RecherchearXiv cs.RO 7 octobre 2026

Optimisation générative guidée par un modèle et sensible à la géométrie pour la planification de locomotion sous contraintes

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs publient sur arXiv (2610.07772) une méthode baptisée 2GO, pour Model-Based Geometry-Aware Generative Optimization, destinée à la planification de locomotion sous contraintes (Constrained Locomotion Planning, CLP) de quadrupèdes et d'humanoïdes. Le robot doit y respecter en même temps l'évitement de collisions, la cohérence des contacts, la faisabilité cinématique et les contraintes de support. 2GO s'appuie sur les approches Model-Based Diffusion (MBD), qui traitent l'optimisation de trajectoire comme un échantillonnage a posteriori. Ces approches utilisent la dynamique connue et des rollouts Monte Carlo pour estimer analytiquement la fonction de score de débruitage, sans apprentissage à partir de démonstrations. Trois mécanismes transforment la géométrie des contraintes actives en opérateurs de débruitage exécutables : une métrique modelée par les normales aux contraintes, un filtrage stochastique dans l'espace tangent et une rétraction fondée sur CFS. 2GO découple aussi le transport génératif de la stochasticité inverse grâce à un calendrier adaptatif qui mêle diffusion et dynamique de type flow. Les essais portent sur la sélection discrète de points d'appui et sur la planification continue de posture. Les auteurs annoncent de meilleurs taux de succès, moins de violations de contraintes et une meilleure compatibilité à l'exécution.

L'intérêt est surtout méthodologique. La planification de locomotion sous contraintes reste un point dur des quadrupèdes et des humanoïdes, car la dynamique est de grande dimension et les environnements sont très non convexes (escaliers, terrains discontinus, appuis rares). 2GO suit une voie différente des politiques apprises par imitation ou par apprentissage par renforcement : elle réutilise le modèle physique et se passe de données de démonstration, ce qui retire un coût de collecte. L'idée centrale est que la géométrie des contraintes actives doit orienter la direction du score et le bruit injecté, au lieu d'être traitée comme une simple pénalité. Pour un intégrateur, la promesse est une planification plus fiable aux contacts, où se concentrent les échecs sur terrain réel.

Il faut toutefois rester prudent. Le résumé ne donne aucun chiffre : ni taux de succès, ni temps de calcul, ni comparaison chiffrée, ni plateforme matérielle. Rien n'indique non plus si les essais ont eu lieu uniquement en simulation, et la question du temps réel, décisive pour un déploiement embarqué, n'est pas abordée. Il s'agit d'un preprint non évalué par les pairs, sans produit ni déploiement associé.

Le travail prolonge les variantes contraintes de MBD, qui intégraient déjà la faisabilité dans les rollouts de score. Les auteurs leur reprochent l'absence de géométrie de contrainte modulée par la tâche et l'usage d'un transport inverse déterministe de type DDPM, sans ordonnancement adaptatif. Il se place face aux approches de diffusion apprise et aux politiques VLA, qui visent plutôt la manipulation et le comportement de haut niveau. Les prochaines étapes à surveiller sont la publication du code, des benchmarks chiffrés et une validation sur robot physique.

Impact France/UE

Pas d\'impact direct sur la France/UE

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Mouvement basé sur la diffusion, guidé par un modèle : optimisation sous contraintes et planification adaptative

Le laboratoire de recherche à l'origine du papier arXiv:2607.14455 (publié le 17 juillet 2026, catégorie "new") présente MD-COAS, une méthode de planification de trajectoire pour robot unique dans des environnements fortement non convexes et contraints. Le système s'appuie sur le Model-Based Diffusion (MBD), une approche récente qui traite la planification comme un tirage d'échantillons dans une distribution a posteriori sur des trajectoires, en utilisant la dynamique connue du robot pour estimer analytiquement la fonction de score à partir de rollouts, sans apprentissage par démonstration. MD-COAS combine deux mécanismes jusqu'ici traités séparément dans la littérature : une méthode de Lagrangien augmenté inexact (iALM), qui agit comme un prior de diffusion "souple" pour la sécurité, et un opérateur de projection "dur" basé sur un ensemble convexe faisable (CFS). L'algorithme ordonnance et co-optimise ces deux mécanismes de façon adaptative, en les couplant à la planification du bruit de diffusion lui-même. Les auteurs le valident sur des benchmarks 2D générés aléatoirement à forte non-convexité et sur une tâche d'évitement d'obstacles pour un bras robotique à 7 degrés de liberté. Pour l'industrie robotique, ce travail s'attaque à un problème concret : garantir des trajectoires sans collision, dynamiquement faisables et respectant des contraintes de tâche, tout en restant calculable en temps raisonnable. Les approches purement "souples" (contraintes ajoutées au coût) échouent parfois à garantir la sécurité, tandis que les projections "dures" peuvent bloquer la convergence ou dégrader la qualité de trajectoire. Unifier les deux, avec un ordonnancement qui s'adapte au fil du débruitage, vise justement ce compromis, pertinent pour les intégrateurs de bras industriels ou de robots mobiles évoluant en environnement encombré. Les auteurs rapportent des taux de sécurité et de succès supérieurs, une convergence plus rapide et des coûts finaux plus bas que les planificateurs de référence, mais ces gains restent mesurés sur des benchmarks contrôlés, pas en conditions industrielles réelles. Le papier s'inscrit dans la lignée des travaux sur le Model-Based Diffusion appliqué à la planification de mouvement sous contraintes, un axe de recherche encore jeune qui rivalise avec les méthodes classiques d'optimisation de trajectoire (MPC, RRT*, CHOMP) et les planificateurs par diffusion appris par démonstration. Les auteurs positionnent MD-COAS comme une réponse aux limites des variantes MBD contraintes précédentes, sans toutefois annoncer de déploiement matériel ni de calendrier de transfert vers un robot physique au-delà du bras 7-DDL testé en simulation ou banc d'essai.

RecherchePaper

1 source

2arXiv cs.RO

Planification de mouvement générative masquée avec recherche de jetons guidée par la géométrie

Des chercheurs proposent Masked Generative Motion Planning (MGMP), un planificateur de mouvement génératif qui utilise un transformeur génératif masqué pour produire en parallèle des trajectoires discrètes, puis les répare au moment de l'inférence grâce à une méthode baptisée Geometry-Guided Token Search (GGTS). Les trajectoires sont encodées sous forme de jetons discrets. GGTS s'appuie sur la géométrie de la scène pour décider quels segments modifier et quelles alternatives, déjà soutenues par l'a priori appris, méritent d'être évaluées. Les auteurs annoncent 96 % de réussite sur le benchmark Ring Maze et 82 % de réussite de réparation sur Controlled Route Invalidation avec un bras Kuka. Cela dépasse de 23 et 25 points de pourcentage les meilleures références externes testées. La méthode est aussi évaluée sur des agencements inédits, des obstacles supplémentaires, des géométries jamais vues, la planification à un et deux bras, ainsi que sur des tâches réelles avec un robot Baxter. Le travail est publié sur arXiv (2610.10646v1) et n'a pas encore été relu par des pairs. Les planificateurs génératifs actuels, notamment ceux à base de diffusion, utilisent l'a priori appris pour générer la trajectoire initiale, puis confient la correction à un raffinement continu local, de type descente de gradient ou déformation de trajectoire. Cette approche échoue quand l'obstacle impose de changer de route, par exemple de contourner un mur par l'autre côté. MGMP transforme cette réparation en recherche discrète parmi des alternatives de mouvement plausibles. Il permet ainsi une restructuration au niveau de la route, là où une déformation locale reste coincée dans le mauvais bassin d'attraction. Pour les intégrateurs et les équipes qui déploient des bras en environnement changeant (cellules logistiques, ateliers reconfigurables), la capacité à replanifier quand une voie est bloquée compte autant que la qualité du premier tir. Deux réserves s'imposent toutefois. Les benchmarks sont en grande partie synthétiques (labyrinthe en anneau, invalidation contrôlée de route). La validation réelle se limite à un Baxter, plateforme ancienne et peu précise, sans temps de calcul ni taux de réussite détaillés dans le résumé. Les chiffres de latence face aux planificateurs classiques à échantillonnage (RRT, par exemple) restent donc à vérifier dans l'article complet. Ce travail s'inscrit dans la lignée de la planification par diffusion (Diffuser, Motion Planning Diffusion) et des transformeurs génératifs masqués, popularisés par MaskGIT en vision, que les auteurs transposent à la robotique. Il se positionne face aux planificateurs de référence à échantillonnage ou à optimisation (RRT, CHOMP, TrajOpt, cuRobo accéléré sur GPU) et aux générateurs par diffusion avec raffinement guidé. Ces derniers constituent vraisemblablement les « baselines externes » dépassées. La suite logique est de tester la méthode sur des scènes dynamiques, des manipulateurs plus récents et des tâches de manipulation de précision. Un code ou un jeu de données public faciliterait la reproduction. Aucun calendrier de transfert industriel n'est annoncé : il s'agit de recherche académique, loin d'un produit livré ou d'un déploiement.

RecherchePaper

1 source

3arXiv cs.RO

EmoPose : génération de gestes sensibles aux émotions guidée par un modèle vision-langage pour robots humanoïdes

Un article publié sur arXiv (2609.23414v1) présente EmoPose, un système associant un modèle vision-langage (VLM) et un contrôleur robotique déterministe pour générer des gestes porteurs d'émotion chez les robots humanoïdes : à partir d'un texte, d'un historique de dialogue et d'un contexte visuel optionnel, le VLM choisit un plan de gestes ordonné (classe communicative, variante, intensité, point d'ancrage vocal), puisé dans une bibliothèque de mouvements propre au robot qui fournit des cibles articulaires à 14 degrés de liberté (DoF). L'outil Pose Studio génère automatiquement les trajectoires, les prévisualise sous le simulateur MuJoCo et synchronise les nouvelles entrées avec le guide du VLM, tandis que des modules déterministes côté robot valident les plans, construisent les trajectoires et gèrent l'ordonnancement, la mise en file et l'interruption des gestes. Sur le banc d'essai EmoPose-Bench, une planification structurée avec GPT-5.5 atteint 98,25 % (± 0,52) sur le niveau facile et 76,50 % (± 0,54) au global, un score supérieur à un prompting à étiquette directe avec le même modèle. Le système exécute la suite nominale sous MuJoCo et reproduit les 29 variantes de la bibliothèque sur un robot Unitree G1 physique, démontré lors d'une visite de laboratoire en quatre étapes mêlant narration expressive avec interruption, dialogue ancré sur la caméra et navigation. Cette architecture répond à un problème concret pour les intégrateurs : confier le contrôle articulaire brut à un modèle de fondation reste imprévisible, tandis qu'un robot purement scripté manque de flexibilité sociale. En cantonnant le VLM à un rôle de sélection sémantique dans une bibliothèque de mouvements pré-validée et en laissant le contrôle bas niveau à des modules déterministes, EmoPose permet d'étendre le répertoire expressif à de nouveaux contextes sociaux sans modifier l'interface de contrôle ni recertifier la sécurité du mouvement. C'est un argument dans le débat sur le passage à l'échelle des modèles vision-langage-action (VLA) : plutôt que de démontrer qu'un VLA génère directement des trajectoires fiables de bout en bout, les auteurs montrent qu'un VLM peut piloter une bibliothèque de gestes pré-validés, approche plus proche de ce qu'un intégrateur industriel peut auditer et déployer en sécurité. Les chiffres de précision restent néanmoins issus d'un benchmark maison et d'une démonstration en laboratoire contrôlé, pas d'un déploiement en conditions réelles à grande échelle. EmoPose s'inscrit dans la vague de travaux cherchant à combler l'écart entre les modèles vision-langage-action généralistes, tels Pi-0 ou GR00T N2, et le besoin d'un contrôle fiable et spécifique à chaque corps physique ; contrairement à ces approches de génération de mouvement de bout en bout, EmoPose sépare explicitement raisonnement social et exécution motrice. Le choix du Unitree G1, plateforme humanoïde largement utilisée par les laboratoires de recherche pour son coût accessible, souligne la nature académique de la démonstration plutôt qu'un déploiement commercial. Les auteurs ne mentionnent ni partenaire industriel ni calendrier de commercialisation : à ce stade, la publication reste une validation de méthode sur banc d'essai et lors d'une visite de laboratoire, sans pilote client ni déploiement annoncé en environnement réel.

RecherchePaper

1 source

4arXiv cs.RO

Métriques riemanniennes induites pour la planification de mouvement sous contraintes

Publié le 23 septembre 2026 sur arXiv sous la référence 2609.25695v1, un article de recherche en planification de mouvement robotique s'attaque à un problème classique : quand des contraintes de tâche ou de fermeture de boucle cinématique réduisent l'espace de configuration d'un robot à une sous-variété courbe de dimension inférieure, la métrique utilisée pour mesurer la longueur d'un chemin, euclidienne, à coût uniforme dans toutes les directions, ou riemannienne, comme l'énergie cinétique, à coût variable selon la direction et la configuration, donnait jusqu'ici des résultats différents selon que la contrainte était représentée implicitement (comme un ensemble de niveau, associé à la métrique euclidienne) ou explicitement (via une paramétrisation, associée à la métrique du domaine des paramètres). Les auteurs proposent une métrique dite induite, héritée directement de la métrique riemannienne de l'espace de configuration complet, et démontrent que les deux représentations produisent alors exactement la même géométrie, quelle que soit la métrique riemannienne retenue. Ils l'intègrent dans un planificateur par échantillonnage et dans un optimiseur de trajectoire, puis testent l'approche sur un montage de manipulation bimanuelle avec deux bras robotiques Franka (Franka Robotics, entreprise allemande) soumis à des contraintes sur l'effecteur, en comparant métrique euclidienne et métrique d'énergie cinétique. Ce découplage compte pour quiconque conçoit des planificateurs de manipulation contrainte, assemblage bimanuel, tâches à chaîne cinématique fermée, coordination multi-bras, où le choix jusqu'ici arbitraire entre représentation implicite et explicite biaisait silencieusement les trajectoires calculées, indépendamment du comportement physique réel du robot. La garantie théorique de cohérence géométrique permet désormais d'utiliser des métriques physiquement significatives, comme l'énergie cinétique, plutôt que la seule distance euclidienne par défaut, souvent mal adaptée aux robots à forte inertie ou à géométrie complexe, sans changer d'architecture logicielle puisque la méthode s'insère aussi bien dans un planificateur par échantillonnage que dans un optimiseur de trajectoire existant. Il s'agit d'une contribution méthodologique, sans vidéo ni chiffre de taux de succès ou de temps de cycle à l'appui, ce qui limite pour l'instant l'évaluation de son impact pratique concret. Ce travail s'inscrit dans la lignée des recherches sur la planification sur variétés contraintes, un champ où les méthodes d'atlas tangents et les planificateurs de type CBiRRT gèrent depuis longtemps la géométrie de la contrainte mais laissaient jusqu'ici la question de la métrique de côté. Il fait aussi écho aux travaux sur les politiques de mouvement riemanniennes, qui exploitent déjà des métriques non euclidiennes mais dans des espaces non contraints. La validation reste limitée à un seul banc d'essai, deux bras Franka en manipulation bimanuelle, sans portage annoncé vers une bibliothèque de planification largement utilisée comme MoveIt ou OMPL, ni calendrier de suivi précisé par les auteurs.

UELe montage expérimental repose sur des bras robotiques Franka Robotics, fabricant allemand largement utilisé dans les laboratoires de recherche européens en robotique.

RecherchePaper

1 source