pas pour des systèmes riches en contacts comme un robot à pattes manipulant un objet sur un sol variable. Les techniques d'identification par échantillonnage contournaient déjà cette limite mais restaient cantonnées à un traitement hors ligne, incapables de suivre des conditions changeantes en temps réel. En rendant cette estimation adaptative et embarquée, ce travail répond directement à un besoin des intégrateurs qui déploient des robots à pattes dans des environnements logistiques ou industriels non contrôlés, où la nature du sol et le poids des charges varient d'un cycle à l'autre sans qu'aucun capteur ne les mesure directement. Cette contribution s'inscrit dans la lignée des recherches sur le contrôle prédictif basé échantillonnage, une famille de méthodes qui gagne du terrain face aux approches par apprentissage par renforcement ou aux modèles vision-language-action pour piloter des robots à pattes dans des tâches de contact riche. Contrairement aux plateformes humanoïdes commerciales déjà présentées en usine par certains acteurs du secteur, Adaptive-MHE reste à ce stade une contribution académique, validée par des expériences de simulation et un prototype matériel, sans partenaire industriel ni calendrier de transfert produit annoncés. Les auteurs présentent leur méthode comme un pas vers une identification de système en ligne plus généralisable, ouvrant la voie à des essais sur des tâches de loco-manipulation plus complexes et sur davantage de plateformes robotiques dans de futurs travaux.

RecherchePaper

1 source

3arXiv cs.RO

Reglissement Sensoriel Coulissant : Confiance Configurable dans l'Estimation d'État des Robots Continuum

Un résumé étendu publié sur arXiv (référence 2608.05410v1) présente un capteur mécaniquement reconfigurable pour l'estimation d'état des robots continuum, ces structures souples sans articulations rigides déployées en environnements incertains. Le problème ciblé : la confiance dans l'estimation de position varie selon l'endroit du corps où des mesures sont disponibles, alors que l'enjeu n'est pas toujours une précision globale mais une confiance suffisante aux points où une tâche s'exécute. Les auteurs ont construit un prototype démontrant la faisabilité d'un capteur se déplaçant longitudinalement le long du robot, plutôt que resté fixe à l'extrémité comme dans la configuration usuelle. Faire coulisser ce capteur dans le temps réduit les erreurs d'estimation de la forme complète du corps, comparé à un capteur fixe unique en bout de bras. Cette approche touche une limite connue de la robotique continuum : ces systèmes, utilisés en chirurgie mini-invasive, inspection industrielle en espace confiné ou manipulation délicate, arbitrent entre nombre de capteurs embarqués, coût et complexité du câblage d'un côté, et qualité de l'estimation d'état nécessaire à un contrôle sûr de l'autre, notamment au contact d'humains ou de tissus fragiles. Plutôt que multiplier les capteurs fixes ou accepter l'incertitude résiduelle d'un capteur unique en bout de course, reconfigurer la position d'un seul capteur permet de concentrer la précision de mesure là où une tâche l'exige à un instant donné, sans alourdir le système. Pour les intégrateurs de robots souples, l'intérêt serait de réduire le nombre de capteurs nécessaires tout en maintenant la confiance requise aux points critiques, si le concept dépasse le stade du prototype. Le document se présente explicitement comme un extended abstract, format court destiné à une conférence ou un workshop, documentant une preuve de concept plutôt qu'un système finalisé. Aucune institution, aucun financement ni date de conférence n'est précisé ; le texte est simplement catalogué comme nouvelle soumission sur arXiv. La démonstration se limite à un prototype matériel et à une comparaison entre capteur mobile et capteur fixe, sans détail sur l'ampleur des essais. Le domaine de l'estimation d'état pour robots continuum reste actif, avec des approches concurrentes basées sur la vision, la fibre optique de courbure ou des modèles appris ; ce capteur coulissant s'ajoute comme alternative matérielle dont la robustesse hors laboratoire reste à démontrer.

RecherchePaper

1 source

4arXiv cs.RO

Filtre de Kalman neuronal à mécanisme d'attention pour l'estimation d'état des robots à pattes

Une équipe de chercheurs a publié sur arXiv (2601.18569v2) un filtre hybride baptisé AttenNKF (Attention-Based Neural-Augmented Kalman Filter), conçu pour améliorer l'estimation d'état sur les robots à pattes. Le glissement de pied constitue la principale source d'erreur dans ces systèmes : lorsqu'un pied glisse sur une surface, la mesure cinématique viole l'hypothèse de non-glissement et injecte un biais dans l'étape de mise à jour du filtre, dégradant l'estimation de position, vitesse et orientation. La solution augmente un InEKF (Invariant Extended Kalman Filter) avec un compensateur neuronal à mécanisme d'attention, qui infère l'erreur induite par le glissement en fonction de sa sévérité et l'applique en correction post-mise-à-jour sur l'état du filtre. Ce compensateur est entraîné dans un espace latent pour réduire la sensibilité aux échelles brutes des entrées et encourager des corrections structurées, tout en préservant la récursion mathématique de l'InEKF. L'enjeu est concret pour les équipes de locomotion et les intégrateurs industriels : l'estimation d'état est la brique fondamentale du contrôle d'un robot à pattes, et une erreur non corrigée se propage dans la boucle de contrôle jusqu'à provoquer des chutes ou des trajectoires aberrantes, notamment sur sols glissants, rampes ou surfaces variables en environnement d'usine. L'approche hybride filtres classiques plus réseau de neurones léger préserve les garanties mathématiques de l'InEKF tout en ajoutant une adaptabilité aux conditions non modélisées, sans reformuler entièrement le pipeline d'estimation. Les expériences montrent des performances supérieures aux estimateurs existants sous conditions de glissement, bien que les plateformes hardware testées ne soient pas précisées dans la version publiée, ce qui limite l'évaluation comparative. L'InEKF s'est imposé comme référence pour les robots à pattes grâce à des travaux de l'Université du Michigan vers 2019-2020 sur le bipède Cassie d'Agility Robotics, exploitant son invariance aux symétries de groupe de Lie. L'augmentation par réseaux neuronaux pour corriger les non-linéarités résiduelles est une direction active chez plusieurs groupes de recherche, dont ETH Zurich sur ANYmal, MIT et Carnegie Mellon. Les déploiements réels de Spot (Boston Dynamics), Digit (Agility Robotics) et Figure 02 font tous face au problème d'estimation sous glissement en conditions industrielles, ce qui donne à cette approche une pertinence directe pour le transfert sim-to-real vers des systèmes commerciaux. La prochaine étape naturelle sera une validation embarquée sous contraintes temps-réel sur des plateformes standardisées avec benchmarks publics.

RecherchePaper

1 source