IndustrielarXiv cs.RO 9 juin 2026

Modélisation par réseau de Petri et ordonnancement sans interblocage pour systèmes AGV hétérogènes attachables

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Une équipe de chercheurs a publié sur arXiv (identifiant 2508.00724) un cadre de planification sans interblocage pour des systèmes de véhicules autoguidés (AGV) hétérogènes et attachables, où des unités "porteuses" (carriers) et des "navettes" (shuttles) peuvent s'accoupler physiquement pour accomplir des tâches coopératives avant de se séparer à la demande. Ce mode d'opération introduit une difficulté computationnelle sévère : la synchronisation imposée par les couplages physiques rend la flotte fortement interdépendante et vulnérable aux interblocages (deadlocks), situations où aucun véhicule ne peut progresser parce que chacun attend qu'un autre se déplace. Pour y répondre, les auteurs proposent un modèle en réseau de Petri intégré dans un algorithme de recherche adaptative à grand voisinage (ALNS), capable de transformer des permutations statiques de tâches en processus collaboratifs dynamiques et de prévenir proactivement les interblocages par analyse structurelle.

L'intérêt industriel de ce travail tient à la combinaison de deux verrous : la planification de flottes hétérogènes (où les AGV ne sont pas interchangeables) et la gestion des deadlocks sans exploration exhaustive de l'espace d'états. Les expériences sur instances réelles et synthétiques montrent que l'ALNS proposé surpasse à la fois la politique opérationnelle actuellement déployée sur site, les solveurs exacts, et les métaheuristiques de référence, avec un gain significatif en efficacité computationnelle. Une analyse de sensibilité fournit par ailleurs des recommandations concrètes pour le dimensionnement optimal de la flotte, ce qui rend le cadre potentiellement actionnable pour des décideurs logistiques ou des intégrateurs industriels.

Ce travail s'inscrit dans un courant de recherche actif sur la coordination de flottes AMR et AGV hétérogènes, domaine où des acteurs comme Exotec en France (systèmes Skypod) ou Geek+ et Quicktron en Asie proposent des flottes spécialisées mais généralement homogènes. La thèse centrale du papier reste à confronter à des déploiements industriels à grande échelle : les instances "réelles" mentionnées dans le résumé ne sont pas quantifiées en termes de nombre d'AGV ou de volume de tâches traités, ce qui limite la portée immédiate des conclusions. Les extensions naturelles incluent l'intégration de contraintes de recharge, la gestion de topologies dynamiques, et la validation sur des benchmarks standardisés du secteur AMR.

Impact France/UE

Le cadre proposé pourrait à terme informer la conception de flottes AGV hétérogènes chez des acteurs européens de la logistique robotisée comme Exotec, dont les systèmes Skypod actuels restent homogènes.

Dans nos dossiers

Exotec arXiv cs.RO

À lire aussi

1arXiv cs.RO

SOAR : optimisation conjointe en temps réel pour l'allocation des commandes et l'ordonnancement des robots mobiles

Des chercheurs, en collaboration avec Geekplus, ont publié SOAR (Simultaneous Order Allocation and Robot Scheduling), un framework d'apprentissage par renforcement profond conçu pour optimiser en temps réel la coordination des robots dans les systèmes de préparation de commandes automatisés (RMFS, Robotic Mobile Fulfillment Systems). Déposé sur arXiv en mai 2026 (arXiv:2605.03842), le système unifie deux sous-problèmes classiquement découplés, l'allocation des commandes et la planification des robots mobiles, en un seul agent décisionnel. Sur des données industrielles réelles fournies par Geekplus, SOAR réduit le makespan global de 7,5 % et le temps moyen de complétion des commandes de 15,4 %, avec une latence de décision inférieure à 100 ms. La viabilité du système a été confirmée par un déploiement en environnement de production via une procédure sim-to-real. Techniquement, le problème est formulé comme un processus de décision de Markov piloté par événements (Event-Driven MDP), où l'agent réagit à des événements asynchrones (fin de tâche, arrivée de commande) grâce à un Heterogeneous Graph Transformer encodant l'état de l'entrepôt, complété par une stratégie de reward shaping pour gérer la rareté du signal de récompense sur les longues séquences. Les RMFS équipent aujourd'hui les grands centres logistiques : des flottes de robots mobiles (AMR) transportent des étagères entières vers des postes de picking humains ou automatisés. Le goulot d'étranglement traditionnel vient du couplage fort entre allocation et ordonnancement : les approches décomposées sacrifient l'optimalité globale pour garantir la réactivité, tandis que les modèles d'optimisation classiques comme les MILP ou CP-SAT sont trop lents pour des environnements à haute cadence. SOAR casse ce compromis en prouvant qu'un agent de deep RL peut raisonner globalement tout en répondant en moins de 100 ms, ce qui constituait un verrou industriel reconnu. Plus significatif encore, la validation sim-to-real en conditions de production distingue ce travail de la majorité des publications académiques qui restent cantonnées à la simulation. Geekplus, fondé en 2015 à Pékin, est l'un des leaders mondiaux des AMR pour la logistique d'entrepôt, avec des déploiements dans plus de 40 pays chez des clients comme Decathlon et JD.com. Sa participation directe à cette recherche signale une intégration croissante entre laboratoires académiques et industriels pour raccourcir le cycle lab-to-production. Sur le marché, Geekplus concurrence Hai Robotics et AutoStore, mais aussi en Europe des acteurs comme Exotec (France), dont le système Skypod adresse des problèmes similaires de coordination multi-robots à grande échelle. SOAR s'inscrit dans un corpus actif de travaux sur le RL multi-agent pour la planification en entrepôt, mais se distingue par son approche unifiée et son ancrage en production confirmé. Le code est disponible en open source sur GitHub, ce qui devrait faciliter son adaptation à d'autres architectures RMFS.

UELe code open-source SOAR, validé en production chez des clients de Geekplus dont Decathlon, constitue une référence technique directe pour Exotec et les intégrateurs AMR européens confrontés aux mêmes problèmes de coordination multi-robots à grande échelle.

IndustrielPaper

1 source

2arXiv cs.RO

De la planification en temps réel à l'exécution fiable : une coordination évolutive pour des flottes hétérogènes de robots en environnement industriel

Traduction demandée : je rédige directement l'article en français selon les consignes éditoriales. Une équipe de recherche présente SCALE, un framework de coordination réactive en temps réel pour flottes de robots hétérogènes en environnement industriel, détaillé dans un article publié le 2 juillet 2026 sur arXiv (2607.00591v1). Le système s'attaque à un problème concret : quand plusieurs robots aux capacités de mouvement différentes évoluent à forte densité dans un même espace, les délais de communication et les aléas d'exécution font dévier les trajectoires des hypothèses temporelles calculées en amont, ce qui provoque des attentes en cascade et des embouteillages qui se propagent dans toute la flotte. Pour y remédier, les chercheurs introduisent un mécanisme de réduction des conflits induits par le mouvement, permettant de générer en ligne des trajectoires réalisables, ainsi qu'un hypergraphe de précédence conjuguée généralisé (CAPH) qui réajuste dynamiquement l'ordre de passage entre robots face aux perturbations. Le dispositif a été validé par des expérimentations poussées et un déploiement de trois jours en conditions réelles dans un entrepôt. Cette approche s'attaque directement à un angle mort classique de la robotique de flotte : la plupart des systèmes de planification multi-robots fonctionnent bien en simulation ou sur petits échantillons, mais s'effondrent dès que la densité de robots augmente ou que des retards de communication s'accumulent dans un entrepôt réel. En proposant un mécanisme réactif capable d'ajuster les priorités de passage à la volée plutôt que de recalculer un plan global, SCALE vise le compromis que cherchent les intégrateurs logistiques : maintenir un temps de cycle stable sans multiplier les arrêts et les blocages quand la flotte grossit ou se diversifie en types de robots (AMR, bras manipulateurs, etc.). Le sujet s'inscrit dans une littérature de recherche active sur la coordination multi-agents en environnement partagé, où les hypergraphes de précédence et les méthodes de résolution de conflits en ligne remplacent progressivement les approches de planification centralisée jugées trop rigides face aux flottes hétérogènes en croissance rapide dans l'e-commerce et l'industrie manufacturière. Le passage d'une validation en laboratoire à un déploiement réel de plusieurs jours en entrepôt reste l'étape la plus significative de ce travail, même si l'abstract ne détaille pas encore les métriques précises de réduction des temps d'attente obtenues sur site.

IndustrielPaper

1 source

3Robotics & Automation News

GreyOrange lance un simulateur d'entrepôt par IA pour modéliser les performances et les coûts de l'automatisation

GreyOrange a lancé GreyMatter Foundry, une plateforme de simulation d'entrepôts destinée aux opérateurs logistiques souhaitant modéliser des déploiements d'automatisation avant tout engagement sur site. L'outil regroupe dans un environnement unique la conception des flux d'entrepôt, la planification des layouts et le dimensionnement des systèmes d'automatisation. Il supporte la modélisation de flottes hétérogènes de robots, permettant ainsi d'estimer les coûts opérationnels et de prédire les performances système en amont de l'implémentation physique. Aucun chiffre précis sur les temps de cycle, les volumes traités ou les tarifs de la plateforme n'a été communiqué lors de cette annonce. Pour les intégrateurs et les directeurs logistiques, ce type d'outil répond à un problème récurrent : les déploiements d'AMR (autonomous mobile robots) en environnement réel génèrent des coûts d'ajustement post-installation significatifs lorsque le dimensionnement initial est mal calibré. Un simulateur intégré au même écosystème logiciel que l'orchestration des robots réduit théoriquement le gap entre conception et exploitation, à condition que les modèles physiques sous-jacents soient suffisamment fidèles, ce que GreyOrange n'a pas encore documenté publiquement. GreyOrange, fondée en 2011 et dont le siège est à Atlanta, s'est imposée dans la logistique automatisée via sa suite GreyMatter d'orchestration multi-robots et ses robots Ranger. La société concurrence des acteurs comme Symbotic, Locus Robotics, et, dans l'espace simulation, des plateformes spécialisées comme Anylogic ou les outils intégrés de Dematic. GreyMatter Foundry s'inscrit dans une tendance plus large du secteur à proposer des jumeaux numériques pré-déploiement, une approche que Honeywell Intelligrated et KION Group ont également développée ces deux dernières années.

IndustrielOpinion

1 source

4arXiv cs.RO

Un cadre d'apprentissage par renforcement neuromorphique pour la planification de chemin efficace dans les systèmes robotisés de préparation de commandes

Une équipe de chercheurs a publié sur arXiv (référence 2606.20031) le framework SDQN-RMFS, une chaîne de traitement complète qui associe apprentissage par renforcement et calcul neuromorphique pour la navigation de robots mobiles dans les systèmes d'exécution d'entrepôts (RMFS, Robotic Mobile Fulfillment Systems). Le pipeline fonctionne en deux temps : une politique est d'abord entraînée sur un réseau de neurones artificiel (ANN) classique, en pleine précision, via une stratégie d'entraînement autorisant les collisions afin de densifier les trajectoires informatives. Elle est ensuite convertie en réseau de neurones impulsionnels (SNN, Spiking Neural Network) grâce à une distillation de connaissance à labels durs (hard-label knowledge distillation), technique qui compense le décalage de distribution entre les deux architectures. Déployé sur puce neuromorphique, le système atteint jusqu'à 11 281 fois d'économies d'énergie par rapport à une baseline GPU haute performance, avec une réduction de latence de près de 2×, sans dégradation mesurable de la qualité de décision. Ces résultats sont significatifs pour quiconque opère un entrepôt automatisé à grande échelle : l'énergie consommée par les unités de calcul embarquées constitue un poste de coût non négligeable dès que la flotte dépasse quelques centaines d'AMR (autonomous mobile robots). La contribution technique principale est de démontrer, sur matériel réel et non en simulation, qu'une politique RL peut survivre à la conversion ANN-vers-SNN sans effondrement de performance, un point de friction longtemps considéré comme rédhibitoire pour le déploiement neuromorphique industriel. Le travail valide également l'approche sim-to-real dans un contexte d'entrepôt dense et dynamique, là où les méthodes classiques de planification de chemin (A*, règles heuristiques) peinent à répondre en temps réel sous contrainte de ressources. Les RMFS sont au coeur des entrepôts d'Amazon Robotics (issu de l'acquisition de Kiva Systems), de Geek+ ou d'Hai Robotics, mais aussi du français Exotec, dont le système Skypod mobilise des flottes de plusieurs milliers de robots. Le calcul neuromorphique mobilise des acteurs comme Intel (puce Loihi 2) et des laboratoires académiques européens autour de BrainScaleS. Ce preprint n'a pas encore été soumis à révision par les pairs, et les conditions exactes des expériences matérielles (type de puce, taille de l'entrepôt simulé, densité de flotte) mériteraient d'être précisées avant tout benchmark concurrentiel. Les prochaines étapes logiques seraient un pilote en entrepôt réel et une évaluation sur flottes hétérogènes.

UEExotec (Skypod) et les laboratoires européens autour de BrainScaleS sont directement concernés par cette avancée en calcul neuromorphique qui pourrait réduire drastiquement les coûts énergétiques des flottes AMR à grande échelle.

IndustrielOpinion

1 source