Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
RecherchearXiv cs.RO4h

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

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

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.

Dans nos dossiers

NVIDIA GR00TarXiv cs.RO

À lire aussi

Résumé technique : estimation asynchrone et distribuée de trajectoires pour systèmes multi-robots
1arXiv cs.RO 

Résumé technique : estimation asynchrone et distribuée de trajectoires pour systèmes multi-robots

Un rapport technique publié le 1er juillet sur arXiv (2607.01106) présente un nouvel algorithme de descente par coordonnées par blocs pour l'estimation distribuée de trajectoires dans les systèmes multi-robots. Le scénario type: une équipe d'agents (capteurs ou robots observateurs) suit collectivement l'état d'une flotte de robots sur une fenêtre glissante, en résolvant une approximation du problème d'estimation par maximum a posteriori (MAP). Les auteurs démontrent que cette approximation introduit une erreur négligeable tout en supprimant jusqu'à 96,9% des communications nécessaires entre agents, un gain obtenu en tolérant l'asynchronie des échanges et des calculs plutôt qu'en imposant une synchronisation stricte. Ils prouvent aussi une convergence exponentielle des estimations vers la solution optimale. En simulation, la méthode réduit l'erreur jusqu'à 64% par rapport à un algorithme distribué de référence, et des essais sur robots mobiles réels montrent une robustesse à des délais de communication variant sur trois ordres de grandeur. L'enjeu dépasse la simple prouesse mathématique: la plupart des algorithmes d'estimation distribuée publiés jusqu'ici supposent des communications synchrones entre agents, une hypothèse rarement vérifiée sur le terrain où le réseau, les pannes de capteurs ou la charge de calcul introduisent des délais imprévisibles. Un algorithme qui reste stable et précis malgré l'asynchronie et qui divise drastiquement le trafic réseau ouvre la voie à des flottes de robots ou de drones plus nombreuses, moins dépendantes d'une infrastructure de communication fiable et moins gourmandes en bande passante, un critère clé pour les applications d'inspection, de logistique en essaim ou de surveillance multi-capteurs où le lien radio est instable. Ce travail s'inscrit dans la lignée des recherches sur l'estimation collaborative d'état (SLAM multi-robots, fusion de capteurs distribuée) qui cherchent depuis plusieurs années à décentraliser les calculs pour éviter un serveur central unique, point de défaillance critique. Il s'agit ici d'un rapport technique déposé en preprint, non encore validé par relecture par les pairs ni testé à grande échelle industrielle: les expériences citées restent limitées à des robots mobiles en laboratoire. Les prochaines étapes attendues concernent le passage à l'échelle sur des flottes plus importantes et l'intégration dans des piles logicielles de navigation multi-robots existantes.

RecherchePaper
1 source
Robots comme tokens : un transformeur de diffusion unifié pour la génération de trajectoires multi-robots coordonnées
2arXiv cs.RO 

Robots comme tokens : un transformeur de diffusion unifié pour la génération de trajectoires multi-robots coordonnées

Des chercheurs ont publié sur arXiv (2606.15550) Roken, pour "Robots as Tokens", un transformeur de diffusion unifié capable de générer simultanément des trajectoires coordonnées pour plusieurs robots mobiles. Contrairement aux approches dominantes, qui soit se limitent à la planification monorobot, soit enchaînent les trajectoires de façon séquentielle avant d'appliquer des post-traitements itératifs pour résoudre les conflits inter-robots, Roken produit l'ensemble des trajectoires en une seule passe feed-forward. Chaque robot est représenté comme un token discret dans le modèle, ce qui lui permet d'interagir naturellement avec les autres via la self-attention, et de se référer aux tokens de carte pour percevoir l'environnement par cross-attention. Des tâches auxiliaires fondées sur le théorème de Bayes fournissent une supervision spatio-temporelle multi-échelle pour apprendre la distribution conditionnelle. À l'inférence, le modèle supporte indifféremment la planification monorobot, la génération coordonnée multi-robot et la génération conditionnelle (en fixant certains tokens comme conditions). Les expériences, menées en simulation dans des environnements encombrés variés, montrent des taux de succès élevés sur des tâches de navigation avec contraintes de connectivité, dépassant le planificateur classique qui avait servi à générer les données d'entraînement. L'intérêt principal de Roken réside dans sa scalabilité et sa généralisation : le modèle est entraîné sur des équipes de tailles mixtes et se généralise à des équipes et des environnements non vus lors de l'entraînement, y compris en observation partielle. Pour les intégrateurs de flottes AMR ou les systèmes multi-agents en entrepôt, cette capacité à planifier pour N robots sans replanification itérative représente un gain de latence significatif. Que le modèle surpasse son propre générateur de données d'entraînement est notable, mais il faut souligner que toutes les expériences sont en simulation ; le transfert sim-to-real reste non démontré, ce qui est le verrou habituel pour ce type d'approche. Ce travail s'inscrit dans une vague de recherche qui transpose les succès des modèles génératifs (diffusion, transformeurs) du langage et de la vision vers la planification robotique. Des travaux comme Pi-0 (Physical Intelligence) ou GR00T N2 (NVIDIA) explorent des architectures similaires pour le contrôle mono-robot, mais la coordination multi-agents via des tokens partagés reste un territoire peu défriché. Roken propose une formalisation élégante du problème, mais son évaluation reste entièrement simulée à ce stade. Les prochaines étapes naturelles seraient une validation sur robots réels et une comparaison avec des planificateurs multi-agents classiques comme CBS (Conflict-Based Search) sur des métriques standardisées.

RecherchePaper
1 source
Trajectoires de navigation apprises par graphes pour robots sociaux
3arXiv cs.RO 

Trajectoires de navigation apprises par graphes pour robots sociaux

Des chercheurs proposent un nouveau framework d'apprentissage par imitation pour la navigation robotique en environnement social, décrit dans un article publié sur arXiv (2607.00028v1). L'approche combine deux briques : un réseau auxiliaire basé sur des graphes qui encode l'état de la foule en modélisant les interactions entre le robot et chaque piéton via un mécanisme d'attention, et un module de navigation qui capture la dynamique temporelle des trajectoires. Ce module intègre des prédictions d'état encodées et s'appuie sur un objectif d'apprentissage au niveau de la trajectoire complète, plutôt qu'étape par étape, pour limiter l'accumulation d'erreurs typique des méthodes d'imitation classiques. Les auteurs indiquent que leur framework surpasse les référentiels existants à la fois en simulation et sur un jeu de données réel, selon plusieurs métriques sociales (respect de l'espace personnel, fluidité des trajectoires, réactivité aux mouvements piétons). L'enjeu pour l'industrie de la robotique mobile autonome est concret : les robots de livraison, d'accueil ou d'assistance déployés en environnement humain doivent naviguer sans perturber les piétons, un problème encore mal résolu. Les méthodes par apprentissage par renforcement exigent des fonctions de récompense conçues à la main, qui réduisent le comportement social à des critères statiques et peinent à reproduire les nuances du comportement piéton réel. À l'inverse, l'apprentissage par imitation pur entraîne directement sur des données réelles mais ignore généralement la dimension interactionnelle et souffre de dérive cumulative des erreurs sur des trajectoires longues. En combinant représentation par graphe et objectif temporel, ce travail cherche à réconcilier fidélité aux données réelles et modélisation explicite des interactions sociales. Ce travail s'inscrit dans une littérature de recherche active sur la navigation socialement compliante, où RL et IL sont traditionnellement opposés faute de méthode combinant leurs forces respectives. Il s'agit d'un article de recherche déposé sur arXiv, sans mention d'implémentation industrielle, de partenaire ou de calendrier de déploiement : la validation reste limitée à des benchmarks de simulation et un jeu de données réel, sans démonstration sur robot physique en conditions opérationnelles.

RecherchePaper
1 source
Coordination du changement de tâches dans un système multi-agents robotique à l'aide d'arbres de comportement
4arXiv cs.RO 

Coordination du changement de tâches dans un système multi-agents robotique à l'aide d'arbres de comportement

L'équipe ThundeRatz de l'Universidade de São Paulo a publié en juin 2026 un article (arXiv:2606.01170) présentant une nouvelle architecture de coordination pour ses robots de football miniature, dans le cadre de la catégorie IEEE Very Small Size Soccer (VSSS). Ce format de compétition met en jeu deux équipes de trois robots chacune, évoluant dans un environnement particulièrement dynamique. Pour gérer les changements de rôle et de comportement en temps réel, l'équipe a remplacé son système historique à base d'automates finis (FSM, Finite State Machine) par une architecture fondée sur des arbres de comportement (Behavior Trees, BT). La comparaison entre les deux approches a été conduite sur le simulateur FIRASim, puis validée lors d'une compétition académique réelle. Le passage FSM vers BT représente un choix architectural significatif dans le domaine de la coordination multi-agents en robotique. Les FSM sont réputés fragiles à mesure que le nombre d'états croît : chaque nouvelle transition requiert une mise à jour manuelle de l'ensemble du graphe, ce qui génère rapidement un code difficile à maintenir dans des environnements où les comportements doivent être recomposés dynamiquement. Les Behavior Trees offrent, à l'inverse, une structure modulaire et hiérarchique qui facilite le changement de tâche en cours d'exécution. Appliqué au football multi-robots, cela signifie une meilleure réactivité aux situations de jeu imprévues, attaquant, défenseur, gardien pouvant échanger leurs rôles de manière coordonnée sans régression comportementale. Ce type de résultat, même dans un cadre académique et à petite échelle, alimente directement les travaux sur la coordination de flottes de robots industriels (AMR, bras collaboratifs) où la commutation de tâche est un point de défaillance récurrent. La compétition VSSS existe depuis plusieurs années sous l'égide de l'IEEE et constitue un banc d'essai reconnu en robotique collective, notamment en Amérique du Sud. ThundeRatz est l'une des équipes historiques du circuit, et ses publications alimentent régulièrement la littérature sur la coordination embarquée à faibles ressources. Sur le plan concurrentiel, les approches BT sont désormais adoptées par plusieurs frameworks robotiques majeurs, dont ROS 2 via BehaviorTree.CPP, ainsi que par des acteurs industriels comme Boston Dynamics pour la gestion comportementale de Spot. L'article ne détaille pas de métriques de performance chiffrées dans son résumé, ce qui rend difficile toute comparaison directe avec d'autres travaux ; les résultats complets restent à consulter dans le corps du papier.

RecherchePaper
1 source