Des dérivées de dynamique des corps rigides plus précises pour les robots à chaînes cinématiques fermées
← Retour aux actualitésLe contrôle prédictif (MPC) : les lois de commande calculées à haute fréquence (1 kHz ou plus) reposent sur des modèles dynamiques précis. Une erreur dans les dérivées de la dynamique fausse l’estimation des couples nécessaires pour stabiliser le robot. La simulation différentiable : utilisée pour l’apprentissage par renforcement ou l’optimisation de trajectoires, elle nécessite des gradients exacts pour converger rapidement. MIT Mini Cheetah (quadrupède sans boucles cinématiques) : Tello (modèle simplifié de robot à deux jambes) : Sans rotors ni mécanismes : 7,21 µs par calcul de dérivée. Avec rotors (10 corps rigides supplémentaires) : 11,97 µs (+66%). Avec mécanismes (transmissions par courroie) : 14,41 µs (+20,4% par rapport au modèle avec rotors). Le coût supplémentaire est minime si on se limite à la cinématique d’actionnement (articulations et transmissions). Il devient significatif quand on ajoute des corps rigides supplémentaires (comme les rotors des moteurs) ou des boucles non locales (plusieurs cycles dans la structure). Des contrôleurs MPC plus robustes pour les robots humanoïdes ou les bras manipulateurs à boucles cinématiques (ex : robots avec transmissions par courroie ou engrenages). Des simulations différentiables plus précises pour l’optimisation de trajectoires ou l’apprentissage par renforcement, sans recourir à des approximations coûteuses. Une meilleure intégration des sous-mécanismes complexes (comme les transmissions par courroie) dans les modèles dynamiques, évitant les erreurs de calcul qui peuvent mener à des instabilités.
📑 Sommaire
💡 En 3 points clés
- Le contrôle prédictif (MPC) : les lois de commande calculées à haute fréquence (1 kHz ou plus) reposent sur des modèles dynamiques précis. Une erreur dans les dérivées de la dynamique fausse l’estimation des couples nécessaires pour stabiliser le robot.
- La simulation différentiable : utilisée pour l’apprentissage par renforcement ou l’optimisation de trajectoires, elle nécessite des gradients exacts pour converger rapidement.
- MIT Mini Cheetah (quadrupède sans boucles cinématiques) :
Un problème de précision dans les modèles robotiques
Quand un robot humanoïde marche, ses jambes forment une chaîne cinématique fermée : les deux pieds sont en contact avec le sol, créant un cycle dans la transmission des efforts. Pourtant, la plupart des algorithmes de dynamique des corps rigides utilisés aujourd’hui modélisent ces systèmes comme des chaînes ouvertes, où chaque articulation est indépendante. Cette simplification introduit des erreurs dans les calculs de forces et de mouvements, surtout lorsque les articulations sont couplées mécaniquement (par exemple, un genou avec transmission par courroie parallèle).
Ces erreurs se propagent dans deux applications critiques :
Une solution algorithmique pour les chaînes fermées
L’article arXiv:2609.21024 propose une généralisation des algorithmes existants pour calculer les dérivées de premier ordre de la dynamique inverse (inverse dynamics) dans le cas de chaînes cinématiques fermées modélisées par contrainte embarquée (constraint embedding).
Comment ça marche ?
1. Modélisation des boucles cinématiques :
Les chaînes fermées sont représentées comme des sous-mécanismes à contraintes intégrées dans la structure globale du robot. Par exemple, un robot à deux jambes en contact avec le sol est décomposé en deux chaînes ouvertes (jambes) reliées par une contrainte de contact au sol.
2. Dérivées adaptées :
Les algorithmes classiques supposent que les effets des vitesses articulaires sur les forces sont localement invariants par configuration (c’est-à-dire que la dérivée partielle ∂τ/∂q̇ ne dépend pas de la position q). Cette hypothèse est fausse pour les chaînes fermées, où les efforts dépendent de la géométrie globale du système.
Les auteurs suppriment cette hypothèse et dérivent des formules adaptées pour des types d’articulations plus généraux, incluant les boucles cinématiques locales.
3. Validation numérique :
L’algorithme a été implémenté dans la bibliothèque open-source GRBDA et comparé à des approximations par différences complexes (complex-step). Les erreurs maximales observées sont de l’ordre de 10⁻¹⁴, confirmant une précision quasi double.
Coût calculatoire : un compromis précision/performance
Les auteurs ont évalué l’impact de cette généralisation sur trois configurations robotiques :
Le surcoût pour calculer les dérivées reste inférieur à 13% par rapport à une modélisation en chaîne ouverte, même avec des articulations complexes.
Les résultats montrent que :
Applications concrètes
Cette avancée ouvre la voie à :
Limites et perspectives
Les auteurs soulignent deux pistes d’amélioration :
1. Extension aux dérivées de second ordre : pour les applications nécessitant des modèles encore plus précis (ex : contrôle en temps réel avec contraintes de contact).
2. Optimisation GPU : les calculs de dérivées pourraient bénéficier d’accélérations matérielles pour des systèmes à grand nombre de degrés de liberté.
En résumé
Cette avancée algorithmique comble un fossé entre les modèles dynamiques simplifiés et les systèmes robotiques réels, où les chaînes cinématiques fermées sont omniprésentes. En permettant des calculs de dérivées plus précis à un coût maîtrisé, elle rend possible des applications critiques comme le contrôle prédictif ou la simulation différentiable pour des robots toujours plus complexes.