RecherchearXiv cs.RO 24 juillet 2026

Robots multiples : navigation socialement cohérente via planification découplée et coordination des trajectoires

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Article :

Une équipe de recherche présente un système de navigation multi-robots visant à rendre les déplacements en environnement humain non seulement sûrs et efficaces, mais aussi prévisibles et conformes aux conventions sociales, un facteur clé pour l'acceptation par les usagers. Le framework proposé est partiellement décentralisé et découple la planification globale de trajectoire de la coordination fine entre robots. La première brique est une version modifiée de l'algorithme A* qui intègre directement des normes sociales macroscopiques dans sa fonction de coût, poussant chaque robot à emprunter des chemins jugés socialement acceptables plutôt que purement optimaux en distance. Ces trajectoires planifiées sont ensuite partagées entre les robots de la flotte pour construire collectivement un graphe social des itinéraires établis, ce qui renforce la cohérence des chemins choisis dans le temps et réduit l'effort de planification pour les déplacements futurs. Sur cette base, la coordination des trajectoires entre robots est formulée comme un programme convexe en variables mixtes-entières, permettant de calculer efficacement des trajectoires sans collision, avec une capacité annoncée à bien passer à l'échelle sur de grandes flottes et à supporter l'attribution dynamique de tâches.

Pour l'industrie de la robotique mobile et les intégrateurs de flottes d'AMR (robots mobiles autonomes) en entrepôt, magasin ou hôpital, ce travail s'attaque à un angle mort courant des architectures actuelles : la plupart des planificateurs "human-aware" opèrent à court terme et reportent tout le poids de la cohérence comportementale sur le planificateur local, ce qui produit des trajectoires réactives, changeantes d'un passage à l'autre, et donc imprévisibles pour les humains qui partagent l'espace. En déplaçant la contrainte sociale au niveau de la planification globale, l'approche promet des comportements de flotte plus stables et lisibles dans la durée, un argument qui pèse directement sur le confort perçu et l'acceptabilité des déploiements en environnements partagés à forte densité humaine. Elle illustre aussi une tendance de fond du secteur : traiter la coordination multi-robots non plus comme un problème purement combinatoire de sans-collision, mais comme un problème conjoint d'optimisation technique et de normes sociales.

Le papier s'inscrit dans la lignée des travaux sur la navigation "human-aware", qui cherchent depuis plusieurs années à dépasser les planificateurs purement géométriques hérités de la robotique classique. La nouveauté ici est la séparation explicite entre planification de chemin socialement contrainte et coordination de trajectoire par optimisation convexe, une architecture partiellement décentralisée pensée pour scaler sur des flottes de taille importante. Le texte, publié sur arXiv, ne précise pas de déploiement industriel réel ni de partenaire commercial identifié à ce stade ; il s'agit d'une contribution de recherche dont les résultats sont validés en simulation ou en conditions contrôlées selon les standards habituels de ce type de publication, avant d'éventuels essais sur plateformes réelles.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Planification unifiée de trajectoires multi-contacts pour les robots à déplacement roulant

Des chercheurs ont publié sur arXiv (ref. 2606.29065) un cadre unifié de planification de trajectoire pour les robots à roulement multi-contacts sous contraintes de non-glissement. Le problème central est la planification de mouvement dans des systèmes où plusieurs corps sphériques roulent simultanément sans glisser, ce qui génère des contraintes non-holonomes couplées et une configuration évoluant sur une variété courbe. Le framework proposé repose sur la formulation de Montana en coordonnées de contact, où chaque point de contact est représenté par un vecteur d'état à cinq dimensions. Sur cette base géométrique, les auteurs construisent une carte routière de type Voronoï directement sur la variété de contact sphérique, intègrent des obstacles en calotte sphérique et des zones d'exclusion mutuelle via une vérification de collision sur la variété, puis raffinent les chemins discrets par un lissage log-exp cohérent avec la géométrie différentielle. Les trajectoires lissées sont ensuite remontées en mouvements de roulement admissibles via la cinématique Montana et validées par simulation forward. Cette publication s'attaque à une lacune réelle en planification de mouvement : les approches classiques peinent à gérer simultanément les contraintes non-holonomes, la topologie des variétés de contact et la présence de plusieurs points de contact couplés. L'intégration d'un Voronoï directement sur la variété sphérique, plutôt que dans un espace euclidien aplati, est la contribution technique principale, car elle préserve la géométrie intrinsèque sans distorsions. Il convient cependant de noter que la validation reste purement simulée : aucune expérience sur plateforme physique n'est rapportée, ce qui constitue une limite explicitement reconnue par les auteurs. Le domaine des robots à roulement sphérique reste une niche académique, distinct des humanoïdes ou des AMR (robots mobiles autonomes) à roues classiques, mais pertinent pour des plateformes comme les robots à roulement omnidirectionnel ou les systèmes de manipulation interne par sphère. La cinématique de Montana, référence fondatrice des années 1980-90 en mécanique de contact, est ici réemployée comme socle formel. Les auteurs annoncent trois extensions futures : géométries non-sphériques, environnements à obstacles dynamiques, et validation expérimentale sur plateforme réelle. En l'état, il s'agit d'une contribution théorique solide, pas encore d'un outil intégrable en production industrielle.

RecherchePaper

1 source

2arXiv cs.RO

Robots à travers différentes scènes : planification rapide et sûre de trajectoires par composition de diffusion

Une équipe de recherche présente un nouveau cadre de planification de trajectoire baptisé RSTP (diffusion composition), publié sur arXiv (2507.04384v4) avec une page projet dédiée. La méthode combine un champ d'énergie appris de façon conservative avec un processus de diffusion, ce qui permet d'intégrer plusieurs contraintes de sécurité et de cinématique sans réentraînement pour chaque nouvel environnement. Un filtre de sécurité léger est ajouté en aval pour garantir en temps réel le respect des contraintes de faisabilité cinématique. Les chercheurs ont aussi développé un pipeline de génération de données basé sur du contrôle prédictif (MPC), indépendant de la scène, pour produire à grande échelle des trajectoires d'entraînement dynamiquement réalisables. En simulation, le planificateur atteint un temps de calcul moyen de 0,21 seconde par trajectoire et un taux d'échec de seulement 0,57 %. Les tests réels ont été menés sur la plateforme robotique F1TENTH, où le système a maintenu une distance moyenne de sécurité de 0,26 mètre par rapport aux obstacles, même en présence d'incertitude des capteurs et dans des environnements dynamiques inédits. Cette avancée s'adresse directement à un problème central en robotique mobile et en navigation autonome: la difficulté de garantir simultanément vitesse de calcul, sécurité et généralisation face à des obstacles mouvants sans connaître à l'avance la scène. Les méthodes de diffusion, déjà populaires pour la génération de trajectoires en manipulation robotique et en conduite autonome, souffrent souvent d'un temps d'inférence trop long pour un usage temps réel, ou d'un manque de garanties de sécurité formelles. En démontrant un temps de planification compatible avec le temps réel tout en conservant un filtre de sécurité explicite, ce travail répond à une critique récurrente adressée aux approches génératives en robotique: leur difficulté à passer de la démonstration en simulation à un déploiement fiable sur robot physique. Le papier, une version révisée (v4) d'un article initialement soumis en juillet, s'inscrit dans la lignée des travaux combinant modèles de diffusion et planification sous contrainte, en concurrence avec des approches plus classiques de type MPC pur ou de champs de potentiel. La validation sur F1TENTH, plateforme standard de recherche en course autonome à petite échelle, ouvre la voie à des tests sur des robots de taille industrielle ou des véhicules autonomes complets, sans calendrier de déploiement commercial précisé à ce stade.

RecherchePaper

1 source

3arXiv 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

4arXiv cs.RO

Robots à bras multiples : apprentissage neuronal de l'accessibilité Hamilton-Jacobi pour la planification décentralisée de trajectoires sûres

Une équipe de chercheurs propose NeHMO, une méthode d'apprentissage par réseau de neurones basée sur la réductibilité de Hamilton-Jacobi (HJR) pour la planification de mouvement multi-bras en sécurité et de façon décentralisée. Le papier, publié sur arXiv (arXiv:2507.13940, version 2), s'attaque au problème de la coordination de plusieurs bras robotiques évoluant dans un espace de configuration couplé et de haute dimension. Plutôt que de s'appuyer sur un planificateur centralisé qui coordonne tous les bras mais peine à passer à l'échelle en temps réel, ou sur des méthodes décentralisées existantes qui supposent un comportement prévisible des autres bras, les auteurs entraînent une fonction de valeur de sécurité qui capture les contraintes de collision inter-bras dans le pire des cas. Cette représentation apprise alimente ensuite un module d'optimisation de trajectoire décentralisé, exécutable en temps réel sur chaque bras indépendamment. L'enjeu dépasse l'exercice académique: la planification multi-bras sûre est un goulot d'étranglement concret pour les cellules de fabrication et les postes d'assemblage où plusieurs manipulateurs partagent un espace de travail restreint. Les approches centralisées classiques deviennent impraticables dès que le nombre de bras augmente, tandis que les méthodes décentralisées à base d'apprentissage profond échouent dès qu'un bras voisin dévie d'un comportement anticipé, c'est à dire exactement le scénario que redoutent les intégrateurs industriels en environnement non coopératif. En garantissant une sécurité dans le pire des cas plutôt qu'une prédiction probable de comportement, NeHMO répond à une limite reconnue des architectures actuelles: la fragilité face à l'imprévisibilité, sans sacrifier le passage à l'échelle. La réductibilité de Hamilton-Jacobi est un outil classique de la théorie du contrôle pour la vérification formelle de sécurité, historiquement trop coûteux en calcul pour des systèmes multi-bras à haute dimension. L'apport ici est de le rendre tractable via une approximation neuronale, généralisable à différentes configurations de manipulateurs sans réentraînement complet. Selon les auteurs, la méthode surpasse les références de l'état de l'art sur des tâches de planification multi-bras jugées difficiles. Il s'agit toutefois d'un résultat de recherche publié en preprint, sans partenaire industriel ni déploiement annoncé à ce stade.

RecherchePaper

1 source