Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
AMBUSH : capture collaborative en environnements complexes grâce à l'accélération neuronale
RecherchearXiv cs.RO 

AMBUSH : capture collaborative en environnements complexes grâce à l'accélération neuronale

1 source couvre ce sujet·Source originale ↗·
Résumé IASource uniqueImpact UE

Une équipe de chercheurs présente AMBUSH, une méthode de capture collaborative pour des robots poursuivants plus lents face à une cible évasive plus rapide, y compris dans des environnements complexes truffés d'obstacles. Le système s'appuie sur une stratégie d'embuscade paramétrée, combinant paramètres discrets et continus, qui prend en compte la topologie de l'espace de travail, la visibilité en ligne de vue tronquée par les obstacles, le ratio de vitesse relative entre poursuivants et cible, et la portée de capture limitée des robots. Pour optimiser ces paramètres en temps réel, les auteurs proposent un algorithme hybride de recherche arborescente Monte Carlo (H-MCTS) couplé à un réseau de neurones entraîné hors ligne : celui-ci apprend à classer les différents choix de paramètres selon l'environnement et à prédire directement leur score, remplaçant ainsi la phase de simulation (rollout) coûteuse du MCTS classique et accélérant la planification en ligne. La méthode a été validée en simulation extensive et sur du matériel réel, face à des cibles de capacités et de niveaux d'intelligence variés, y compris des évadeurs jusqu'à deux fois plus rapides que les poursuivants et des cibles pilotées par un humain.

L'intérêt de ces travaux réside dans le fait qu'ils s'attaquent à un angle mort de la littérature sur la poursuite-évasion multi-robots : la plupart des approches existantes, qu'elles soient analytiques et géométriques ou fondées sur l'apprentissage par renforcement de bout en bout, restent cantonnées à des environnements sans obstacles ou avec des obstacles épars et régulièrement répartis. Démontrer qu'une stratégie d'embuscade suffit à capturer efficacement une cible plus rapide, sans recourir à la seule supériorité en vitesse ou en nombre, ouvre des perspectives concrètes pour des applications de sécurité, de surveillance ou de recherche et sauvetage utilisant des flottes de robots peu coûteux mais coordonnés intelligemment.

Le travail s'inscrit dans la lignée des recherches en théorie des jeux de poursuite-évasion, en s'inspirant de stratégies observées dans la nature où des espèces plus faibles capturent des proies plus véloces par la coopération. Les auteurs positionnent leur contribution comme une alternative aux approches géométriques classiques et au RL de bout en bout, avec pour prochaine étape l'extension à des scénarios encore plus complexes et à davantage de configurations matérielles.

À lire aussi

Collaboration hétérogène entre robots dans des environnements non structurés grâce à l'IA générative ancrée
1arXiv cs.RO 

Collaboration hétérogène entre robots dans des environnements non structurés grâce à l'IA générative ancrée

Les chercheurs a l'origine de SPINE-HT ont publie une version mise a jour de leur article sur arXiv (référence 2510.26915v2) présentant un framework de collaboration pour des équipes de robots hétérogènes évoluant dans des environnements non structures. Le système s'appuie sur des grands modèles de langage (LLM) et des modèles vision-langage (VLM) pour déduire les sous-taches nécessaires a partir d'une spécification de mission formulée en langage naturel et du contexte de l'environnement. Le processus se déroule en trois étapes: un LLM infère d'abord les sous-taches requises a partir de la mission et des capacités déclarées de l'équipe, ces sous-taches sont ensuite validées pour vérifier leur faisabilité avant d'être assignées aux robots selon des critères comme la franchissabilite du terrain ou les capacités de perception, puis le framework les met a jour en continu grâce aux retours collectes sur le terrain (cartes sémantiques, résultats des taches). En simulation, avec perception et contrôle en boucle fermée, SPINE-HT obtient un taux de réussite près de deux fois supérieur aux approches antérieures de teaming hétérogène basées sur des LLM. En conditions réelles, l'équipe a teste le système sur une flotte composée d'un robot a roues Clearpath Jackal, d'un robot a roues Clearpath Husky, du quadrupède Spot de Boston Dynamics et d'un drone volant a haute altitude, atteignant un taux de réussite de 87,5% sur des missions exigeant un raisonnement sur les capacités de chaque robot et un ajustement des sous-taches via retour d'information en ligne. Ce résultat s'attaque directement a une limite récurrente des méthodes de teaming multi-robots pilotées par LLM: la plupart supposent des environnements bien structures et connus a l'avance, ce qui dégradé leurs performances des que le terrain devient incertain ou changeant. Pour les intégrateurs travaillant sur des flottes mixtes (drones, robots a roues, robots a pattes) destinées a l'inspection, la recherche et sauvetage ou la surveillance de sites industriels, la démonstration montre qu'une spécification de mission en langage naturel peut remplacer une bonne partie de l'ingénierie manuelle de taches, a condition que le système puisse vérifier la faisabilité et se corriger en temps réel plutôt que de suivre un plan fige. Il s'agit toutefois d'un prototype de recherche, teste sur un nombre limite de plateformes et de scenarios de mission, et non d'un produit commercialise ni d'un déploiement opérationnel a grande échelle. Aucune entreprise ni financement n'est mentionne dans l'article; les auteurs renvoient vers un site dédié au projet pour plus de détails. La progression par rapport aux méthodes antérieures de teaming hétérogène base sur LLM situe ce travail dans un courant de recherche actif visant a ancrer le raisonnement des modèles génératifs dans le contexte physique et évolutif de robots réels, plutôt que dans des simulations idéalisées.

RecherchePaper
1 source
PECMAN : navigation collaborative multi-agents par perception en environnements inconnus
2arXiv cs.RO 

PECMAN : navigation collaborative multi-agents par perception en environnements inconnus

Des chercheurs ont publié sur arXiv (réf. 2605.09344) PECMAN, un système de navigation collaborative multi-agents conçu pour des environnements inconnus et dynamiques. L'algorithme s'appuie sur SMART-3D, un planificateur de trajectoires fondé sur la structure RRT* (Rapidly-exploring Random Tree) capable de reconfigurer en temps réel son arbre de planification dès qu'un obstacle ou une nouvelle structure est détecté : plutôt que de reconstruire l'arbre depuis zéro, SMART-3D élague les noeuds et arêtes invalidés, puis répare les sous-arbres déconnectés à des points critiques appelés "hot-nodes". PECMAN étend ce mécanisme à la coopération multi-agents via deux stratégies combinées : une morphologie d'arbre distribuée, où chaque robot replanifie localement, et une perception partagée, par laquelle chaque agent diffuse les structures nouvellement découvertes à ses coéquipiers, leur permettant de replanifier proactivement même dans des zones encore inexplorées. Évalué sur 28 000 simulations couvrant sept scénarios 2D distincts, le système atteint jusqu'à 52 % de réduction du temps de complétion collective avec un taux de succès proche de 100 %. Les expériences ont également été validées sur deux robots autonomes réels dans un environnement de bâtiment. La contribution architecturale centrale est la perception partagée sans coordinateur central : chaque agent enrichit la carte collective en temps réel, ce qui réduit les replanifications redondantes et la latence de réaction de la flotte entière. Pour les intégrateurs de systèmes AMR (Autonomous Mobile Robots) en logistique ou en inspection industrielle, c'est précisément le verrou qui bloque le passage à l'échelle des flottes dans des environnements semi-structurés. La validation physique, même limitée à deux robots, apporte un début de réponse au problème classique du sim-to-real gap, l'un des obstacles majeurs au déploiement de planificateurs collaboratifs en conditions réelles. La réduction de 52 % du temps de complétion est prometteuse, mais mérite d'être interprétée avec prudence : les simulations 2D ne capturent pas la complexité des environnements 3D, et les scénarios de test ne sont pas détaillés dans l'abstract. Les approches multi-agents existantes comme CBS (Conflict-Based Search) ou ORCA supposent généralement des cartes connues à l'avance, ce qui les rend difficilement applicables à une exploration progressive. SMART-3D avait résolu ce problème pour un agent unique ; PECMAN en est l'extension coopérative naturelle. Aucun partenaire industriel ni déploiement commercial n'est mentionné dans la publication, qui reste une contribution académique. Les prochaines étapes logiques seraient des tests sur des flottes plus larges et en environnements 3D réels, conditions nécessaires pour envisager un transfert vers des entrepôts multi-niveaux ou des bâtiments industriels complexes, où les systèmes AMR actuels peinent encore à coordonner leur navigation de façon autonome.

RecherchePaper
1 source
IA hybride logique temporelle pour une collaboration humain-essaim fiable en environnements complexes
3arXiv cs.RO 

IA hybride logique temporelle pour une collaboration humain-essaim fiable en environnements complexes

Une équipe de recherche a publié le 12 mai 2026 sur arXiv (identifiant 2605.07877) un cadre neuro-symbolique destiné à la collaboration entre un opérateur humain et un essaim de robots hétérogènes dans des missions longue durée. Le système, baptisé dans le papier comme un framework de planification hybride, formalise les objectifs de mission et les règles opérationnelles sous forme de formules de logique temporelle, et encode les ordres de tâches admissibles comme des automates de tâches. Un LLM conditionné par ces contraintes formelles et par le contexte perceptuel en direct génère alors des séquences de sous-tâches exécutables, vérifiées a priori pour leur faisabilité. Un ordonnanceur sensible à l'incertitude redistribue ensuite ces sous-tâches au sein de la flotte pour maximiser le parallélisme, tandis qu'un protocole d'interaction déclenché par événement réduit l'implication de l'opérateur à des confirmations de haut niveau, rares et ciblées. Les expériences ont été menées sur une flotte robotique hétérogène réelle, sans que les auteurs ne précisent la composition exacte ni les environnements de test, ce qui limite l'interprétation des métriques de performance présentées. L'intérêt principal de ce travail est d'adresser un angle mort connu des approches LLM pures pour la planification robotique : la génération de plans syntaxiquement plausibles mais sémantiquement invalides, produisant des ordres de tâches impossibles ou des actions hors des capacités physiques du robot. En ancrant le LLM dans un formalisme de logique temporelle vérifiable, le framework réduit le taux de corrections manuelles et maintient la cohérence du plan face aux événements dynamiques, ce qui est critique pour des missions en environnements dangereux comme la recherche en zone sinistrée ou l'inspection industrielle. La réduction de la charge cognitive opérateur via le protocole événementiel est également pertinente pour des contextes de supervision à distance avec faible bande passante humaine. Ce type d'approche neuro-symbolique s'inscrit dans un courant de recherche en pleine expansion qui cherche à corriger les hallucinations et les échecs de planification des grands modèles de langage par des garde-fous formels, une direction explorée en parallèle par des laboratoires comme MIT CSAIL, ETH Zurich et le laboratoire LAAS-CNRS en France. Les travaux sur la vérification formelle de plans LLM se multiplient depuis 2024, portés notamment par les besoins de sûreté dans la robotique de service et la logistique autonome. Ce papier reste au stade de preprint arXiv et n'annonce pas de déploiement commercial ou de partenariat industriel ; les prochaines étapes naturelles seraient une validation à plus grande échelle et une publication en conférence (ICRA, IROS) avec benchmarks standardisés.

UELe LAAS-CNRS (Toulouse) travaille en parallèle sur des approches neuro-symboliques similaires, ce qui positionne la France comme acteur de ce courant de recherche ; une validation à grande échelle pourrait alimenter des projets EU sur la robotique d'inspection industrielle et de sécurité civile.

RecherchePaper
1 source
CoRelNav : navigation relationnelle collaborative pour robots multiples en environnement sémantique contraint
4arXiv cs.RO 

CoRelNav : navigation relationnelle collaborative pour robots multiples en environnement sémantique contraint

CoRelNav, décrit dans un article déposé sur arXiv (référence 2609.27720v1), s'attaque à la navigation sémantique sous contrainte spatiale pour des flottes de robots mobiles : trouver un objet cible défini non seulement par sa catégorie sémantique mais aussi par sa relation avec les objets environnants, dans un environnement totalement inconnu. Le système repose sur un couplage entre exploration multi-robot conditionnée par la tâche et vérification collaborative pilotée par les candidats détectés. Un champ spatio-sémantique convertit les contraintes de la tâche, les nœuds de la scène et les caractéristiques des objets en une carte d'utilité d'exploration ; à mesure que des candidats sont repérés, les robots sont réaffectés vers les zones susceptibles d'apporter des preuves complémentaires, sous contrainte de coût de déplacement collectif, tandis que les observations cohérentes d'une même instance sont agrégées à travers les nœuds topologiques de la carte. Les auteurs rapportent des gains constants face à des méthodes de référence en simulation photoréaliste, avec des études d'ablation validant séparément les modules d'exploration et de vérification, et un déploiement du système complet sur deux robots mobiles physiques réels. L'intérêt de ce travail tient à un manque identifié dans la littérature : la navigation relationnelle existante reste essentiellement mono-agent, tandis que les systèmes multi-robots coordonnent rarement leurs observations distribuées pour vérifier une relation spatiale propre à une instance précise d'objet. En reliant explicitement exploration et vérification collaborative, CoRelNav réduit la recherche redondante entre robots et permet de trancher des hypothèses relationnelles à partir de preuves partielles réparties sur plusieurs agents, là où une exploration indépendante ou une vérification à vue unique resteraient ambiguës. Pour les équipes travaillant sur des flottes de robots de service, d'entrepôt ou d'inspection, cela illustre une piste concrète pour faire collaborer plusieurs unités sur des tâches sémantiques complexes plutôt que de les faire opérer en silos. Le travail s'inscrit dans le courant de recherche sur la navigation sémantique et la navigation vision-langage, en élargissant le problème classique de recherche d'objet à la coordination multi-agents. L'article reste une contribution académique validée par simulation et un test limité à deux robots physiques, sans indication de partenaire industriel, de calendrier de déploiement ou de mise à l'échelle au-delà de ce banc d'essai restreint.

RecherchePaper
1 source