Aller au contenu principal
Coordination multi-robots adaptative et ouverte à travers des environnements, partenaires et échelles inéditsIllustration générée par IA
RecherchearXiv cs.RO 

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

1 source couvre ce sujet·Source originale ↗·

Compilé et résumé par IA · sources vérifiables en un clic · publié sans lecture humaine préalable · méthodologie

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

À lire aussi

ART-TEB : planification adaptative de trajectoire pour robots mobiles en environnements encombrés
Illustration générée par IA
1arXiv cs.RO 

ART-TEB : planification adaptative de trajectoire pour robots mobiles en environnements encombrés

Des chercheurs proposent ART-TEB, un algorithme de raffinement adaptatif de trajectoires pour robots mobiles évoluant dans des environnements encombrés, décrit dans la version 2 d'un preprint arXiv (2510.26142). Il s'agit d'une publication académique, validée en simulation et lors d'essais en conditions réelles, mais pas d'un produit commercial ni d'un déploiement industriel. La méthode se déroule en deux étapes. D'abord, un test de collision conservateur, appliqué segment par segment, subdivise récursivement les portions de chemin jugées risquées jusqu'à ce que le risque de collision disparaisse. Ensuite, une correction de chaque pose, fondée sur la direction de séparation par rapport à l'obstacle et sur une recherche linéaire, garantit que chaque pose de la trajectoire est sans collision et aussi dégagée que possible des obstacles. Les auteurs annoncent jusqu'à 3,12 fois plus de réussites et des temps de planification moyens jusqu'à 23,7 fois plus courts que les approches de l'état de l'art. Des essais sur robot réel confirment le passage dans des environnements très contraints, avec une planification rapide. Le sujet est moins spectaculaire que les humanoïdes, mais il touche un point faible bien connu de la robotique mobile en entrepôt, en usine ou en hôpital : les couloirs étroits, les allées encombrées et les zones de manœuvre serrées où les planificateurs locaux échouent ou produisent des trajectoires peu efficaces. Pour les intégrateurs d'AMR, un échec de planification se traduit directement par des arrêts, des interventions humaines et une perte de débit. Un gain de temps de calcul important compte aussi pour les plateformes embarquées à ressources limitées, où le budget de calcul est partagé avec la perception et la localisation. Le nom de l'algorithme indique une filiation avec TEB (Timed Elastic Band), planificateur très répandu dans l'écosystème ROS. Il s'agit donc d'une amélioration potentiellement adoptable, plutôt que d'un changement complet d'architecture. Ces chiffres demandent toutefois de la prudence. Les multiplicateurs « jusqu'à » sont des maxima, et le résumé ne précise ni les méthodes de référence, ni les scénarios, ni la distribution des résultats. Le nombre d'essais réels et les robots utilisés ne sont pas non plus indiqués. Le contexte est celui d'une planification locale qui reste un verrou pratique malgré des décennies de travaux : TEB, les approches par fenêtre dynamique ou les méthodes d'optimisation sous contraintes montrent régulièrement leurs limites dans les espaces confinés. La suite dépendra de la publication du code et de tests indépendants sur des flottes réelles. Le marché de la navigation autonome, des AMR aux robots de service, reste très concurrentiel, et ce type de brique logicielle gagne en valeur lorsqu'elle s'intègre dans des piles existantes.

RecherchePaper
1 source
Diffusion pour la planification de trajectoires multi-robots à long horizon dans des environnements partagés avec des humains
Illustration générée par IA
2arXiv cs.RO 

Diffusion pour la planification de trajectoires multi-robots à long horizon dans des environnements partagés avec des humains

Des chercheurs publient sur arXiv (référence 2607.09911, soumis le 14 juillet 2026) un nouveau framework baptisé Multi-Robot Rolling Diffusion (MRRD), conçu pour la planification de trajectoires de flottes de robots évoluant dans des environnements partagés avec des humains, comme des foules denses. Le système combine trois mécanismes : un schéma à horizon glissant qui s'adapte à la fenêtre de prédiction limitée du mouvement humain, une inférence par diffusion parallélisée capable de générer des trajectoires réalistes à grande échelle, et une recherche basée sur la résolution de conflits pour éviter les collisions entre robots. MRRD intègre aussi un conditionnement temporel dit "d'urgence", permettant de produire des trajectoires à vitesse variable, ainsi que des termes de guidage différenciés pour équilibrer prudence sociale autour des humains et coordination efficace entre robots. Dans les tests menés en environnement encombré, le framework passe à l'échelle jusqu'à 15 robots en temps réel, avec des taux de sécurité et de réussite de mission supérieurs aux méthodes de référence existantes. L'enjeu dépasse la simple prouesse technique : les modèles de diffusion produisent des trajectoires réputées pour leur fluidité et leur ressemblance au comportement humain, mais souffraient jusqu'ici d'une limite structurelle, une durée de trajectoire fixe et une latence de calcul trop élevée pour un déploiement temps réel. En résolvant ce compromis, MRRD s'attaque directement à l'un des points de friction qui freinaient l'adoption de la génération par diffusion dans la robotique de flotte, un domaine où AMR (robots mobiles autonomes) et humains doivent cohabiter en entrepôt, en usine ou en espace public. Pour les intégrateurs qui déploient des flottes en environnement partagé, ce type d'avancée conditionne directement la capacité à faire cohabiter davantage de robots sans dégrader la sécurité perçue par les opérateurs humains. Le travail s'inscrit dans une lignée de recherche active sur la planification de trajectoires multi-robots, où les approches classiques (basées sur l'optimisation ou le graphe) peinent à modéliser des comportements socialement acceptables face à des humains imprévisibles. Les auteurs ne précisent pas d'affiliation industrielle ni de partenaire de déploiement dans le résumé ; il s'agit à ce stade d'un résultat de recherche évalué en simulation, dont la prochaine étape logique serait une validation sur robots physiques en conditions réelles.

RecherchePaper
1 source
Estimation de traversabilité auto-supervisée et agnostique au robot pour des environnements ouverts
Illustration générée par IA
3arXiv 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
Coordination souple centrée sur les passages pour la navigation hiérarchique multi-robots en environnements à goulots d'étranglement
Illustration générée par IA
4arXiv cs.RO 

Coordination souple centrée sur les passages pour la navigation hiérarchique multi-robots en environnements à goulots d'étranglement

Une équipe de chercheurs publie sur arXiv (2611.18877) un cadre de navigation multi-robots centré sur les passages, conçu pour les environnements à goulots d'étranglement : couloirs, portes, intersections étroites. Le système construit un graphe d'ensembles convexes induit par les passages, puis planifie les trajectoires par ordre de priorité avec deux niveaux de coordination dite « souple ». Le premier niveau est une sélection de route qui tient compte de l'usage de chaque passage et du sens de traversée. Le second est une planification espace-temps continue, restreinte à la route choisie, qui pénalise les conflits temporels au lieu de les interdire. Les références produites alimentent un contrôleur MPPI (Model Predictive Path Integral) qui évite les collisions en ligne. Sur 1 200 instances réparties dans 4 environnements, avec 5 à 30 robots, les auteurs annoncent un taux de succès quasi parfait et de meilleurs résultats que les méthodes de référence testées en makespan (durée totale de la mission) et en flowtime (somme des temps d'achèvement de chaque robot). Des essais matériels avec 8 robots se sont conclus sans collision sur tous les essais. Le travail s'attaque à une tension bien connue des intégrateurs de flottes. Les plannings globaux rigides, avec réservations de trajectoires, produisent de bonnes garanties sur le papier mais se dégradent dès qu'un robot prend du retard, patine ou rencontre un obstacle imprévu. À l'inverse, les méthodes purement locales réagissent bien mais se bloquent dans les goulots, faute de vision à long terme. Remplacer les réservations strictes par des pénalités, avec un suivi temporel et géométrique adaptatif et un replanning sélectif, vise un compromis exploitable en entrepôt, en usine ou en hôpital, où les écarts d'exécution sont la norme. Reste à relativiser : il s'agit d'un préprint non évalué par les pairs, les résultats reposent largement sur la simulation, et 8 robots en conditions de laboratoire restent loin des flottes de plusieurs centaines d'unités des déploiements logistiques. La comparaison dépend aussi du choix des baselines, que le résumé ne détaille pas. Ce travail s'inscrit dans la lignée du multi-agent path finding (MAPF) et de ses variantes continues, qui ont longtemps dominé la coordination de flottes, notamment dans les systèmes AMR et de goods-to-person comme ceux d'acteurs européens tels qu'Exotec. Les approches basées sur des ensembles convexes et la planification par priorités répondent à la limite de passage à l'échelle des solveurs optimaux, tandis que le MPPI, contrôleur d'échantillonnage parallélisable sur GPU, s'est imposé comme brique de commande réactive. Les suites possibles sont des tests sur des flottes plus grandes, avec des robots hétérogènes et des environnements dynamiques peuplés d'humains, ainsi qu'une confrontation directe avec les gestionnaires de trafic des fournisseurs d'AMR commerciaux. Aucun calendrier de transfert industriel n'est annoncé.

RecherchePaper
1 source