RecherchearXiv cs.RO5h

MOSAIC : une autonomie modulaire et évolutive pour la coordination intelligente d'équipes robotiques hétérogènes

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des robots mobiles explorent des environnements hostiles, espace ou zones sinistrées, mais restent aujourd'hui largement dépendants d'un télépilotage humain continu, ce qui limite le nombre de machines déployables et exige une liaison de communication à faible latence quasi permanente. Des chercheurs présentent MOSAIC, un framework d'autonomie scalable pour l'exploration scientifique multi-robots, construit autour d'une abstraction de mission unifiée fondée sur des points d'intérêt (POI) et plusieurs couches d'autonomie, permettant à un seul opérateur de superviser toute une flotte. Le système alloue dynamiquement les tâches d'exploration et de mesure selon les capacités propres de chaque robot, en exploitant la redondance et la spécialisation au niveau de l'équipe pour maintenir l'opération en continu. La validation a eu lieu lors d'une expérience de terrain en environnement analogue spatial, simulant un scénario de prospection lunaire, avec une équipe hétérogène de cinq robots supervisée par un seul opérateur humain. Malgré la défaillance complète d'un des robots en cours de mission, l'équipe a accompli 82,3% des tâches assignées, avec un taux d'autonomie de 86%, tandis que la charge de travail de l'opérateur est restée à 78,2%.

Ces résultats comptent parce qu'ils s'attaquent directement au goulot d'étranglement classique des missions robotiques en environnement extrême : la dépendance à la téléopération continue, coûteuse en bande passante et en attention humaine, et fragile dès qu'un délai de communication apparaît (cas typique des missions lunaires ou martiennes). Démontrer qu'une flotte hétérogène peut absorber la panne totale d'un robot et continuer à remplir sa mission sans réallocation manuelle constante est un signal concret pour les intégrateurs travaillant sur la résilience des systèmes multi-robots, que ce soit pour le spatial, la surveillance industrielle ou l'intervention post-catastrophe. Cela illustre aussi une tendance de fond : le report de la charge cognitive du pilotage individuel vers la supervision de mission à haut niveau, un des verrous identifiés depuis longtemps pour faire passer la robotique de terrain de la démonstration à l'opération à grande échelle.

Le papier, révisé sur arXiv (version 3, catégorie replace), s'inscrit dans la lignée des recherches en robotique spatiale et en gestion d'équipes multi-robots hétérogènes, un champ où la littérature reste dominée par des simulations ou des tests en petite échelle plutôt que des validations de terrain réalistes. Les auteurs en tirent des enseignements pratiques sur l'interopérabilité entre robots, l'architecture réseau et la composition d'équipe, autant d'éléments destinés à nourrir la conception de futures missions d'exploration multi-robots, sans qu'un calendrier de déploiement opérationnel ne soit pour l'instant annoncé.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

HEART : coordination d'agents experts hétérogènes pour la planification de tâches robotiques ancrée dans le réel

Une équipe de chercheurs publie sur arXiv (réf. 2606.25404) HEART, un framework de planification robotique qui distribue le raisonnement entre plusieurs LLM spécialisés plutôt que de confier l'ensemble de la tâche à un seul modèle. Le principe : décomposer une instruction complexe en sous-tâches atomiques (vérification des capacités du robot, analyse de l'atteignabilité des objets, respect des contraintes logiques et temporelles), puis allouer chacune à un agent LLM dédié, le tout sous une contrainte de budget en tokens pour rester viable sur du matériel embarqué ou en communication limitée. La synthèse finale produit un plan d'actions physiquement exécutable, validé avant transmission au robot. Les expériences sur plusieurs benchmarks de scénarios domestiques montrent une amélioration consistante du taux de succès face aux planificateurs mono-LLM et aux approches à base de règles, sans que l'abstract disponible détaille de chiffres absolus. La contribution centrale de HEART est d'intégrer une couche de validation physique avant la génération du plan, un angle mort chronique des approches LLM-only. Les modèles de langage généralisent bien le raisonnement symbolique mais peinent avec les contraintes géométriques réelles : objet hors de portée, séquence d'actions physiquement impossible, outil absent. En déléguant ces vérifications à des agents rôle-spécialisés, le framework réduit le taux de plans invalides ou incomplets. Pour les intégrateurs travaillant sur l'automatisation de tâches non-structurées en environnement domestique ou industriel léger, c'est un signal pertinent : la spécialisation des agents LLM par type de contrainte commence à produire des gains mesurables sur les benchmarks standard. Ce travail s'inscrit dans un courant de recherche actif qui cherche à dépasser les limites du "single LLM as planner", avec des approches comme SayPlan, LLM+P ou Code as Policies comme antécédents directs. Aucun acteur industriel ni déploiement terrain n'est mentionné, et le papier reste un preprint non relu par les pairs. L'absence de métriques chiffrées précises dans l'abstract (taux de succès, nombre de benchmarks, configurations matérielles testées) rend l'évaluation externe difficile. Les prochaines étapes naturelles seraient une validation sur robot physique réel et une comparaison contre des frameworks VLA (Vision-Language-Action) comme pi-0 ou GR00T N2, qui intègrent déjà un raisonnement ancré dans la perception sensorielle.

RecherchePaper

1 source

2arXiv cs.RO

ROBOCYCLE : manipulation et coordination robotiques autonomes à deux bras pour le recyclage

Des chercheurs présentent ROBOCYCLE, une plateforme robotique autonome à deux bras conçue pour le tri des déchets recyclables, calibrée pour répondre aux normes de recyclage de la métropole de Tokyo. Le système combine une perception RGB-D multi-vues, une segmentation d'instances basée sur le transformeur RF-DETR, et une planification de prise à 6 degrés de liberté (DoF) via le SDK Anygrasp. En traitant des nuages de points segmentés, la plateforme génère des poses de préhension robustes pour des objets irréguliers, déformables ou encombrés (bouteilles en PET froissées, emballages transparents, déchets mélangés). Les résultats annoncés font état d'un taux de réussite de préhension de 90,3% et d'un taux de réussite global des tâches de 84,3%, incluant des opérations coordonnées complexes comme le dévissage de bouchons de bouteilles PET avant tri. Le tri des déchets reste l'un des angles morts de la robotique industrielle : les objets transparents, déformables ou empilés de façon chaotique mettent en échec la plupart des systèmes de vision et de préhension actuels, ce qui oblige encore de nombreux centres de tri à s'appuyer sur du personnel humain malgré des pénuries de main-d'œuvre croissantes dans ce secteur. Un taux de réussite de tâche proche de 85% sur ce type de matériaux, si confirmé en conditions réelles et pas seulement en environnement contrôlé de laboratoire, marquerait une avancée notable par rapport aux pilotes existants, généralement limités à des flux de déchets homogènes ou pré-triés. Pour les opérateurs de centres de tri, les intégrateurs de systèmes et les décideurs municipaux, ROBOCYCLE montre comment l'association de modèles de segmentation récents et de SDK de préhension commerciaux comme Anygrasp permet de construire rapidement des démonstrateurs crédibles, sans développer une pile de perception et de manipulation entièrement propriétaire. ROBOCYCLE s'inscrit dans une vague de recherche académique visant à automatiser le tri sélectif face à la hausse des volumes de déchets urbains, un problème documenté de longue date au Japon, où les normes de recyclage, notamment à Tokyo, comptent parmi les plus strictes au monde. Le projet assemble des briques technologiques existantes plutôt que de proposer un nouveau modèle de bout en bout : RF-DETR pour la segmentation d'instances et Anygrasp pour la planification de prise, deux outils déjà exploités dans d'autres travaux de manipulation robotique en entrepôt. Publié comme article de recherche sur arXiv, ROBOCYCLE reste à ce stade un prototype académique dont les résultats n'ont pas encore été validés par un déploiement commercial ou industriel ; les auteurs ne précisent aucun calendrier de transfert vers un site de tri réel ni d'accord avec un opérateur de gestion des déchets.

RecherchePaper

1 source

3arXiv cs.RO

FlexiTac : une solution tactile open source, économique et modulaire pour les systèmes robotiques

Une équipe de chercheurs a présenté FlexiTac, un capteur tactile piézorésistif open-source, bas coût et scalable, conçu pour équiper les effecteurs terminaux de robots manipulateurs. Le système se compose de deux éléments : des nappes tactiles flexibles fines générant des signaux tactiles denses, et une carte d'acquisition multi-canaux compacte transmettant les mesures synchronisées à 100 Hz via liaison série vers un ordinateur hôte. La structure physique des nappes repose sur un empilement laminé en trois couches (FPC-Velostat-FPC), avec des électrodes directement intégrées dans des circuits imprimés flexibles, ce qui améliore le débit de fabrication et la répétabilité. FlexiTac se décline en plusieurs configurations, patins de bout de doigt et tapis tactiles de plus grande surface, et peut être monté sur des grippers rigides ou souples sans modification mécanique majeure. Ces résultats sont présentés sous forme de preprint arXiv (2604.28156v1) ; il s'agit d'une annonce académique, pas d'un produit commercialisé. L'intérêt de FlexiTac pour l'industrie tient à trois points distincts. D'abord, le coût et la reproductibilité : les composants électroniques sont standard et la fabrication des nappes est automatisable, ce qui rend un déploiement à grande échelle envisageable pour des lignes d'assemblage ou de tri. Ensuite, la compatibilité native avec les pipelines d'apprentissage modernes : les auteurs démontrent l'intégration avec la fusion visuo-tactile 3D pour la prise de décision en contact, le transfert de compétences cross-embodiment, et le fine-tuning real-to-sim-to-real avec simulation tactile parallèle sur GPU. Enfin, la nature plug-in du module réduit l'effort d'intégration mécanique, frein classique à l'adoption du toucher artificiel hors laboratoire. La plupart des solutions tactiles existantes restent soit coûteuses (GelSight de MIT, DIGIT de Meta), soit difficiles à fabriquer en série, soit propriétaires. FlexiTac s'inscrit dans une tendance croissante vers des capteurs open-source accessibles, aux côtés de projets comme les travaux du Touch Lab d'University College London. Les acteurs industriels comme Xela Robotics ou Contactile restent positionnés sur des solutions packagées premium ; FlexiTac vise plutôt les laboratoires, les startups robotiques et les intégrateurs souhaitant construire leur propre stack de données tactiles. L'étape naturelle serait une validation hors lab en environnement industriel réel, point non adressé dans le preprint.

UELes laboratoires et startups robotiques européens peuvent adopter FlexiTac comme base open-source pour leurs propres stacks de données tactiles, réduisant la dépendance aux solutions propriétaires coûteuses (DIGIT, GelSight), sans impact institutionnel direct sur la France ou l'UE.

RecherchePaper

1 source

4arXiv cs.RO

Co-GLANCE : perception active sous incertitude pour équipes de robots hétérogènes

Des chercheurs ont publié Co-GLANCE (arXiv:2606.09919), un système embarqué de perception active et de prise de décision pour équipes robotiques hétérogènes opérant en extérieur non structuré. Le problème central adressé est l'incertitude perceptuelle liée aux occlusions : selon la position d'un robot, certaines zones de la scène restent invisibles ou ambiguës, et aucun agent isolé ne dispose d'un point de vue suffisant pour une compréhension fiable. Co-GLANCE distille les capacités de raisonnement sémantique d'un vision-language model (VLM) dans un modèle embarqué end-to-end qui réalise simultanément la segmentation des occlusions et l'allocation des robots les plus adaptés pour résoudre ces zones d'incertitude. Pour quantifier cette incertitude de façon statistiquement garantie, le système combine la prédiction conforme (conformal prediction) et l'abstention sélective sur les sorties de segmentation, d'allocation et de détection. Comparé aux baselines VLM cloud, Co-GLANCE améliore la précision de segmentation des occlusions de 25% et l'allocation robotique de 36%, tout en réduisant la latence d'inférence par image d'un facteur 350. Un dataset air-sol est également publié en open source. Ce résultat est significatif pour les intégrateurs et les décideurs industriels déployant des flottes multi-robots sur des chantiers, des sites miniers ou des opérations de surveillance. L'élimination de la dépendance au cloud pour l'inférence VLM lève un verrou majeur : latence, connectivité intermittente et coûts d'API. Le gain de 350x en latence n'est pas un chiffre de laboratoire anecdotique, il rend la perception active temps-réel praticable sur du matériel embarqué contraint. La combinaison conformal prediction + abstention sélective apporte des garanties de couverture statistique, ce qui est rare dans les systèmes robotiques terrain : les incertitudes sont exploitables (elles déclenchent des actions), pas seulement affichées. Les travaux sur la coordination multi-robots hétérogènes air-sol s'inscrivent dans un champ actif depuis plusieurs années, avec des groupes comme MIT CSAIL, Stanford, ETH Zurich et CMU comme références principales. La tendance forte est le passage des VLM cloud-only vers des modèles distillés edge-capable, que l'on retrouve aussi dans des travaux comme OpenVLA ou octo. Co-GLANCE se positionne spécifiquement sur l'allocation robotique sous incertitude, un angle moins couvert que la simple navigation ou manipulation. Les prochaines étapes probables incluent des validations sur des flottes plus larges et des environnements dégradés (nuit, pluie), ainsi que l'intégration dans des stacks ROS2 existants. Le code et le dataset sont disponibles sur co-glance.github.io.

RecherchePaper

1 source