💻 computer science

Model Predictive Impedance Control with Gaussian Processes for Human and Environment Interaction

Cet article propose un cadre de contrôle d'impédance prédictif par modèle utilisant des processus gaussiens pour apprendre des modèles de tâches incertains à partir de quelques démonstrations, permettant ainsi à un robot de planifier en ligne sa trajectoire et son impédance tout en respectant les contraintes de sécurité et en s'adaptant aux objectifs humains et aux perturbations environnementales.

Auteurs originaux : Kevin Haninger, Christian Hegeler, Luka Peternel

Publié 2026-02-17

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Kevin Haninger, Christian Hegeler, Luka Peternel

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez d'apprendre à un robot à faire des tâches délicates avec vous, comme assembler des pièces, polir une surface ou transporter un objet lourd. Le problème, c'est que le monde réel est imprévisible : la pièce à assembler peut être légèrement décalée, vous pouvez vouloir changer de direction, ou le robot peut rencontrer une surface plus dure que prévu.

Si le robot est trop "rigide" (comme un bras de fer), il risque de casser la pièce ou de vous blesser s'il ne comprend pas votre intention. S'il est trop "mou" (comme une gelée), il ne pourra pas faire le travail avec précision.

C'est là que cette recherche intervient. Elle propose une méthode pour rendre le robot intelligent, flexible et sûr, un peu comme un partenaire de danse idéal.

Voici comment cela fonctionne, expliqué simplement :

1. Le Robot qui "Apprend par l'Exemple" (Les Gâteaux)

Imaginez que vous voulez apprendre à un robot à polir un meuble. Au lieu de lui donner des instructions complexes en code, vous prenez sa main et vous guidez son bras quelques fois (3 fois suffisent !).

Le robot utilise une technique mathématique appelée Processus Gaussiens (GPs). Pour faire simple, imaginez que le robot dessine un "nuage de points" autour de vos mouvements.

Là où vous avez été très précis, le nuage est petit et serré (le robot sait ce qu'il doit faire).
Là où vous avez hésité ou varié, le nuage est grand et flou (le robot sait qu'il y a de l'incertitude).

Ce "nuage" est la mémoire du robot. Il lui dit : "Je suis sûr ici, mais là-bas, je ne suis pas certain, alors je dois faire attention."

2. Le Chef d'Orchestre (Le Contrôle Prédictif)

Le robot ne se contente pas de répéter ce qu'il a vu. Il utilise un "chef d'orchestre" appelé Contrôle Prédictif (MPC). Ce chef regarde en avant, comme un conducteur qui regarde la route 50 mètres plus loin.

À chaque fraction de seconde, le chef se pose des questions :

"Si je continue tout droit, vais-je heurter un obstacle ?"
"Si l'humain tire sur le bras, dois-je résister ou le laisser faire ?"
"Est-ce que je dois être plus raide pour ne pas trembler, ou plus mou pour laisser l'humain guider ?"

Il calcule instantanément la meilleure trajectoire et le meilleur niveau de "raideur" (impédance) pour la situation actuelle.

3. Les Trois Super-Pouvoirs du Robot

Grâce à ce système, le robot gère trois types d'imprévus comme un pro :

L'Incertitude de l'Humain (Le Partenaire de Danse) :
Si vous guidez le robot vers un trou pour y insérer une vis, mais que vous hésitez entre deux trous, le robot le sent. Au lieu de forcer, il devient "mou" sur le côté où vous hésitez, vous laissant décider. Dès qu'il comprend votre choix (grâce à la confiance qu'il a dans son modèle), il devient plus ferme pour vous aider à insérer la vis.
L'Environnement Imprévisible (Le Sol Glissant) :
Imaginez que vous polissez un mur, mais que la surface est plus dure que prévu. Le robot détecte cette résistance inattendue. Au lieu de se cogner et de faire des dégâts, il ajuste automatiquement son amortisseur (comme les suspensions d'une voiture) pour rester stable et ne pas rebondir.
Les Vibrations (Le Moteur qui Tremble) :
Si vous utilisez un outil qui vibre (comme une perceuse), le robot sait distinguer votre mouvement lent et intentionnel des vibrations rapides de l'outil. Il filtre les vibrations pour que le robot ne tremble pas, tout en vous laissant le contrôle total du mouvement lent.

En Résumé : Pourquoi c'est génial ?

Avant, il fallait programmer le robot pour chaque situation spécifique (si le mur est dur, fais ceci ; si l'humain tire, fais cela). C'était long et rigide.

Avec cette nouvelle méthode :

On apprend vite : Quelques démonstrations suffisent.
C'est sûr : Le robot sait où il ne connaît pas la réponse et agit prudemment.
C'est collaboratif : Il s'adapte à vous en temps réel, comme un coéquipier humain qui comprend vos intentions sans avoir besoin de parler.

C'est comme donner au robot un instinct : il ne suit pas aveuglément un script, il "ressent" la situation, anticipe les problèmes et ajuste sa force pour travailler avec vous, et non contre vous.

1. Problématique

La manipulation robotique impliquant un contact physique, en particulier lors de l'interaction homme-robot (HRI), fait face à de multiples sources d'incertitudes qui rendent le contrôle robuste difficile. Ces incertitudes proviennent de :

Variations des démonstrations : Différences dans les trajectoires ou les forces appliquées par un humain lors de l'apprentissage.
Incertitude sur les objectifs humains : Dans les tâches collaboratives, l'objectif final (ex. : assembler une pièce à l'endroit A ou B) peut être discret et inconnu à l'avance.
Incertitudes environnementales : La position exacte des contraintes de contact ou la rigidité de l'environnement peuvent varier entre les itérations.
Perturbations externes : Forces de processus (ex. : vibrations lors du polissage) qui ne doivent pas affecter la trajectoire du robot.

Les méthodes existantes traitent souvent ces incertitudes de manière isolée (soit l'apprentissage par démonstration, soit l'adaptation d'impédance, soit la détection d'intention), mais manquent d'un cadre unifié capable de gérer simultanément ces multiples sources d'incertitude tout en assurant la sécurité et la performance.

2. Méthodologie

Les auteurs proposent un cadre de Contrôle Prédictif par Modèle (MPC) non linéaire qui planifie en ligne à la fois la trajectoire du robot et ses paramètres d'impédance (masse, amortissement, raideur).

A. Modélisation par Processus Gaussiens (GP)

Au cœur de l'approche se trouve l'utilisation de Processus Gaussiens pour modéliser les forces externes en fonction de la pose du robot ( $x$ ).

Modèles de forces : Le système distingue les forces humaines ( $f_h$ ), les forces de contact environnemental ( $f_c$ ) et les forces de perturbation ( $f_d$ ).
Apprentissage : Des modèles GP sont appris à partir de très peu de démonstrations (≤ 3). Pour chaque mode humain possible (objectif discret), un modèle GP est entraîné.
Gestion de l'incertitude : La covariance du GP ( $\Sigma_f$ ) capture l'incertitude. Une forte variance indique une zone peu explorée ou une grande variabilité des démonstrations, ce qui incite le contrôleur à augmenter la compliance (réduire la raideur) pour la sécurité.
Fonction de moyenne "Hinge" : Pour mieux modéliser les contacts, une fonction de moyenne en forme de charnière est utilisée, permettant d'identifier les seuils de contact et les rigidités environnementales.

B. Dynamique Stochastique et MPC

Le problème d'optimisation MPC est formulé avec une dynamique stochastique :

Évolution de l'état : L'état du robot (position, vitesse) est modélisé comme une distribution gaussienne dont la moyenne et la covariance évoluent selon les paramètres d'impédance choisis.
Fonction de coût : L'objectif combine plusieurs termes pondérés :
- Suivi de trajectoire et minimisation de l'erreur.
- Ergonomie humaine : Coût basé sur les couples articulaires humains (modélisés via une cinématique simplifiée du bras humain).
- Rejet de perturbations : Un coût dans le domaine fréquentiel (filtre passe-haut) est ajouté pour rejeter les vibrations de haute fréquence (ex. : polissage) sans affecter le mouvement intentionnel.
- Incertitude : Des coûts pénalisent les trajectoires passant par des zones de forte incertitude du modèle GP.
Contraintes de sécurité :
- Contrainte de chance (Chance Constraint) : Limite la probabilité que la force de contact dépasse un seuil critique, en tenant compte de la variance du modèle GP.
- Contrainte d'amortissement bien réglé (Well-damped) : Assure la stabilité du contact en imposant un amortissement virtuel suffisant par rapport à la rigidité estimée de l'environnement ( $D \ge 2\zeta\sqrt{MK_e}$ ).

C. Inférence de l'objectif

Le système maintient une croyance ( $b_t$ ) sur l'objectif discret de l'humain. Cette croyance est mise à jour en temps réel via un estimateur bayésien basé sur les forces mesurées et les modèles GP correspondants à chaque objectif possible. Le MPC optimise ensuite la trajectoire en prenant l'espérance sur cette distribution de croyance.

3. Contributions Clés

Taxonomie unifiée de l'incertitude : Une formulation de problème unique intégrant les incertitudes de démonstration, de compétence, de contraintes environnementales, de perturbations et d'objectifs humains.
Optimisation d'impédance par gradient : Contrairement aux approches par échantillonnage, cette méthode utilise l'optimisation par gradient (via MPC) pour ajuster directement les paramètres d'impédance, permettant de respecter des contraintes complexes (stabilité, forces limites).
Modélisation GP intégrée au MPC : Utilisation des GP non pas comme générateurs de trajectoires directs, mais comme modèles de tâches intermédiaires au sein d'un problème d'optimisation MPC, permettant de lier explicitement l'incertitude de la trajectoire aux objectifs de contrôle.
Validation expérimentale complète : Démonstration sur trois tâches réelles avec des taux de boucle MPC de 10 à 20 Hz.

4. Résultats Expérimentaux

Les auteurs ont validé le cadre sur trois scénarios :

Assemblage de rail : Le robot apprend à distinguer les degrés de liberté (DoF) répétitifs (où il doit être rigide) des DoF variables (où il doit être compliant pour laisser l'humain ajuster la position). Le système adapte l'impédance spatialement en fonction de la variance des démonstrations.
Polissage collaboratif : Le robot guide un outil de polissage tenu par un humain. L'ajout du coût de rejet de perturbation permet de supprimer les vibrations haute fréquence (>10 Hz) tout en permettant à l'humain de contrôler la vitesse. L'ajout du coût ergonomique réduit l'impédance lorsque l'humain est dans une posture contraignante.
Assemblage double trou (Peg-in-Hole) : Le système infère en ligne l'objectif discret de l'humain (quel trou viser) et ajuste la trajectoire et l'impédance en conséquence, démontrant une assistance fluide à 6 DoF.

Performance : Le système fonctionne à des fréquences de 10 à 24 Hz. Les contraintes de sécurité (force chance, amortissement) ont prouvé leur efficacité pour éviter les forces excessives et l'instabilité lors des contacts avec des environnements rigides ou à forte variance.

5. Signification et Conclusion

Ce travail représente une avancée significative vers des robots collaboratifs plus sûrs et plus intelligents. En combinant l'apprentissage par démonstration (via GP) avec le contrôle prédictif (MPC), la méthode permet aux robots de :

S'adapter à des environnements et des objectifs incertains sans modèle analytique préalable complexe.
Gérer dynamiquement le compromis entre précision (rigidité) et sécurité (compliance).
Inférer les intentions humaines en temps réel pour une collaboration fluide.

Les limites identifiées concernent principalement la charge computationnelle liée à l'intégration de modèles de contact rigides et la nécessité d'une régularisation forte lors de l'optimisation des hyperparamètres des GP. Néanmoins, cette approche ouvre la voie à des systèmes d'interaction physique plus robustes pour les applications industrielles semi-structurées.