RecherchearXiv cs.RO 2 juillet 2026

Robots mobiles et planification de mouvement multi-robots dans le temps et l'espace basée sur la recherche sur des graphes d'ensembles convexes espace-temps

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs publient sur arXiv (2607.00444, prétirage non encore relu par les pairs) un nouveau cadre algorithmique pour la planification de trajectoires spatio-temporelles, baptisé ST-GCS pour "graphs of space-time convex sets". L'idée centrale est de représenter les régions sans collision, qui évoluent dans le temps, comme des ensembles convexes dans un espace incluant le temps, et de transformer la recherche de trajectoire optimale en un problème de recherche de graphe. Les auteurs développent un solveur best-first qui évalue des chemins partiels via optimisation continue de trajectoire, guidé par des heuristiques admissibles et des tests de dominance. Ils ajoutent un schéma de décomposition convexe exacte (ECD) pour réserver les occupations de trajectoire dans l'espace-temps, ce qui permet de traiter de façon unifiée les obstacles dynamiques et les interactions entre robots. Pour le multi-robot, la méthode s'appuie sur une planification priorisée combinée à un mécanisme de coordination par fenêtres glissantes. Les expériences annoncées montrent des accélérations substantielles par rapport à divers planificateurs existants, avec une qualité de solution maintenue, notamment dans des environnements aux passages étroits et transitoires. Une démonstration à grande échelle affiche des instances jusqu'à 100 robots résolues en quelques minutes.

Pour l'industrie de la logistique et des flottes de robots mobiles autonomes (AMR), ce type d'approche cible un problème très concret: coordonner un grand nombre de robots dans des entrepôts ou usines où l'espace libre change constamment au passage d'autres machines, de portes ou de zones de chargement. Les méthodes actuelles de planification multi-robot peinent souvent à passer à l'échelle sans sacrifier soit le temps de calcul, soit l'optimalité des trajectoires. Un gain de vitesse démontré sur 100 robots en quelques minutes, si confirmé en conditions réelles au-delà du banc d'essai académique, intéresserait directement les intégrateurs de flottes AMR type Exotec ou les opérateurs d'entrepôts automatisés, où la densité de robots et les couloirs étroits sont justement le goulot d'étranglement actuel.

Ce travail s'inscrit dans la lignée des "graphs of convex sets" (GCS), une famille de méthodes de planification de mouvement en robotique qui gagne en popularité pour unifier optimisation continue et recherche discrète, en concurrence avec les approches classiques par échantillonnage (RRT, PRM) ou par programmation en nombres entiers mixtes pour la coordination multi-robot. L'étendre à la dimension spatio-temporelle, avec obstacles mobiles et fenêtres de coordination, est présenté comme la contribution principale. Le code et les détails sont disponibles sur la page du projet; à ce stade, il s'agit d'un résultat de recherche, sans annonce de déploiement industriel ni de partenaire commercial identifié.

Impact France/UE

Les intégrateurs de flottes AMR européens comme Exotec pourraient s'intéresser à cette méthode pour la coordination de robots en entrepôt, mais aucun déploiement ou partenariat n'est confirmé à ce stade.

Dans nos dossiers

Exotec arXiv cs.RO

À lire aussi

1arXiv cs.RO

Planification de mouvements par logique temporelle de signaux via des graphes d'ensembles convexes

Une équipe de chercheurs a publié sur arXiv (arXiv:2605.23240) un cadre de planification de trajectoires en temps continu combinant la logique temporelle de signaux (STL, Signal Temporal Logic) et les graphes d'ensembles convexes (GCS, Graphs of Convex Sets). L'objectif est de générer des trajectoires lisses satisfaisant à la fois des contraintes logico-temporelles de haut niveau, par exemple "atteindre la zone A entre t=2 s et t=5 s tout en évitant B", et des limites cinématiques de bas niveau comme les bornes de vitesse. La méthode encode d'abord la spécification STL sous forme d'automate temporisé, le couple à une décomposition convexe de l'espace de configuration, puis reformule l'ensemble comme un problème de plus court chemin sur un GCS. La solution produit des trajectoires en B-splines de Bézier, validées expérimentalement sur un quadrirotor 3D, un humanoïde à 30 degrés de liberté (DoF) et un bras industriel UR-3 testé en conditions matérielles réelles. La contribution principale est de rendre tractable un problème historiquement difficile. Les approches classiques de planification sous STL s'appuient sur la programmation mixte entière (MILP), dont la complexité est exponentielle avec la dimension de l'espace ou la longueur de l'horizon temporel. Ce travail démontre qu'une fois l'automate temporisé et la décomposition convexe fixés, la relaxation convexe évolue polynomialement avec la dimension de l'espace de configuration et le degré des splines de Bézier, ce qui constitue une garantie de passage à l'échelle concrète. Le test sur un humanoïde à 30 DoF est significatif : c'est précisément la gamme de systèmes où les planificateurs STL classiques échouent. La validation hardware sur UR-3 confirme que les trajectoires produites sont directement exécutables, sans post-traitement supplémentaire. Le cadre GCS a été introduit vers 2022 par Marcucci, Tedrake et leurs collaborateurs au MIT comme outil d'optimisation de trajectoires dans des espaces fragmentés en régions convexes. Ce papier étend l'approche aux spécifications temporelles contraintes, une jonction entre vérification formelle et robotique opérationnelle. Les approches concurrentes incluent la MPC non linéaire sous STL et les planificateurs par échantillonnage avec satisfaction de contraintes temporelles. L'article reste un preprint non relu par les pairs ; les benchmarks présentés couvrent essentiellement des espaces de basse à moyenne dimension, et l'extension aux environnements dynamiques ou à la replanification en temps réel n'est pas encore abordée.

UELa validation matérielle sur bras UR-3 (Universal Robots, Danemark/UE) offre une pertinence indirecte pour les équipes R&D européennes en planification de trajectoires, mais la recherche est conduite au MIT sans implication directe d'acteurs français ou européens.

RecherchePaper

1 source

2arXiv cs.RO

GCS-Bridging : restaurer la connectivité des ensembles convexes déconnectés pour la planification de mouvement par graphe d'ensembles convexes

Les chercheurs derrière GCS-Bridging (arXiv:2608.22326v1, preprint récent) proposent une méthode qui corrige une faille pratique des planificateurs de trajectoire bases sur les Graph-of-Convex-Sets (GCS). L'approche GCS découpe l'espace de configuration libre de collision d'un robot en un ensemble fini de régions convexes, puis calcule directement une trajectoire a travers ce graphe, ce qui simplifie nettement le calcul par rapport aux planificateurs par échantillonnage classiques. Le problème: les méthodes GCS existantes supposent une connectivité suffisante entre régions et échouent purement et simplement quand la zone de départ et la zone d'arrivée appartiennent a deux composantes distinctes de la carte initiale. GCS-Bridging relie ces ilots disjoints en traçant d'abord un chemin de points libres de collision entre eux, puis en "gonflant" ce chemin pour créer de nouvelles régions convexes qui comblent la discontinuité. Teste sur plusieurs algorithmes de la famille IRIS et de multiples scenarios simules, le procédé restaure la connectivité départ-arrivée manquante avec un taux de succès de 99,8%. Une validation matérielle a également été réalisée sur un bras robotique Franka a un seul bras, dans un scenario réel présentant initialement des régions de départ et d'arrivée déconnectées. Pour les intégrateurs qui déploient des bras manipulateurs en environnement encombre (entrepôts, lignes d'assemblage, cellules robotisées), ce correctif s'attaque a une limite concrète: la génération automatique de régions convexes via des outils comme IRIS laisse parfois des "trous" entre zones franchissables, ce qui bloquait jusqu'ici la planification des qu'un objectif tombait dans un ilot sépare du point de départ, obligeant a réinitialiser la carte ou a basculer vers un planificateur par échantillonnage plus lent. Un taux de succès de 99,8% en simulation, appuyé par une démonstration matérielle même limitée, indique que ce problème de connectivité peut être traite comme une étape de prétraitement automatisable plutôt que comme un échec a gérer au cas par cas, ce qui renforce la viabilité des méthodes GCS face aux planificateurs traditionnels pour des usages industriels ou fiabilité et temps de calcul comptent autant que l'optimalité de la trajectoire. Les méthodes GCS s'appuient généralement sur des algorithmes de décomposition convexe comme IRIS (Iterative Regional Inflation by Semidefinite programming) pour construire automatiquement la carte de régions a partir de l'espace de configuration d'un robot, une famille d'outils que les auteurs utilisent justement comme référence dans leurs tests. Le travail s'inscrit dans un effort plus large pour rendre l'optimisation de trajectoire par ensembles convexes exploitable en conditions réelles, au-delà des démonstrations en environnement simple et entièrement connecte. Un site de projet dédié (zhouxk1997.github.io/GCS_Bridging) présente les résultats. La suite logique, non détaillée dans le résume, consisterait a étendre la validation matérielle a des bras multiples ou des scenarios avec davantage d'obstacles dynamiques, pour vérifier que le taux de succès observe en simulation se maintient quand la complexité de l'environnement augmente.

UEImpact indirect: le bras robotique Franka utilise pour la validation matérielle est produit par une entreprise allemande, mais aucun acteur français ou européen n'est directement implique dans cette recherche.

RecherchePaper

1 source

3arXiv cs.RO

Accélérer la planification de mouvement discrète-continue via des graphes neuronaux d'ensembles convexes

Des chercheurs ont publié en août 2026 sur arXiv (2608.15440) une méthode qui accélère la planification de mouvement combinant décisions discrètes et trajectoires continues, un problème central en navigation sans collision et en manipulation avec contacts. Le travail s'appuie sur le cadre Graphs of Convex Sets (GCS), où les décisions discrètes forment les nœuds d'un graphe et les trajectoires continues ses arêtes, mais remplace la coûteuse relaxation convexe du GCS classique par un passage unique dans un Graph Attention Network qui propose des chemins candidats, triés ensuite par un réseau léger jusqu'à un plan quasi optimal. Testée sur un quadrirotor 3D, un bras à 7 degrés de liberté et une tâche de poussée planaire avec contacts, elle atteint jusqu'à 100 fois la vitesse du GCS classique avec 100% de réussite, au prix d'une légère perte d'optimalité. Code et vidéos sont disponibles sur neural-gcs.github.io. Pour l'industrie robotique, ce résultat s'attaque à un verrou concret : les planificateurs GCS approchent l'optimum global même sur des problèmes non convexes, mais leur coût de calcul limitait leur usage à la planification hors ligne ou à des scènes simples. Diviser ce temps par un facteur proche de 100 rend envisageable le replanning embarqué, utile pour les bras en usine, les drones en environnement encombré et la manipulation avec contact comme le poussage d'objets en logistique. Cela illustre une tendance du secteur : coupler apprentissage et solveurs d'optimisation classiques plutôt que de tout confier à un modèle appris de bout en bout comme les architectures vision-langage-action. Le compromis vitesse contre optimalité de ce travail académique, validé seulement en simulation, reste à confirmer sur du matériel réel. Le cadre GCS n'est pas nouveau : introduit par des chercheurs du MIT et de Toyota Research Institute, il unifie planification discrète et continue en alternative aux méthodes d'échantillonnage type RRT et aux solveurs de programmation en nombres entiers mixtes. Son coût de calcul a motivé plusieurs travaux d'accélération, dont celui-ci, aux côtés d'approches qui utilisent l'apprentissage pour guider des planificateurs par échantillonnage. Aucune entreprise n'est associée à cette publication : code et vidéos sont ouverts pour reproduction indépendante, et les prochaines étapes attendues portent sur une validation sur matériel réel et une intégration dans des piles logicielles utilisées par des intégrateurs industriels.

RecherchePaper

1 source

4arXiv cs.RO

Planification de mouvement multi-robots à grande échelle par décomposition hiérarchique de l'espace de travail

Une équipe de chercheurs a déposé en mai 2026 sur arXiv (réf. 2605.20395) une méthode de planification de mouvement pour flottes de robots mobiles qui revendique un gain de temps de calcul allant jusqu'à un ordre de grandeur par rapport aux solveurs existants. Le goulot central du domaine, l'explosion combinatoire de l'espace de configuration joint dont la dimension croît exponentiellement avec le nombre de robots N, est contourné par une recherche discrète dans une décomposition de l'espace de travail (workspace decomposition). Contrairement aux approches antérieures qui fusionnent les robots dans cet espace joint dès la détection d'un conflit, la méthode affine itérativement cette décomposition pour ne résoudre que des sous-problèmes à espaces de configuration découplés et de taille réduite, d'où le terme de hierarchical subproblem expansion dans l'intitulé. Pour les intégrateurs de systèmes multi-robots en entrepôt ou en usine, une latence de planification divisée par 10 ouvre concrètement la porte à une replanification quasi-temps-réel sur des flottes de plusieurs dizaines de robots, un seuil difficile à franchir aujourd'hui avec les solveurs MAPF (multi-agent pathfinding) classiques tels que CBS (Conflict-Based Search) et ses variantes ECBS ou BCBS. L'approche par décomposition itérative de l'espace de travail suggère également une meilleure adaptabilité aux environnements dynamiques, où obstacles ou priorités de mission changent en cours d'exécution. Prudence cependant : il s'agit d'un preprint non encore évalué par les pairs, et l'abstract disponible ne détaille pas les conditions expérimentales précises, notamment la densité de robots testée, la topologie des environnements ou les horizons de planification retenus. La planification multi-robots est un champ structuré depuis deux décennies autour de deux familles antagonistes : méthodes couplées, qui garantissent l'optimalité mais à coût prohibitif, et méthodes découplées, rapides mais sous-optimales. CBS et ses dérivés constituent aujourd'hui la référence académique dominante. Dans l'industrie, des acteurs comme Exotec (Croix, Nord, déployé dans plus de 10 pays avec plus de 600 clients) ou Locus Robotics ont intégré des planificateurs propriétaires à leurs flottes AMR. Ce travail ne mentionne ni partenariat industriel ni calendrier de transfert technologique ; la prochaine étape naturelle serait une validation sur plateforme réelle ou dans un simulateur de référence tel qu'Isaac Sim ou MoveIt 2.

UEDes acteurs français comme Exotec, dont les flottes AMR sont déployées dans plus de 10 pays, pourraient bénéficier d'une replanification quasi-temps-réel si cette méthode est validée et transférée en production.

RecherchePaper

1 source