RecherchearXiv cs.RO 14 mai 2026

Follow-Bench : un benchmark unifié de planification de mouvement pour la poursuite sociale de personnes par robot

1 source couvre ce sujet·Source originale ↗·

Compilé et résumé par IA · sources vérifiables en un clic · publié sans lecture humaine préalable · méthodologie

Résumé IASource unique

Une équipe de chercheurs a publié sur arXiv (référence arXiv:2509.10796v4) Follow-Bench, le premier benchmark unifié consacré au "robot person following" (RPF), c'est-à-dire des robots mobiles capables de suivre et d'assister une personne cible dans un environnement peuplé. L'étude couvre les scénarios représentatifs identifiés dans la littérature (assistance personnelle, patrouille de sécurité, aide aux personnes âgées, logistique), propose un environnement de simulation standardisé reproduisant des configurations variées comme des trajectoires cibles multiples, des dynamiques de foule et des agencements spatiaux différents, et réimplémente huit planificateurs de mouvement RPF issus de travaux existants dans ce cadre commun. Les deux planificateurs les plus performants en simulation ont ensuite été déployés sur un robot réel à entraînement différentiel pour valider les résultats en conditions concrètes.

L'absence d'un benchmark partagé rendait jusqu'ici toute comparaison rigoureuse entre méthodes RPF quasiment impossible : chaque équipe évaluait ses planificateurs sur ses propres scénarios avec ses propres métriques, rendant les comparaisons inter-équipes peu fiables. Follow-Bench comble ce vide en standardisant simultanément les scénarios, les métriques de sécurité et de confort, et les planificateurs de référence. Le résultat le plus instructif est la quantification du compromis sécurité-confort : les expériences montrent qu'optimiser la distance de sécurité vis-à-vis des piétons tend à dégrader le confort de la personne suivie, et inversement. Cette tension, souvent évoquée qualitativement dans la littérature, dispose désormais d'une base quantitative reproductible. Pour les intégrateurs travaillant sur des robots d'assistance ou de logistique en milieu humain, cela fournit enfin un cadre commun pour comparer des solutions et cibler des axes d'amélioration précis.

Le RPF s'inscrit dans le domaine plus large de la navigation socialement acceptable (social robot navigation), en expansion rapide sous l'effet du vieillissement démographique et de la croissance des entrepôts automatisés. Des plateformes comme celles de Labrador Systems, Ohmni Labs ou certains AMR de Boston Dynamics intègrent des capacités de suivi de personne, mais sans référentiel objectif partagé. Follow-Bench ne livre pas de solution clé en main : les auteurs identifient des défis ouverts non résolus, notamment la robustesse en foule dense et la gestion des occlusions prolongées, qui restent des freins au déploiement industriel à grande échelle.

Dans nos dossiers

Boston Dynamics arXiv cs.RO

À lire aussi

1arXiv cs.RO

Optimisation par contact pour la planification de mouvements sans collision de un million de robots

Une équipe de chercheurs publie sur arXiv un algorithme de planification de trajectoires pour flottes de robots, baptisé SCI (sequential contact insertion), capable de calculer des trajectoires sans collision pour un million de robots en quelques minutes. Pour des flottes de plusieurs milliers d'unités, le calcul prend une fraction de seconde. Le problème traité est classique: chaque robot est modélisé par une dynamique de double intégrateur (les contrôleurs bas niveau gèrent la physique réelle à l'exécution), avec un objectif d'énergie minimale, des contraintes d'évitement de collision et des bornes sur la position, la vitesse et l'accélération. Sur les cas que la méthode de référence, une programmation convexe séquentielle (SCP) sur grille temporelle fixe, parvient à résoudre, SCI affiche des accélérations médianes de plusieurs ordres de grandeur à précision de solution équivalente. Il s'agit d'un résultat numérique de recherche, sans essai sur matériel ni déploiement annoncé. La difficulté tient aux contraintes de séparation, qui couplent les trajectoires entre elles et rendent le problème non convexe. Les approches usuelles discrétisent et optimisent des trajectoires entières, ce qui devient très coûteux quand la flotte grossit. SCI exploite la structure des trajectoires optimales: celles-ci s'organisent autour de contacts, instants où deux robots atteignent la distance minimale autorisée. L'algorithme part de trajectoires sans contraintes, insère un contact à chaque violation de séparation, puis ajuste conjointement les temps et les états de ces contacts via un système algébrique couplé. Entre deux contacts, les trajectoires sont reconstruites analytiquement, sans discrétisation. L'intérêt pour l'industrie est surtout le passage à l'échelle. Les spectacles de drones, la logistique d'entrepôt ou les opérations autonomes terrestres, aériennes et maritimes manquent d'outils centralisés capables de replanifier de très grandes flottes en temps quasi réel. Si les gains se confirment, un planificateur central redevient envisageable là où l'on contournait le problème par des méthodes décentralisées ou heuristiques, au prix d'optimalité. Des réserves s'imposent toutefois: la comparaison porte sur une seule méthode de référence et uniquement sur les problèmes que celle-ci sait traiter. Le modèle idéalisé (double intégrateur, communication parfaite, absence d'incertitude de perception) laisse ouvert l'écart avec des flottes réelles, où retards, perturbations et dynamiques non modélisées pèsent lourd. Aucune validation sur robots physiques n'est rapportée. Ce travail s'inscrit dans la lignée de la planification multi-agents, où dominent l'optimisation convexe séquentielle, le MAPF discret et les approches par contrôle prédictif distribué. Il vise un point faible de ces familles: le coût qui croît avec la longueur des trajectoires et le nombre d'agents. La suite logique serait d'étendre la méthode à des dynamiques plus réalistes, à des environnements avec obstacles et à des tests sur matériel. À ce stade, c'est une préimpression non évaluée par les pairs.

RecherchePaper

1 source

2arXiv cs.RO

Arbres de fibration : une approche unifiée pour la planification de mouvement multi-robots

Une équipe de chercheurs a publié le 11 juin 2026 sur arXiv (2606.12070) un framework mathématique baptisé "fibration trees" visant à unifier les méthodes de planification de mouvement pour des équipes de robots multiples. Le système repose sur une structure en arbre où chaque noeud représente un espace d'états et chaque arête une fibration, c'est-à-dire une projection d'un espace de haute dimension vers un espace simplifié de dimension inférieure. Sur cette base formelle, les chercheurs ont développé un planificateur d'échantillonnage appelé Fibration-RRT (Rapidly-Exploring Random Fibration Trees), validé sur 32 scénarios impliquant des équipes de robots atteignant jusqu'à 96 degrés de liberté (DOF). L'implémentation est publiée en open source, et le planificateur est prouvé probabilistiquement complet. L'enjeu est la fameuse "malédiction de la dimensionnalité" : dès que l'on coordonne plusieurs robots, l'espace de configuration combiné explose exponentiellement, rendant la planification classique intractable. Les approches existantes répondaient à ce problème soit par la priorisation séquentielle (planifier les robots un par un), soit par la décomposition parallèle (sous-espaces indépendants), soit par des projections dans l'espace des tâches, mais sans framework commun capable de combiner ces stratégies. Fibration-RRT généralise à la fois le quotient-space RRT et le discrete RRT sous un formalisme unique, ce qui permet en théorie à un intégrateur de définir sa propre structure d'arbre selon la topologie du problème plutôt que de choisir entre des outils incompatibles. La robustesse sur 96 DOF est un signal technique solide, même si l'article ne fournit pas de comparaison de temps de cycle sur des benchmarks standardisés industrie. La planification de mouvement multi-robot est un domaine mature sur le plan académique, porté depuis la fin des années 1990 par les algorithmes RRT de Steven LaValle et leurs variantes (RRT*, BiRRT, quotient-space RRT de Orthey et al.). Le besoin d'unification se fait sentir à mesure que les déploiements AMR (autonomous mobile robots) et les cellules robotisées industrielles complexifient les interdépendances entre agents. Aucun acteur industriel n'est mentionné dans ce préprint, qui reste pour l'instant une contribution théorique. Les prochaines étapes naturelles seraient une validation sur des plateformes physiques et une intégration dans des middlewares standards comme ROS 2 MoveIt, qui constitue aujourd'hui la référence dans les projets d'intégration multi-bras.

RecherchePaper

1 source

3arXiv cs.RO

Modélisation par diffusion optimale pour la planification de mouvement multi-robots

Des chercheurs présentent MDOC (Model-Based Diffusion Optimal Control), un planificateur de trajectoires pour flottes multi-robots fondé sur la diffusion, décrit dans un preprint publié sur arXiv (2607.12423). Contrairement aux approches récentes qui traitent la planification de trajectoires comme un problème d'inférence probabiliste et apprennent leurs fonctions de score à partir de larges jeux de données de démonstration, MDOC s'appuie directement sur des modèles de dynamique connus, sans données d'entraînement. Sa mécanique de sécurité combine ces modèles avec des projections contraintes par des Control Barrier Functions (CBF), et le système passe à l'échelle multi-robots grâce à la méthode de Conflict-Based Search (CBS), qui résout les conflits de trajectoires entre agents de façon hiérarchique. Les auteurs rapportent, en simulation, de meilleures performances que des planificateurs de référence en termes d'efficacité d'échantillonnage, de fluidité géométrique des trajectoires et de taux de réussite, tout en réduisant le temps de calcul et en garantissant des trajectoires sans collision. L'enjeu dépasse l'exercice académique : la planification de mouvement multi-robots en environnement continu se heurte à une explosion combinatoire de l'espace des trajectoires conjointes, et les méthodes par diffusion existantes peinent à garantir rigoureusement la faisabilité dynamique et les contraintes de sécurité strictes lors de l'échantillonnage. En s'affranchissant de la dépendance aux données de démonstration tout en conservant des garanties formelles de sécurité, MDOC répond à un frein réel à l'adoption industrielle de ces techniques pour des flottes d'AMR ou de robots collaboratifs, où l'absence de collision n'est pas négociable. Le travail s'inscrit dans la lignée des approches récentes qui recadrent la planification de trajectoires comme un problème d'inférence par diffusion, en s'en distinguant par son caractère "model-based" plutôt que piloté par les données. Il se positionne aussi comme une alternative aux méthodes classiques d'optimisation de trajectoire et de recherche multi-agents. À ce stade, les résultats restent limités à des expériences en simulation ; aucun déploiement sur robots physiques n'est mentionné, ce qui en fait une contribution méthodologique à confirmer avant tout usage en conditions réelles.

RecherchePaper

1 source

4arXiv cs.RO

FPTAS pour la planification de mouvement de robots multiples polygonaux

Des chercheurs publient sur arXiv (référence 2610.20244, version 1) les premiers schémas d'approximation entièrement polynomiaux (FPTAS) pour la planification de mouvement multi-robots en environnement polygonal. Le cadre est le suivant : un domaine polygonal à n sommets, k robots en translation, chacun modélisé par un polygone de complexité constante, une configuration de départ et une configuration d'arrivée. Il s'agit de trouver un plan sans collision, minimal selon une fonction de coût. L'algorithme couvre trois objectifs, pour tout nombre fixe k de robots : min-sum (distance totale parcourue par l'ensemble des robots), min-max (distance maximale parcourue par un robot) et min-makespan (durée totale, avec une vitesse maximale de 1). Il se généralise à toute dimension fixe d, avec environnement et robots polytopiques. Il s'agit d'un résultat théorique : ni prototype, ni benchmark, ni déploiement n'est annoncé. L'apport est surtout conceptuel, mais il comble un vrai vide. Jusqu'ici, on savait garantir une solution proche de l'optimum seulement dans des cas restreints. Cela clôt une question ouverte posée dans deux articles du SODA : Agarwal, Halperin, Sharir et Steiger (SODA'24) avaient obtenu un FPTAS pour k=2 robots carrés unitaires, et Agarwal, Holmgren et Steiger (SODA'26) un algorithme bicritère pour k fixe de carrés ou disques unitaires. Un FPTAS permet de s'approcher de l'optimum avec une erreur arbitraire, pour un temps de calcul polynomial en 1/ε. Les auteurs affirment aussi que leur méthode est nettement plus simple que les précédentes, ce qui est un atout pour toute future implémentation. Il faut toutefois rester prudent : la complexité dépend de façon exponentielle de k, et la planification multi-robots à k fixe reste très éloignée des flottes de dizaines ou centaines d'AMR d'un entrepôt. Les intégrateurs n'en tireront donc rien à court terme, mais la communauté dispose d'une référence solide pour les petits groupes de robots à géométrie arbitraire, par exemple deux bras ou deux robots mobiles en espace très contraint. Ce travail prolonge la lignée de la géométrie algorithmique sur le problème du « piano mover » et de ses variantes multi-robots, dont on sait la difficulté croissante avec le nombre de robots. Les résultats exacts sont coûteux, d'où l'intérêt des schémas d'approximation. En pratique, l'industrie utilise surtout des planificateurs par échantillonnage (RRT, PRM) ou des méthodes de recherche multi-agents (CBS, MAPF), efficaces mais sans garantie d'optimalité approchée. Le prochain jalon logique serait une implémentation et une évaluation expérimentale, ainsi que la réduction de la dépendance en k. Le preprint n'est pas encore relu par les pairs.

RecherchePaper

1 source