RecherchearXiv cs.RO 8 mai 2026

Planification robotique sous contraintes de ressources face à une incertitude mixte

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs présentent le CMDPST (Consumption Markov Decision Process with Set-valued Transitions), un cadre formel inédit permettant à un robot de planifier ses actions en tenant compte simultanément de deux types d'incertitudes : le bruit probabiliste mesurable et les inconnues structurellement non-quantifiables, tout en garantissant que le système ne tombe jamais à court de ressources opérationnelles (batterie, capacité de charge, quota de déplacements). Publiée sur arXiv en mai 2026 (réf. 2605.05797), la contribution couple ce modèle à une spécification de tâche exprimée en LTLf (logique temporelle linéaire sur traces finies), un formalisme permettant d'encoder des objectifs complexes avec des contraintes temporelles précises. Les auteurs proposent deux algorithmes de synthèse de stratégie : une méthode directe par déroulage d'états et une version optimisée par élagage de l'espace d'états, plus efficace en temps de calcul. Les expériences sont conduites sur un réseau de transport en entrepôt simulé, sans validation sur hardware réel à ce stade.

La contribution adresse un angle mort récurrent dans la planification robotique industrielle : la plupart des approches existantes traitent soit l'incertitude probabiliste via les MDP classiques, soit les contraintes de ressources, rarement les deux ensemble. Dans les déploiements AMR (autonomous mobile robots) d'entrepôt, où une flotte doit honorer des missions tout en gérant niveaux de batterie et pannes imprévisibles, cette dualité est pourtant critique. Le cadre CMDPST offre aux intégrateurs une garantie formelle : la stratégie synthétisée ne laissera jamais un robot en panne sèche, même face à des perturbations non modélisées. C'est un argument solide pour des environnements industriels où l'interruption de service a un coût direct et mesurable.

Ce type de planification sous contraintes mixtes s'inscrit dans un corpus plus large incluant la vérification probabiliste de modèles (outils PRISM, Storm) et la planification formelle par MDP. Les acteurs de la logistique automatisée comme Exotec (France) ou Hai Robotics, dont les flottes AMR évoluent dans des environnements partiellement inconnus, sont directement concernés par ces avancées théoriques. Côté alternatives académiques, le reinforcement learning robuste et le model predictive control probabiliste existent, mais sans les garanties formelles d'épuisement de ressources que revendique cette approche. La prochaine étape attendue est une implémentation sur robot physique pour évaluer concrètement le gap sim-to-real.

Impact France/UE

Exotec (France) est explicitement citée comme acteur directement concerné par ces avancées théoriques, ses flottes AMR en entrepôt étant précisément le cas d'usage visé par les garanties formelles de non-épuisement des ressources du cadre CMDPST.

Dans nos dossiers

Exotec AMR & automatisation d'entrepôt arXiv cs.RO

À lire aussi

1arXiv cs.RO

Coordination multirobot pour la planification sous incertitude contextuelle

Un article de recherche publié sur arXiv (2603.13748v3, version révisée) s'attaque à un problème central pour les flottes de robots mobiles : comment agir efficacement quand la priorité des objectifs dépend d'un contexte opérationnel inconnu au départ. Les auteurs formalisent ce problème sous le nom de MR-CUSSP (Multi-Robot Context-Uncertain Stochastic Shortest Path), un cadre qui modélise la collecte d'informations contextuelles via des observations conjointes prises à des états repères ("landmark states"). Leur solution se décompose en deux étages : CIMOP (Coordinated Inference for Multi-Objective Planning), qui calcule des plans guidant les robots vers ces points informatifs pour inférer rapidement le contexte réel, puis LCBS (Lexicographic Conflict-Based Search), un planificateur multi-robot sans collision qui hiérarchise les objectifs selon l'ordre de préférence induit par ce contexte. L'équipe valide son approche sur trois domaines simulés, puis sur un déploiement physique impliquant cinq robots mobiles dans un scénario appelé "salp domain". L'enjeu pratique est réel pour tout opérateur de flottes robotiques évoluant dans des environnements où les règles du jeu changent selon la situation : un robot logistique en entrepôt, un AMR en usine ou un essaim d'exploration peut avoir des priorités radicalement différentes selon un contexte non observable directement (urgence, présence humaine, type de charge). Agir sur la base d'une hypothèse de contexte erronée peut produire un comportement mal aligné, voire dangereux. Ce travail illustre une tendance de fond en planification multi-robot : coupler explicitement l'inférence active (où aller pour lever l'incertitude) et l'optimisation lexicographique des tâches, plutôt que de traiter ces deux problèmes séparément. C'est un signal utile pour les équipes de recherche en coordination multi-agents, même si la validation physique reste limitée à cinq unités et un scénario contrôlé, loin d'un déploiement industriel à grande échelle. Ce travail s'inscrit dans la lignée des recherches sur la planification de chemins multi-robot sous contrainte (le "Conflict-Based Search" est une famille d'algorithmes bien établie dans ce domaine) et sur la prise de décision séquentielle dans l'incertitude (les Stochastic Shortest Path problems). La contribution spécifique ici est l'ajout d'une dimension de préférences lexicographiques dépendantes du contexte, une brique qui pourrait intéresser des acteurs académiques et industriels travaillant sur des flottes hétérogènes en environnement partiellement observable. Le fait qu'il s'agisse d'une version "replace" sur arXiv suggère un article déjà en révision, potentiellement en vue d'une soumission à une conférence de robotique majeure, sans qu'aucune date de publication définitive ne soit précisée.

RecherchePaper

1 source

2arXiv cs.RO

CONSORT : planification multi-robots sous contrainte d'incertitude pour la localisation coopérative en environnement privé de GPS

Des chercheurs proposent CONSORT (Cooperative Navigation with Support-Optimized Routing and Trajectories), une méthode de planification centralisée pour flottes de robots qui doivent se localiser mutuellement sans GPS. Le problème posé est le suivant: un agent principal doit atteindre un objectif en temps minimal, avec une contrainte probabiliste d'évitement de collision et une borne maximale sur l'incertitude de sa position à l'arrivée. Les autres agents servent de support de localisation. Le pipeline est hybride, du discret au continu: une recherche conjointe sur grille hexagonale pour tous les agents, puis un raffinement des trajectoires par splines. Sur 50 scénarios aléatoires, CONSORT résout 80 % des cas là où la meilleure méthode de référence en résout 54 %, pour une longueur de trajet comparable. En simulation marine, les plans exécutés sous contrôle par rétroaction, avec une estimation par graphe de facteurs développée indépendamment, restent sans collision, et l'incertitude terminale mesurée tombe à moins de 6 % de la valeur prédite par le planificateur. L'intérêt tient à la manière de contourner un verrou de calcul. Planifier en espace de croyance (belief space) pour plusieurs agents est généralement intractable, car l'incertitude de chaque robot dépend des mesures relatives aux autres, ce qui couple fortement toutes les dynamiques. Les travaux antérieurs approximent ces dynamiques ou limitent les interactions entre agents. Ici, l'optimisation porte uniquement sur les trajectoires moyennes de tous les agents, et la covariance n'est propagée que pour vérifier la contrainte terminale. Ce substitut garde le couplage entre agents tout en restant calculable. L'écart se creuse surtout quand la borne d'incertitude se resserre, c'est-à-dire dans les missions où la précision d'arrivée compte vraiment. Le résultat de 6 % d'écart entre prédiction et exécution est un indice utile de fidélité du modèle, avec une réserve: il vient de simulations, et le corpus de 50 scénarios aléatoires ne dit rien de la variété des environnements réels. Aucune validation sur matériel n'est annoncée. Ce travail s'inscrit dans la localisation coopérative, notamment pour les flottes sous-marines et de surface où le GPS est inutilisable et où la navigation à l'estime dérive. Les approches de référence reposent sur des approximations de la dynamique de croyance, des planifications découplées ou des restrictions de couplage, et la comparaison porte sur ce type de méthodes. Il s'agit d'une prépublication arXiv (v1), sans relecture par les pairs à ce stade. Les suites logiques sont le passage à l'échelle avec plus d'agents, des essais en conditions réelles avec des véhicules marins, et une intégration avec des estimateurs en ligne. Les domaines concernés vont de l'inspection sous-marine aux flottes de drones en intérieur ou en milieu souterrain, où l'on ne peut pas compter sur un positionnement satellitaire.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

3arXiv cs.RO

PO-PDDL : apprentissage de POMDP symboliques à partir de démonstrations visuelles pour la planification robotique sous incertitude

Des chercheurs ont proposé PO-PDDL (arXiv:2606.15654, juin 2026), une formulation symbolique des processus de décision markoviens partiellement observables (POMDP) pour la planification robotique en conditions réelles. Le système étend PDDL, standard de facto en planification symbolique depuis les années 1990, en y intégrant explicitement l'observabilité partielle, la stochasticité des actions et la gestion des croyances (beliefs). Un pipeline d'apprentissage reconstruit automatiquement les trajectoires d'état symbolique latentes à partir de vidéos d'exécution de robot réel, détecte les incohérences entre états inférés et observations visuelles pour localiser les zones d'incertitude perceptive, puis apprend les modèles de transition et d'observation stochastiques correspondants. Les domaines générés sont réutilisables entre tâches et permettent une planification en ligne dans l'espace des croyances. Testée sur des tâches de manipulation longue durée (long-horizon) en environnement physique réel, la méthode surpasse les approches existantes d'apprentissage de modèles PDDL et POMDP, avec un coût de planification significativement réduit. L'apport concret pour les intégrateurs robotiques est de supprimer l'effort d'ingénierie lié à la construction manuelle des modèles POMDP, traditionnellement l'un des verrous de la planification symbolique déployable. Apprendre depuis des vidéos de robots réels plutôt que depuis des simulateurs contourne partiellement le gap sim-to-real qui fragilise nombre d'approches d'apprentissage. La syntaxe PDDL préservée ouvre une voie d'intégration avec des LLM pour la spécification de tâches, un axe actif en recherche (voir LLM+P, ProgPrompt). Le fait que les domaines soient réutilisables et que la planification opère en temps réel sous incertitude perceptive et d'exécution représente un pas vers des architectures neuro-symboliques exploitables hors laboratoire. La planification symbolique butte depuis longtemps sur la difficulté de paramétrer les POMDP pour des environnements physiques réels. Des travaux antérieurs comme FAMA ou LOCM ont progressé sur l'apprentissage de modèles PDDL déterministes, sans traiter simultanément stochasticité et observabilité partielle depuis des observations visuelles brutes. PO-PDDL se positionne aussi face aux politiques de bout en bout (VLA, politiques de diffusion) qui absorbent l'incertitude dans le réseau sans la modéliser explicitement. La lisibilité et débuggabilité du formalisme symbolique restent un argument différenciant pour le déploiement industriel. Il s'agit pour l'instant d'un preprint non évalué par les pairs ; les prochaines étapes naturelles incluent l'évaluation sur des manipulations plus complexes et l'intégration dans des stacks open-source comme ROS 2.

RecherchePaper

1 source

4arXiv cs.RO

Planification de mouvement distribuée pour systèmes multi-robots sous contraintes topologiques

Des chercheurs proposent, dans un preprint arXiv (2610.10065), un contrôleur distribué fondé sur la commande prédictive (MPC, Model Predictive Control) pour exécuter des consignes de coordination multi-robots exprimées sous forme de tresses topologiques. Ces tresses décrivent de façon compacte et abstraite la relation qualitative souhaitée entre les trajectoires spatio-temporelles de plusieurs robots mobiles, par exemple qui passe devant ou derrière qui. Plutôt que de suivre directement la tresse, le contrôleur s'appuie sur les nombres d'enroulement (winding numbers), des invariants topologiques des tresses, comme variable de substitution. Cela transforme la spécification en fonction continue, facile à injecter comme terme du coût dans un MPC, et la décompose en spécifications par paires, traitables par de simples problèmes MPC locaux. Pour garder une cohérence globale, les robots estiment leur progression par consensus et synchronisent ainsi leurs mouvements. La validation porte sur des simulations et des expériences réelles. Le résumé annonce des gains en vitesse d'exécution et en effort de commande, sans fournir de chiffres. L'intérêt tient à un verrou concret de la robotique de flotte. Les approches existantes exécutent un générateur de tresse à la fois, ce qui ralentit les trajectoires et les rend sous-optimales. Pour un intégrateur qui gère des AMR dans un entrepôt, des convoyeurs mobiles ou des essaims de drones, cela se traduit par des croisements séquentiels, des temps d'attente et des consommations d'énergie évitables. Le caractère distribué compte tout autant: chaque robot ne résout qu'un problème local, sans planificateur central ni point de défaillance unique, ce qui favorise le passage à l'échelle. La méthode ne dit en revanche rien sur la taille des flottes testées, les latences de communication tolérées ni la robustesse aux pertes de liaison, des critères décisifs pour un déploiement industriel. Il s'agit de recherche académique, sans produit ni pilote annoncé, et les gains revendiqués ne sont pas chiffrés dans le résumé. Ce travail s'inscrit dans une lignée où la topologie sert à structurer la coordination multi-agents, par opposition aux planificateurs purement géométriques ou aux méthodes d'optimisation centralisées coûteuses quand le nombre de robots augmente. Les tresses offrent un langage de haut niveau pour spécifier des chorégraphies de robots, mais leur exécution distribuée restait le maillon faible. Cette proposition cherche à combler cet écart entre spécification abstraite et contrôle temps réel. Les suites logiques seraient des essais à plus grande échelle, avec des robots hétérogènes et des environnements encombrés, puis une comparaison directe avec les méthodes de planification multi-robots utilisées en logistique. Aucune échéance n'est communiquée.

RecherchePaper

1 source