Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
RecherchearXiv cs.RO2h

Coordination multi-robots adaptative et ouverte à travers des environnements, partenaires et échelles inédits

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

Une équipe de recherche publie sur arXiv (2607.04972v1) un nouveau cadre nommé HOLA, pour Hypergraphic Open-ended Learning Algorithm, destiné à coordonner des équipes de robots capables de s'adapter simultanément à des environnements inconnus, des partenaires inconnus et des tailles d'équipe variables. Contrairement aux approches classiques qui supposent une composition d'équipe fixe (le "closed-world assumption"), les chercheurs modélisent la coopération via un jeu sous forme hypergraphique, une construction théorique des jeux qui capture les relations coopératives à l'échelle de l'équipe entière plutôt que seulement des interactions par paires, à la différence des architectures de réseaux de neurones sur graphes. L'algorithme HOLA entraîne les agents en élargissant progressivement la diversité des partenaires et des environnements plutôt qu'en optimisant pour une configuration figée. Testé sur des tâches de poursuite coopérative, le système a été validé sur des essaims multi-drones et multi-quadrupèdes, avec des déploiements réels sur les plateformes Crazyflie (drones du fabricant suédois Bitcraze) et Zsibot L1 (quadrupèdes), sans réglage fin supplémentaire lors du transfert du simulateur au matériel physique.

Ce résultat compte pour l'industrie de la robotique en essaim et multi-agents parce qu'il attaque de front un angle mort connu du secteur: la plupart des systèmes multi-robots démontrés en recherche restent calibrés pour une équipe et un environnement fixés à l'avance, ce qui limite leur usage en conditions réelles où les partenaires, leur nombre et le terrain changent en permanence. Un transfert sim-to-réel direct et sans fine-tuning, s'il se confirme à plus grande échelle, réduit un coût d'ingénierie important pour les intégrateurs qui déploient des flottes hétérogènes de drones ou de robots à pattes.

Le travail s'inscrit dans la lignée de l'apprentissage par renforcement multi-agents et des méthodes d'apprentissage "open-ended" par diversification progressive des adversaires et partenaires, popularisées notamment dans les jeux de population type league training. Les auteurs annoncent avoir surpassé toutes les méthodes de référence sur les trois axes d'adaptabilité testés (environnement, partenaires, échelle), ouvrant la voie à des essais sur des flottes plus larges et des plateformes robotiques supplémentaires.

Impact France/UE

Le système est validé sur les drones Crazyflie du fabricant suédois Bitcraze, une plateforme robotique européenne utilisée pour ces travaux de recherche avancée en coordination multi-agents.

Dans nos dossiers

arXiv cs.RO

À lire aussi

Estimation de traversabilité auto-supervisée et agnostique au robot pour des environnements ouverts
1arXiv cs.RO 

Estimation de traversabilité auto-supervisée et agnostique au robot pour des environnements ouverts

Une équipe de chercheurs présente COTRATE (Continuous Online TRAversability EsTimation), un framework d'apprentissage en ligne pour l'estimation de traversabilité des terrains par des robots mobiles, publié sur arXiv en mai 2026 (arXiv:2605.28442). Le système apprend de façon auto-supervisée à partir de données non étiquetées collectées par le robot en temps réel. COTRATE fonctionne en deux étapes : un module d'évaluation du terrain exploitant les signaux proprioceptifs et inertiels génère des scores de traversabilité robustes, qui supervisent ensuite un réseau de traversabilité visuelle via une fonction de perte par alignement (alignment loss). Pour limiter l'oubli catastrophique propre à l'apprentissage continu, les auteurs proposent une stratégie de sélection de features basée sur la diversité, s'appuyant sur une mémoire de relecture compacte. Le système a été évalué sur un dataset d'environ 50 000 images collectées avec deux plateformes robotiques sur 11 types de terrains extérieurs, et benchmarké sur des tâches de navigation dans trois environnements extérieurs représentatifs. Le code, le dataset et les modèles pré-entraînés sont disponibles publiquement. La traversabilité est un problème central pour les robots mobiles opérant en environnement non structuré : savoir si un sol est praticable, à quelle vitesse et avec quel risque de chute ou de blocage conditionne directement la sécurité et l'efficacité des missions. Les approches existantes butaient sur un double écueil : soit elles reposaient sur des scores proprioceptifs artisanaux, spécifiques à une plateforme et donc non transférables, soit elles pré-calculaient des clusters sur des données antérieures sans possibilité d'adaptation en ligne. COTRATE lève les deux limitations simultanément : il est robot-agnostic, avec un transfert de connaissances démontré entre plateformes à cinématiques différentes, et il apprend en continu sans coût mémoire ou calcul prohibitif, rendant le déploiement embarqué crédible. C'est un signal pertinent pour les intégrateurs de robots extérieurs dans l'agriculture, l'inspection d'infrastructure ou la défense, secteurs où les conditions terrain varient et où annoter des données à la main reste hors de portée à l'échelle. L'estimation de traversabilité auto-supervisée est un champ actif depuis plusieurs années, porté notamment par des laboratoires travaillant sur les robots quadrupèdes comme ANYmal (ANYbotics) ou Spot (Boston Dynamics) ainsi que sur les UGV de type Clearpath Robotics. Les méthodes antérieures les plus citées dans ce domaine, dont certaines issues d'ETH Zurich ou de CMU, reposaient généralement sur des données pré-collectées ou des heuristiques proprioceptives figées. COTRATE se positionne comme une solution plus générale, bien que la publication soit à ce stade un preprint arXiv sans validation en peer review et qu'aucun partenaire industriel ni déploiement terrain en production ne soit mentionné. Les étapes naturelles seraient une validation sur des plateformes commerciales en conditions réelles prolongées et une intégration dans des stacks de navigation open-source comme Nav2 ou le framework Elevation Mapping de la communauté ETH.

UEImpact indirect via la communauté de recherche européenne (ETH Zurich cité comme référence clé) et pertinence pour les intégrateurs EU en agriculture et inspection d'infrastructure, mais aucun acteur français ni déploiement européen mentionné.

RecherchePaper
1 source
Une nouvelle puce pourrait aider les petits robots à traverser des environnements complexes
2MIT News Robotics 

Une nouvelle puce pourrait aider les petits robots à traverser des environnements complexes

Des chercheurs du MIT ont conçu un système-sur-puce baptisé Gleanmer, capable de générer des cartes 3D en temps réel à partir d'un flux de caméra de profondeur, avec une consommation d'environ 6 milliwatts, soit l'équivalent d'une LED. Cette performance s'obtient grâce à une co-conception algorithme-matériel : l'équipe, menée par la professeure Vivienne Sze (EECS/RLE) et le professeur Sertac Karaman (aéronautique, directeur du LIDS), a couplé leur algorithme de cartographie GMMap à un accélérateur matériel dédié. Les co-premiers auteurs Zih-Sing Fu et Peter Zhi Xuan Li ont présenté ces travaux à l'IEEE Very Large-Scale Integrated Circuits Symposium. L'application cible annoncée : de petits UAVs à batterie limitée, comme ceux qui pourraient inspecter des conduits HVAC industriels pour détecter des fuites de gaz en naviguant dans des espaces confinés avec évitement d'obstacles. La différence technique réside dans la représentation géométrique. Là où les approches classiques modélisent l'espace en voxels, des cubes 3D qui demandent de charger et retraiter chaque image de profondeur plusieurs fois, Gleanmer utilise des gaussiennes, des ellipsoïdes dont la taille, la forme et l'orientation s'adaptent librement à la géométrie des objets. Un seul ellipsoïde allongé peut remplacer des dizaines de voxels pour représenter une surface courbe, ce qui réduit drastiquement l'empreinte mémoire. L'innovation clé est une technique de génération de gaussiennes en un seul passage sur l'image de profondeur : une fois traitée, l'image est effacée et n'a pas besoin d'être stockée. Résultat : des cartes denses incluant obstacles et espace libre, suffisantes pour planifier un chemin sans collision, générées sans le GPU ni la mémoire vive que requièrent habituellement les pipelines de cartographie dense. Pour un intégrateur robotique, cela signifie qu'il devient envisageable d'embarquer de la navigation autonome sur des plateformes où la contrainte énergétique était jusqu'ici rédhibitoire. Ce travail s'inscrit dans un effort plus large de miniaturisation des capacités de cartographie et de localisation simultanées (SLAM). Les systèmes embarqués actuels capables de cartographie 3D dense en temps réel, qu'il s'agisse de solutions comme Intel RealSense couplées à des SBC, ou des implémentations GPU embarquées type Nvidia Jetson, consomment plusieurs watts à quelques dizaines de watts, plusieurs ordres de grandeur au-dessus des 6 mW de Gleanmer. Les auteurs mentionnent aussi un second débouché : les casques de réalité augmentée légers, pour des applications médicales ou de maintenance industrielle, où l'autonomie de la batterie conditionne l'usage prolongé. Le composant n'est pour l'instant qu'un prototype de recherche présenté en symposium ; aucun partenariat industriel ni calendrier de productisation n'a été annoncé. Les prochaines étapes naturelles seraient une validation sur plateforme réelle en vol, et une intégration dans une chaîne SLAM complète incluant localisation, pas seulement cartographie.

RecherchePaper
1 source
Vers un contrôle adaptatif des robots humanoïdes par distillation multi-comportements et affinage renforcé
3arXiv cs.RO 

Vers un contrôle adaptatif des robots humanoïdes par distillation multi-comportements et affinage renforcé

Une équipe de chercheurs propose Adaptive Humanoid Control (AHC), un framework de contrôle locomoteur pour humanoïdes publié sur arXiv (2511.06371v3). Le problème de départ est structurel : les méthodes dominantes entraînent une politique séparée pour chaque compétence (se relever, marcher, courir, sauter), générant des contrôleurs rigides qui échouent dès que le terrain devient irrégulier. AHC y répond en deux phases : d'abord, plusieurs politiques primaires sont entraînées puis fusionnées par distillation multi-comportements en un contrôleur unique capable de commuter dynamiquement selon le contexte ; ensuite, un affinage par renforcement avec retours en ligne consolide l'adaptabilité sur terrains variés. Le système est validé en simulation et en conditions réelles sur le robot Unitree G1 d'Unitree Robotics. Pour les intégrateurs et les décideurs industriels, la promesse est concrète : un seul contrôleur couvrant l'ensemble des comportements locomoteurs réduit la complexité opérationnelle et supprime les transitions manuelles entre modes. Du côté de la recherche, le résultat le plus notable est que la distillation combinée à un fine-tuning par RL en ligne permet de réduire partiellement le sim-to-real gap sans ré-entraînement complet. La réserve à formuler : le papier ne publie pas de métriques quantitatives détaillées (taux de succès par terrain, fréquence de chute), ce qui rend difficile la comparaison objective avec d'autres approches. Le Unitree G1 (1,27 m, environ 35 kg, 16 000 dollars) est devenu depuis 2024 une plateforme de recherche de référence pour ce type de travaux. AHC s'inscrit dans une compétition internationale où Physical Intelligence (Pi-0), NVIDIA (GR00T N2), Figure (Helix) et Boston Dynamics cherchent tous à produire des politiques locomotrices généralisables hors environnement contrôlé. L'approche par distillation multi-politiques rappelle les travaux de curriculum learning menés à Berkeley et CMU, et l'affinage par RL en ligne emprunte aux méthodologies RLHF adaptées à la robotique physique. Aucun partenariat industriel ni calendrier de déploiement n'est annoncé ; le projet en est au stade de la démonstration académique.

RecherchePaper
1 source
4arXiv cs.RO 

Coordination des tâches et exécution de trajectoires par démonstrations few-shot pour systèmes multi-robots

Des chercheurs proposent DDACE (Demonstration-Driven Action Coordination and Execution), un cadre d'apprentissage capable de coordonner plusieurs robots a partir d'un tres petit nombre de demonstrations seulement, selon un article publie sur arXiv (version revisee, v2). Le probleme cible est connu dans la robotique multi-agents : apprendre a la fois quand chaque robot doit agir (dependances temporelles entre taches) et comment il doit se deplacer (trajectoire spatiale) devient instable des que les donnees sont rares, car les deux aspects sont habituellement appris ensemble par des modeles bout-en-bout. DDACE separe explicitement ces deux problemes. Les demonstrations sont d'abord traitees par clustering spectral pour en extraire la structure de coordination et construire des graphes d'interaction entre robots. Un Temporal Graph Network se charge ensuite de predire les dependances d'actions et leur sequencement, pendant que des modeles de processus gaussiens generent les trajectoires geometriques, parametrees par la progression de la tache et capables de s'adapter a de nouvelles configurations de depart et d'arrivee. Les auteurs rapportent des tests en simulation ainsi que des experiences sur robots reels, avec une meilleure stabilite et une meilleure coherence des trajectoires que des approches d'imitation bout-en-bout classiques en regime de donnees limitees. L'enjeu depasse l'exercice academique : la coordination multi-robots a partir de peu d'exemples est un frein concret au deploiement de cellules industrielles collaboratives ou de flottes d'AMR, ou collecter des milliers de demonstrations par scenario reste couteux. En introduisant un biais structurel plutot qu'un apprentissage purement bout-en-bout, DDACE questionne l'hypothese dominante selon laquelle les architectures end-to-end massives suffisent a generaliser en data-scarce regime, une piste distincte de la tendance actuelle centree sur les gros modeles VLA mono-robot type Pi-0 ou GR00T N2. Le papier s'inscrit dans une litterature qui cherche des alternatives modulaires a l'imitation pure, combinant clustering, graphes temporels et processus gaussiens plutot qu'un unique reseau de bout en bout. Il s'agit a ce stade d'une publication de recherche avec validations simulees et reelles limitees, sans indication de partenaire industriel ni de calendrier de transfert vers un produit ; le materiel complementaire est disponible sur le site du projet associe.

RecherchePaper
1 source