RecherchearXiv cs.RO 1 juillet 2026

Coordination multirobot pour la planification sous incertitude contextuelle

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

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.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Planification robotique sous contraintes de ressources face à une incertitude mixte

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.

UEExotec (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.

RecherchePaper

1 source

2arXiv cs.RO

Expansion de modèle pilotée par hypothèses sous incertitude pour la planification robotique en monde ouvert

Des chercheurs proposent un nouveau cadre de planification robotique pour environnements ouverts, permettant aux robots de service de générer, vérifier et mettre à jour eux-mêmes des hypothèses sur le monde qui les entoure, plutôt que de dépendre de bases de connaissances préprogrammées. Le système s'appuie sur des modèles de fondation (foundation models) pour formuler des hypothèses initiales sur les états et les transitions possibles de l'environnement, puis utilise un planificateur automatisé classique pour produire des séquences d'actions qui remplissent un double objectif : vérifier ces hypothèses et accomplir la tâche demandée simultanément. Par cycles successifs d'exécution et de correction, le robot intègre le retour de vérification des modèles de fondation lorsqu'une hypothèse se révèle fausse, et enrichit progressivement son modèle du monde. Les auteurs rapportent des expérimentations à la fois en simulation et sur robot réel, sans toutefois préciser de chiffres de performance, de plateforme matérielle ou de nom de laboratoire dans le résumé disponible. L'enjeu dépasse la simple robotique académique : la plupart des robots de service actuels échouent dès qu'ils sortent du cadre fermé pour lequel ils ont été programmés, un scénario courant dès qu'un objet inconnu ou une configuration imprévue de foyer apparaît. En rendant explicite la gestion de l'incertitude, ce type d'approche cherche à combler l'écart entre démonstrations contrôlées en laboratoire et déploiement réel en environnement domestique non structuré, un point faible régulièrement pointé par les intégrateurs. Si l'approche tient ses promesses à plus grande échelle, elle offrirait une voie pour réduire la dépendance aux bases de connaissances codées à la main, un frein connu à l'adoption commerciale des robots de service. Ce travail s'inscrit dans la lignée des recherches combinant modèles de fondation et planification symbolique classique, un axe de plus en plus exploré face aux limites des approches purement apprises (VLA) pour des tâches longues et structurées. Le résumé ne mentionne pas de partenariat industriel ni de calendrier de déploiement commercial ; il s'agit à ce stade d'une contribution de recherche publiée sur arXiv, dont la portée pratique reste à confirmer par des évaluations indépendantes et des essais à plus grande échelle.

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

Accélération d'Ising pour la planification multi-robots multi-cibles

Une preprint publiée en août 2026 sur arXiv (2608.06803) détaille comment des puces Ising en technologie CMOS peuvent accélérer la planification pour des flottes de robots devant couvrir plusieurs cibles. Les auteurs décomposent le problème en trois couches, le partage des cibles entre robots, la construction des tournées, et le calcul de trajectoires, et testent leurs méthodes sur de vraies puces Ising CMOS à 45 spins entièrement interconnectés. Pour adapter ces sous-problèmes combinatoires à un matériel limité en nombre de spins et en précision des coefficients, l'équipe propose un pipeline combinant fusion de spins, quantification des coefficients et découpage par budget de spins. Leur méthode de partage de cibles récursive, particulièrement adaptée au matériel Ising, consomme jusqu'à 8000 fois moins d'énergie qu'une base de référence classique. Sur l'ensemble du pipeline de bout en bout, les routes générées restent à moins de 9% de la qualité d'une base de référence classique performante, pour une consommation énergétique 130 fois inférieure. Pour les intégrateurs et décideurs qui déploient des flottes de robots mobiles, l'énergie embarquée disponible est souvent le facteur limitant, bien plus que la puissance de calcul brute. L'étude apporte une réponse nuancée à un point aveugle du secteur: plutôt que de promettre un solveur Ising universel pour toute la pile de planification, elle montre que ce matériel n'est pertinent que pour certaines couches, en l'occurrence le partage des cibles, là où le gain énergétique est le plus spectaculaire, tandis que la construction de tournées et le pathfinding restent plus proches des méthodes classiques. Il s'agit d'une démonstration sur silicium réel, pas seulement en simulation, ce qui répond directement au scepticisme habituel sur l'écart entre démonstrations en laboratoire et performance en conditions réelles. Le message pour un décideur évaluant des accélérateurs low-power est que l'accélération Ising a de la valeur en complément ciblé d'une pile classique, pas en remplacement généralisé. Les machines Ising, inspirées du modèle physique du même nom, cherchent l'état d'énergie minimale d'un réseau de spins pour résoudre des problèmes d'optimisation combinatoire difficiles comme le partage de tâches ou le voyageur de commerce, un champ où coexistent déjà le recuit quantique et des architectures CMOS dédiées à basse consommation. Cette étude s'inscrit dans la montée en puissance de ces puces CMOS spécialisées, présentées comme alternative sobre en énergie aux GPU pour l'optimisation embarquée en robotique, un secteur où la gestion de flottes multi-robots et multi-cibles devient critique pour la logistique, l'inspection ou la défense. Les auteurs positionnent leurs travaux comme une des premières analyses plaçant précisément ces accélérateurs dans la pile de planification robotique, plutôt qu'une simple démonstration de faisabilité. La suite logique consisterait à passer à des puces avec davantage de spins pour étendre ces gains à la construction de tournées et au pathfinding, deux couches où l'avantage énergétique reste pour l'instant plus limité.

RecherchePaper

1 source