🤖 machine learning

Elastic ODYN: Differentiable Optimization for Infeasible Control and Learning in Robotics

Cet article introduit Elastic ODYN, un solveur et un cadre de programmation quadratique (QP) primal-dual différentiable qui gère de manière robuste les tâches de contrôle et d'apprentissage infaisables en robotique en employant des relaxations élastiques lisses pour assurer la stabilité numérique, la convergence vers les solutions les plus proches de la faisabilité, et un calcul de gradient fiable, même en présence d'objectifs conflictuels et de conditions de contact dégénérées.

Auteurs originaux : Aristotelis Papatheodorou, Jose Rojas, Ioannis Havoutis, Carlos Mastalli

Publié 2026-06-16

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Aristotelis Papatheodorou, Jose Rojas, Ioannis Havoutis, Carlos Mastalli

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 de planifier une chorégraphie complexe pour un robot. Vous avez un ensemble de règles strictes : « Ne tombe pas », « Garde ta main sur la table » et « Pose ton pied exactement ici ». Dans le monde réel, les robots sont souvent confrontés à des situations où ces règles se contredisent. Peut-être que le sol est glissant, ou que les capteurs du robot sont légèrement décalés, ou que les règles elles-mêmes sont impossibles à satisfaire toutes en même temps.

Dans le monde des mathématiques de la robotique, cela s'appelle un problème infaisable. La plupart des programmes informatiques existants (appelés « solveurs ») sont comme des professeurs rigides : si un élève enfreint ne serait-ce qu'une seule règle, le professeur s'arrête net, lève les mains au ciel et dit : « Je ne peux pas résoudre cela ! » Cela provoque le gel, le crash ou un comportement imprévisible du robot.

Le document présente un nouvel outil appelé ELASTIC ODYN. Voici comment il fonctionne, en utilisant des analogies simples :

1. La solution de l'« élastique » (Contraintes élastiques)

Au lieu de traiter les règles comme des murs d'acier incassables, ELASTIC ODYN les traite comme des élastiques.

L'ancienne méthode : Si un robot essaie de toucher un mur mais n'y parvient pas tout à fait, les mathématiques se brisent.
La méthode ELASTIC ODYN : Si le robot ne peut pas toucher parfaitement le mur, l'élastique s'étire juste un petit peu. L'ordinateur calcule la meilleure solution possible où les règles sont déformées le moins possible, plutôt que d'abandonner totalement. Il trouve la réponse la plus proche possible de la requête impossible.

2. Le « Smooth Operator » (Différentiabilité)

Les robots d'aujourd'hui apprennent par l'expérience, de la même manière qu'un humain apprend à faire du vélo en tombant et en s'ajustant. Pour apprendre, l'ordinateur doit comprendre pourquoi il a échoué et comment corriger le tir.

Le problème : Lorsque les règles sont transgressées (infaisabilité), les outils mathématiques classiques produisent des signaux « saccadés » ou brisés. C'est comme essayer de conduire une voiture avec un volant qui se détache soudainement quand on roule sur une bosse. Le processus d'apprentissage plante.
La solution : ELASTIC ODYN est « lisse » (smooth). Même lorsque le robot enfreint une règle, le signal mathématique reste continu et fluide. Cela permet au robot d'apprendre de ses erreurs même lorsque la situation est désordonnée ou impossible, en le guidant doucement vers une meilleure solution.

3. L'étape de « raffinement » (Respecter la physique)

Lorsque les élastiques s'étirent, les nombres produits par l'ordinateur (appelés « variables duales ») sont un peu flous. Ils indiquent que une règle a été transgressée, mais pas exactement avec quelle force le robot a poussé contre le mur.

La correction : Le document ajoute une étape de « raffinement » rapide. Considérez cela comme une deuxième vérification rapide. Une fois que l'ordinateur a trouvé la solution « étirée », il exécute un calcul rapide et léger pour traduire ces nombres flous en forces physiques réelles (comme la force avec laquelle le pied du robot appuie sur le sol). Cela garantit que le robot comprend correctement la physique, même s'il a dû étirer une règle pour y parvenir.

4. L'amélioration « SQP » (Gérer des tâches grandes et complexes)

Les auteurs ont également construit une version plus vaste appelée ELASTIC ODYN SQP. Elle est destinée à la planification de séquences de mouvements longues et complexes (comme marcher ou danser).

Le scénario : Parfois, le plan d'un robot est impossible dès le départ (par exemple, essayer de traverser un mur).
La magie : Au lieu de rester bloqué, cet outil relâche sélectivement uniquement les règles spécifiques qui causent le conflit. Il peut dire : « D'accord, nous ne pouvons pas atteindre cette cible exacte, alors visons l'endroit juste à côté », tout en maintenant toutes les autres règles strictes. Cela permet au robot de continuer à avancer et de trouver un chemin, plutôt que de se figer.

Pourquoi cela est important

Les auteurs ont testé cela sur des problèmes mathématiques difficiles, des simulations de contacts de robots (comme un disque frappant un tube) et des tâches de robots réels (comme un robot quadrupède marchant et un robot humanoïde en mouvement).

Le résultat :

Robustesse : Il ne plante pas quand les choses tournent mal.
Vitesse : Il commence à résoudre les problèmes plus rapidement lorsqu'on lui donne un « warm start » (un indice provenant d'une tentative précédente).
Apprentissage : Il permet aux robots d'apprendre et de s'optimiser même lorsque leurs tâches sont impossibles ou que leurs modèles sont légèrement erronés.

En résumé, ELASTIC ODYN est un moteur mathématique plus intelligent et plus flexible qui permet aux robots de continuer à travailler et à apprendre, même lorsque le monde ne suit pas des règles parfaites.

Résumé Technique : ELASTIC ODYN

Énoncé du Problème

Les systèmes robotiques sont fréquemment confrontés à des scénarios où les problèmes d'optimisation deviennent infaisables en raison d'objectifs conflictuels, d'erreurs de modélisation ou de conditions de contact dégénérées (par exemple, des Jacobiens de contact de rang déficient). Les solveurs de programmation quadratique (QP) standards et les couches d'optimisation différentiables supposent généralement la faisabilité. Lorsque les contraintes ne peuvent être satisfaites simultanément, ces méthodes souffrent souvent de défaillances numériques, de gradients instables ou d'un arrêt complet du solveur. Cette limitation entrave la robustesse du contrôle prédictif basé sur un modèle (MPC), de la programmation quadratique séquentielle (SQP) et des pipelines de robotique basés sur l'apprentissage, particulièrement dans des contextences temps réel et de haute dimension où les itérats intermédiaires peuvent être infaisables.

Méthodologie

Le papier présente ELASTIC ODYN, un cadre conçu pour gérer l'infaisabilité, la dégénérescence et le mauvais conditionnement via des relaxations élastiques lissées en carré- $\ell_2$ . La méthodologie repose sur trois composantes clés :

1. Le Solveur ELASTIC ODYN

Il s'agit d'un solveur QP primal-dual non-intérieur-point. Contrairement aux méthodes de point intérieur (IPM) qui exigent une faisabilité stricte pour suivre un chemin central, ELASTIC ODYN opère en dehors de l'ensemble faisable.

Formulation Élastique : Les contraintes strictes ( $Ax=b, Gx \le h$ ) sont relaxées à l'aide de variables élastiques ( $s_e, s_i$ ) avec des pénalités quadratiques dans l'objectif. Cela transforme le problème en une forme non contrainte qui reste bien posée même lorsque les contraintes originales sont contradictoires.
Approche Pénalité-Barrière : Le solveur utilise une formulation pénalité-barrière où une fonction barrière agit sur une variable de consensus plutôt que sur les variables d'écart directement. Cela permet aux itérats de quitter l'intérieur de la région faisable tout en maintenant une structure primal-dual bien définie.
Système de Newton : La méthode emploie un système KKT élastique réduit résolu via la méthode de Newton. Elle incorpore des pénalités proximales sur les variables primales et duales pour assurer la robustesse sous dégénérescence.
Convergence : Le solveur est garanti de converger vers la solution la plus proche de la faisabilité (au sens du moindre écart $\ell_2$ ) lorsqu'aucun point faisable n'existe.

2. Raffinement des Variables Duales

Bien que la formulation élastique fournisse une solution primale robuste, les variables duales associées encodent des violations pénalisées plutôt que de véritables sensibilités physiques (ex: forces de contact). Pour y remédier, les auteurs introduisent une étape de raffinement légère. Cette étape démarre à chaud (warm-start) à partir de la solution primale élastique, décale les contraintes par les variables de relaxation élastique optimales, et résout à nouveau le problème à contraintes strictes. Cela permet de récupérer des variables duales physiquement significatives et des sensibilités cohérentes en seulement quelques itérations.

3. Extensions Différentiables et SQP

ELASTIC ODYNLAYER : Une couche QP différentiable qui étend le solveur aux pipelines d'apprentissage. Elle reste strictement convexe et $C^1$ (continûment dérivable) même en cas d'infaisabilité. Le passage arrière combine les gradients implicites via le système KKT avec des corrections explicites dérivées des variables de relaxation élastique, assurant des gradients stables pour l'identification de paramètres même lorsque les contraintes entrent en conflit.
ELASTIC ODYNSQP : Une méthode SQP sensible à l'infaisabilité pour le contrôle optimal non linéaire. Elle résout les linéarisations incohérentes et les tâches intrinsèquement infaisables en relaxant sélectivement certaines catégories de contraintes (ex: dynamique vs cinématique) dans le bloc élastique tout en maintenant les autres comme strictes. Elle emploie une fonction de mérite qui équilibre les pénalités élastiques et les résidus stricts pour garantir la descente.

Principales Contributions

Le papier expose quatre contributions principales :

Solveur ELASTIC ODYN : Un solveur QP non-intérieur-point élastique $\ell_2$ lisse, capable de gérer de manière robuste les problèmes infaisables, dégénérés et mal conditionnés.
Récupération Duale : Une procédure de raffinement qui récupère des variables duales interprétables à partir de la solution élastique, rendant le cadre adapté aux applications de physique de contact.
Optimisation Différentiable : ELASTIC ODYNLAYER, une couche QP sans projection, entièrement lisse, qui produit des dérivées bien définies pour les problèmes tant faisables qu'infaisables, permettant l'apprentissage par gradient dans des contextes contraints.
SQP Sensible à l'Infaisabilité : ELASTIC ODYNSQP, un cadre qui résout les sous-problèmes incohérents et les tâches de contrôle optimal infaisables grâce à une relaxation sélective des contraintes.

Résultats Expérimentaux

Le cadre a été évalué à travers quatre domaines :

Benchmarks QP : Sur l'ensemble de tests Maros–Mészáros, ELASTIC ODYN a démontré une performance de démarrage à chaud supérieure et des taux d'échec plus faibles par rapport aux solveurs de pointe comme PROXQP, OSQP et GUROBI, particulièrement dans les régimes de haute précision et de perturbation.
QPs Mal Conditionnés/Infaisables : Dans des tests avec des contraintes délibérément conflictuelles et un mauvais étalonnage, ELASTIC ODYN a systématiquement convergé vers les solutions analytiques des moindres carrés, là où les concurrents ont souvent échoué ou ont expiré (timeout).
Mécanique de Contact : Dans une simulation de disque dans un tube sans friction impliquant des normales de contact dégénérées, le solveur a réussi à résoudre les singularités en admettant une pénétration contrôlée, restaurant ainsi la génération de force là où les méthodes standards auraient échoué.
Apprentissage et Contrôle :
- Identification de Paramètres : La couche différentiable a entraîné avec succès un coefficient de restitution dans un contexte d'impact élastique, convergeant de manière fluide vers la vérité terrain malgré l'infaisabilité initiale.
- Optimisation de Trajectoire : Dans des tâches de locomotion quadrupède (ANYmal) et humanoïde (Talos), ELASTIC ODYNSQP a convergé vers des solutions faisables ou de moindres carrés là où les méthodes SQP à contraintes strictes se sont bloquées ou ont divergé, même sous des cibles conflictuelles et des contraintes serrées.

Signification

Le papier affirme qu'ELASTIC ODYN unifie la gestion de l'infaisabilité, la robustesse numérique et la différentiabilité, répondant à une déficience fondamentale des pipelines actuels de robotique et d'IA basés sur l'optimisation. En allant au-delà des hypothèses de faisabilité stricte, le cadre permet :

Contrôle Robuste : Un fonctionnement fiable dans des environnements dynamiques où les contraintes peuvent temporairement entrer en conflit.
Apprentissage Stable : La capacité d'entraîner des couches d'optimisation à travers des régions infaisables sans effondrement de gradient.
Cadre Unifié : Une approche unique qui gère la simulation, le contrôle et les tâches d'apprentissage qui étaient auparavant sujettes à des ruptures de solveur dues à l'infaisabilité ou la dégénérescence.

Les auteurs positionnent ce travail comme une étape vers une robotique basée sur l'optimisation capable d'opérer efficacement « au-delà des hypothèses de faisabilité des méthodes existantes ».