RecherchearXiv cs.RO 24 juin 2026

Attribution de tâches multiples à bundle variable avec estimation sélective des coûts pour les systèmes multi-agents

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Une équipe de chercheurs a publié le 24 juin 2026 sur arXiv (arXiv:2606.24462) un framework distribué pour l'allocation réactive de tâches dans les systèmes multi-robots. L'approche repose sur des enchères combinatoires à deux niveaux de fidélité : chaque robot explore localement l'espace des bundles de tâches via un arbre de recherche guidé par une heuristique légère (distance euclidienne), puis applique une planification de chemin haute-fidélité uniquement aux candidats les plus prometteurs, selon une stratégie best-first. Les offres raffinées sont ensuite soumises à un coordinateur central qui résout un problème de set packing pour garantir la faisabilité globale et maximiser l'utilité collective. Des simulations dans plusieurs environnements confirment que le framework améliore les performances par rapport aux enchères combinatoires conventionnelles, avec des tailles de bundles variables et sans exposer l'état interne des agents.

L'obstacle que ce travail attaque est bien connu dans les flottes de robots mobiles autonomes (AMR) : les enchères combinatoires garantissent des allocations efficaces, mais la génération exhaustive de bundles croît exponentiellement avec le nombre de tâches et d'agents, rendant la méthode inutilisable en temps réel dès que la planification de chemin précise est nécessaire pour valider les coûts. Le découplage en deux étapes - exploration rapide bas-fidélité, raffinement sélectif haute-fidélité - permet de conserver les garanties théoriques tout en restant tractable pour des réallocations dynamiques en cours d'opération. Pour les intégrateurs de flottes industrielles, cela ouvre une voie concrète vers des systèmes capables de gérer des arrivées de tâches imprévues sans replanification globale, et sans exposer les modèles de coût propriétaires des agents - un point de confidentialité non négligeable dans des environnements multi-opérateurs.

L'allocation multi-robot de tâches est un problème de recherche opérationnelle actif depuis les années 2000, avec des références comme le CBBA (Consensus-Based Bundle Algorithm) ou les approches de marché distribué. La complexité combinatoire reste le principal frein à la commercialisation d'un ordonnancement véritablement dynamique pour les flottes d'entrepôt, secteur où des acteurs comme Exotec (France), 6 River Systems ou Locus Robotics opèrent avec des systèmes souvent limités en réactivité. Ce papier reste toutefois au stade simulation : aucune validation sur robots physiques n'est rapportée, laissant le gap sim-to-real non résolu. Les suites naturelles incluraient des tests sur flottes réelles, la gestion des pannes d'agents en cours d'exécution, et l'extension à des environnements partiellement observables.

Impact France/UE

Exotec (France), acteur majeur des flottes AMR d'entrepôt, est citée comme bénéficiaire potentiel de ce framework pour la réallocation dynamique de tâches, mais l'absence de validation sur robots physiques limite l'impact concret à court terme.

Dans nos dossiers

Exotec arXiv cs.RO

À lire aussi

1arXiv cs.RO

AssemPlanner : un cadre de planification de tâches multi-agents pour les systèmes d'assemblage flexibles

Une équipe de chercheurs a publié le 12 mai 2026 sur arXiv (référence 2605.08831) un framework de planification de tâches pour systèmes d'assemblage flexibles baptisé AssemPlanner. Le système prend en entrée des descriptions de tâches en langage naturel et les convertit automatiquement en séquences d'opérations de production exécutables. Son architecture repose sur plusieurs agents spécialisés : SchedAgent, qui joue le rôle de moteur de raisonnement central, KnowledgeAgent, chargé de fournir les connaissances métier, LineBalanceAgent, responsable de l'équilibrage des lignes, ainsi qu'un graphe de scène représentant l'état physique de l'environnement. Le code source et les jeux de données sont publiés en accès libre sur GitHub, ce qui facilite la reproductibilité des résultats. L'intérêt industriel de cette approche réside dans la réduction du temps de reconfiguration d'une ligne d'assemblage lors du passage à un nouveau produit. Dans les systèmes actuels, cette phase mobilise plusieurs experts pendant des périodes significatives, ce qui constitue un frein majeur à la flexibilité de la production. En substituant une interface en langage naturel à la configuration manuelle, AssemPlanner vise à abaisser la barrière d'entrée pour les intégrateurs et les responsables de production. Le recours à l'approche ReAct (Reasoning + Acting) permet à SchedAgent d'ajuster dynamiquement ses décisions en fonction des retours des autres agents, contrairement aux pipelines statiques traditionnels qui nécessitent une reprogrammation explicite dès que les contraintes du procédé changent. Cela pourrait réduire concrètement les délais de mise en production pour les PME industrielles et les intégrateurs spécialisés en automatisation. AssemPlanner s'inscrit dans la dynamique plus large des systèmes multi-agents LLM appliqués à l'automatisation industrielle, un champ en expansion rapide depuis 2023. L'architecture ReAct, introduite par des chercheurs de Google et Princeton en 2022, est ici transposée dans un contexte de manufacturing réel plutôt que symbolique. Les approches concurrentes incluent les systèmes experts classiques, la planification par jumeaux numériques, et des frameworks comme TaskMatrix ou AutoGen adaptés à des verticaux industriels. Il convient de souligner que le papier reste une contribution académique : aucun déploiement en environnement de production réel n'est documenté à ce stade, et les performances annoncées devront être validées hors contexte contrôlé.

RechercheActu

1 source

2arXiv cs.RO

Filtrage de Kalman invariant pour l'estimation de pose étendue dans les systèmes articulés à corps rigides multi-IMU

Une équipe de chercheurs a publié en juin 2026 sur arXiv (réf. 2606.25083) une nouvelle méthode d'estimation de pose étendue pour les systèmes articulés multi-IMU. Leur contribution centrale est l'"IterIEKF" (iterated Invariant Extended Kalman Filter), construit autour d'une nouvelle représentation mathématique baptisée "relative L-extended pose", définie sur un groupe de Lie adapté aux arbres cinématiques. Chaque corps rigide est équipé d'une IMU indépendante, et les contraintes articulaires sont intégrées comme pseudo-mesures sans bruit dans le filtre. Validé sur un bras robotique UR5e (Universal Robots) et un modèle de jambe humaine instrumentée, l'IterIEKF réduit l'erreur quadratique moyenne (RMSE) d'au moins 50 % par rapport au second meilleur filtre testé, toutes configurations confondues, avec une convergence plus rapide et une variabilité run-to-run sensiblement moindre. L'importance de ce résultat tient à un verrou longtemps ouvert : l'IEKF standard, développé pour garantir convergence et cohérence sous inobservabilité, était limité à un seul corps rigide. Le couplage de pose entre segments articulés rendait son extension non triviale, et exprimer des contraintes cinématiques dans le cadre invariant restait un problème sans solution propre. En levant ce verrou, les auteurs ouvrent la voie à des estimateurs embarqués fiables pour les bras industriels, les jambes d'humanoïdes, et les exosquelettes médicaux, sans recourir à des caméras extérieures ni à un référentiel absolu. Pour les intégrateurs B2B, cela signifie potentiellement une localisation proprioceptive robuste sur des robots déployés en environnement non structuré. L'IEKF invariant a été formalisé au milieu des années 2010 par Axel Barrau et Silvère Bonnabel (MINES ParisTech / INRIA), et constitue depuis un axe actif de la communauté française de robotique et de traitement du signal. Cette extension aux systèmes articulés s'inscrit directement dans cet héritage. Du côté applicatif, des acteurs comme Wandercraft (exosquelettes de marche, Paris) ou les équipes du LAAS-CNRS travaillant sur la locomotion humanoïde sont des utilisateurs naturels de tels estimateurs. La prochaine étape logique est une implémentation temps réel embarquée sur processeur contraint, ainsi qu'une validation sur des humanoïdes complets, où le nombre de corps et la dynamique de contact posent des défis supplémentaires non couverts par ce travail.

UECette extension de l'IEKF, cadre mathématique formalisé à MINES ParisTech/INRIA, ouvre une voie directe vers des estimateurs proprioceptifs embarqués pour des acteurs français comme Wandercraft (exosquelettes) et les équipes locomotion du LAAS-CNRS.

RecherchePaper

1 source

3arXiv cs.RO

Le coût d'évaluation de la spécialisation des tâches dans les systèmes multi-robots évolutionnaires

Une équipe de chercheurs publie sur arXiv (réf. 2606.24191, juin 2026) une analyse coût-bénéfice de l'optimisation évolutionnaire appliquée aux systèmes multi-robots (MRS). Le scénario de référence est le "foraging", une tâche de collecte distribuée simulée dans un environnement physique numérique. Le problème central tient à la répartition du budget d'évaluation : faire émerger des contrôleurs spécialisés par sous-tâche oblige à fragmenter les itérations de simulation, tandis qu'un contrôleur généraliste bénéficie de la totalité du budget pour s'optimiser. Les chercheurs mesurent à partir de quelle taille de flotte les spécialistes finissent par surpasser les généralistes malgré ce handicap budgétaire. Résultat principal : plus la flotte est grande, plus le budget total nécessaire pour que la spécialisation devienne avantageuse diminue, ce qui plaide pour des architectures différenciées dans les grands déploiements. Cette conclusion a une portée concrète pour les intégrateurs de solutions multi-robots en logistique, agriculture ou industrie manufacturière, où les flottes comptent couramment plusieurs dizaines voire centaines d'unités. Elle quantifie formellement un arbitrage jusqu'ici guidé par l'intuition : la division du travail robotique devient économiquement justifiée à l'échelle, et les coûts de simulation pour concevoir des agents spécialisés se réduisent à mesure que la flotte grandit. Le résultat nuance aussi un dogme dominant du swarm robotics, qui favorise l'homogénéité pour des raisons de résilience et de maintenabilité. À noter que la publication ne fournit pas encore de seuil de taille de flotte chiffré précis ni de comparaison quantitative entre architectures, réserves habituelles d'un preprint arXiv en attente de peer review. La spécialisation par évolution computationnelle dans les MRS s'appuie sur deux décennies de recherche en systèmes bio-inspirés, des travaux fondateurs de Marco Dorigo sur les essaims jusqu'aux approches modernes couplant algorithmes génétiques et apprentissage par renforcement. En parallèle, les acteurs industriels comme Exotec (AMR d'entrepôt, France) ou 6 River Systems allouent des rôles différenciés à leurs flottes par règles expertes ou RL centralisé, sans recourir à l'évolution simulée. Ce travail renforce la légitimité de l'approche évolutionnaire pour les grandes flottes hétérogènes et apporte un cadre analytique là où les ingénieurs arbitrent aujourd'hui à l'intuition. Les suites attendues incluent une validation sur robots physiques, l'extension à des architectures de tâches plus complexes que le foraging binaire, et une évaluation sur des flottes de taille industrielle réelle.

UELes intégrateurs européens de flottes multi-robots (logistique, industrie manufacturière) disposent d'un cadre analytique formel pour justifier une architecture spécialisée à grande échelle, Exotec, acteur français des AMR d'entrepôt, étant cité comme exemple industriel directement concerné.

RecherchePaper

1 source

4arXiv cs.RO

STEP : estimation et planification des tâches sensibles à l'état avec des LLM multimodaux pour la collaboration homme-robot

Des chercheurs présentent STEP (State-aware Task Estimator and Planner), un système publié le 27 août 2026 sur arXiv (arXiv:2608.27225v1) qui vise à améliorer la planification de tâches par des robots collaboratifs en environnement industriel. Le constat de départ est que les modèles de langage multimodaux (MM-LLM) récemment utilisés pour interpréter les actions humaines et générer des plans d'action en langage naturel, via apprentissage en contexte dans des scénarios pauvres en données, souffrent de deux défauts majeurs : ils ne suivent pas l'état réel du système ni ses transitions, ce qui produit des actions hallucinées s'écartant de l'objectif visé, et leurs plans restent formulés à un niveau trop abstrait, créant de l'ambiguïté au moment de l'exécution. STEP corrige cela en forçant le MM-LLM à estimer explicitement l'état du système et à prédire les transitions d'état résultant de chaque action exécutée, en plus de générer les actions elles-mêmes. Cette prédiction conjointe état/action garantit une planification convergente vers l'objectif et fournit les paramètres d'assistance nécessaires à l'exécution. Testé sur une tâche d'assemblage robotique en environnement simulé, STEP dépasse l'état de l'art de 32,8% en taux d'exécutabilité des actions et de 14,8% en réduction de l'erreur d'état final. Pour les intégrateurs et concepteurs de systèmes de cobotique industrielle, ce travail s'attaque directement à un point de friction connu des architectures de planification fondées sur les LLM : le décalage entre un plan verbalisé de façon plausible et un plan réellement exécutable par un robot, faute d'ancrage dans l'état physique du système. En rendant le suivi d'état explicite plutôt qu'implicite, STEP réduit le risque d'hallucination d'actions, un problème récurrent quand un LLM générique est plaqué sur une tâche de manipulation sans supervision d'état. Les gains rapportés, mesurés sur l'exécutabilité et l'erreur d'état final plutôt que sur des métriques cosmétiques, ciblent précisément la fiabilité opérationnelle recherchée en assemblage collaboratif homme-robot, un segment où la marge d'erreur tolérée reste faible. Ces résultats s'inscrivent dans la lignée des travaux récents exploitant les MM-LLM pour la planification de tâches en contexte de données rares, où l'apprentissage en contexte permet de s'affranchir d'un réentraînement lourd. Il faut toutefois noter que la validation se limite à un environnement simulé et à une seule tâche d'assemblage, sans démonstration sur robot physique ni déploiement industriel réel. STEP reste donc à ce stade une contribution de recherche méthodologique, dont la prochaine étape logique serait une validation sur du matériel réel et sur une variété de tâches plus large avant toute application en production.

RecherchePaper

1 source