RecherchearXiv cs.RO 7 août 2026

Traduction et apprentissage conjoint agent-environnement assisté par recherche pour la recherche de chemins multi-agents à vie longue avec rotations

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs publient sur arXiv (2608.05588) une nouvelle méthode pour la planification de trajectoires multi-agents en continu (LMAPF), le problème qui consiste à replanifier sans collision les déplacements d'une flotte de robots dont chacun reçoit un nouvel objectif dès qu'il atteint le précédent. Les auteurs introduisent un modèle plus réaliste, baptisé LMAPF-R2, dérivé du fonctionnement d'entrepôts automatisés réels : il intègre des contraintes de sécurité robustes et la rotation sur place des robots, deux éléments souvent ignorés par les planificateurs entraînés par apprentissage. Leur méthode, SJRL (Search-Aided Joint Reinforcement Learning), combine des politiques neuronales avec Causal PIBT, un planificateur de recherche en une étape qui résout les collisions et propage les intentions des agents, et une formulation d'apprentissage par renforcement qui optimise conjointement la politique des robots et une politique d'environnement apprenant le coût des arêtes du graphe pour guider les déplacements via une recherche de Dijkstra inversée. Les résultats montrent des gains significatifs sur Causal-PIBT dans plusieurs cartes à haute densité, avec une validation en réalité mixte associant 8 robots physiques et 248 robots virtuels.

L'enjeu concerne directement les exploitants de flottes de robots mobiles autonomes (AMR) en entrepôt, où la plupart des benchmarks académiques de MAPF simplifient encore les déplacements à de simples sauts de case en case, sans rotation ni contrainte physique, un écart classique entre démonstration académique et comportement réel des robots. En intégrant ces contraintes dès la conception du modèle plutôt qu'en les traitant comme un post-traitement, les auteurs réduisent cet écart et rendent les résultats plus transférables à des systèmes industriels concrets. La validation à l'échelle mixte, mêlant robots physiques et simulation, reste rare dans ce champ de recherche où la quasi-totalité des publications s'arrête à la simulation pure ; c'est un signal de maturité qui mérite d'être noté, même s'il s'agit encore d'un prototype de laboratoire et non d'un déploiement commercial.

Le MAPF s'est imposé comme problème central de la logistique automatisée avec la généralisation des flottes d'AMR popularisées par Kiva Systems puis Amazon Robotics dans les années 2010, et sa variante "lifelong", où les objectifs arrivent en continu, modélise mieux les opérations réelles d'entrepôt que les formulations statiques classiques. Causal PIBT, utilisé ici comme référence, appartient à la lignée des planificateurs par recherche et héritage de priorité, dominante avant l'essor récent des approches neuronales. SJRL s'inscrit dans une tendance qui hybride recherche classique et apprentissage par renforcement pour dépasser les limites de chaque approche isolée. L'abstract ne mentionne ni partenaire industriel, ni acteur français ou européen, ni calendrier de déploiement : il s'agit à ce stade d'une contribution académique.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Adaptation des compétences avec prise en compte de la sécurité pour l'apprentissage par renforcement en environnements dynamiques

Une équipe de chercheurs présente Dist-GPRL, un framework d'apprentissage par renforcement guidé par la sécurité pour l'adaptation de compétences robotiques, dans une prépublication arXiv (2609.11433v1). Construit sur une paramétrisation de trajectoires par processus gaussiens (GP), le système adapte séquentiellement des fenêtres locales de points de passage plutôt que la trajectoire complète à chaque étape, la covariance du GP assurant des mises à jour cohérentes dans le temps et réduisant les difficultés d'attribution de crédit propres à l'adaptation globale. La sécurité combine un a priori de sous-espace faisable dérivé du planificateur Hausdorff Approximation Planner (HAP) et des récompenses fondées sur un champ de distance aux obstacles mis à jour dynamiquement, complétées par un régularisateur qui préserve les profils de vitesse et d'accélération démontrés. Testé sur deux tâches de manipulation d'objets dynamiques, d'abord en simulation puis transféré à l'exécution réelle sur robot, Dist-GPRL affiche un taux de réussite plus élevé, moins de collisions et un apprentissage plus stable que les méthodes de référence. L'enjeu dépasse la démonstration académique. La plupart des cadres RL d'adaptation de compétences imposent des observations fixes ou des schedules d'exploration rigides pour rester stables, ce qui les rend inadaptés dès qu'un environnement encombré ou des objets mobiles entrent en jeu, un scénario courant en manipulation industrielle. En intégrant la sécurité directement dans la boucle d'exploration plutôt qu'en garde-fou externe, ce travail s'attaque à un point de friction réel pour les intégrateurs qui veulent déployer des politiques apprises près d'obstacles ou d'opérateurs. Le transfert simulation vers réel réussi, même circonscrit à deux tâches, reste un indice utile mais ne vaut pas preuve de robustesse à grande échelle. La méthode s'inscrit dans la lignée des approches de paramétrisation de compétences par processus gaussiens, réputées compactes mais fragiles face aux changements d'environnement, défaut que Dist-GPRL cherche à corriger en s'appuyant sur le planificateur HAP pour la garantie géométrique de sécurité. Elle se distingue ainsi des architectures VLA de bout en bout type Pi-0 ou GR00T N2, en combinant planification classique et apprentissage par renforcement plutôt qu'un modèle unique bout à bout. La publication ne mentionne ni partenaire industriel, ni robot commercial, ni calendrier de déploiement: il s'agit à ce stade d'une contribution de recherche validée en simulation et sur un banc réel limité, sans pilote industriel annoncé.

RecherchePaper

1 source

2arXiv cs.RO

EDAR : apprentissage de représentations d'actions dépendantes de l'environnement pour la manipulation robotique

EDAR (Environment-Dependent Action Representation) est une nouvelle méthode d'apprentissage de représentations d'actions pour la manipulation robotique, présentée dans un article publié sur arXiv (référence 2607.11427v1). Le problème que les auteurs cherchent à résoudre est que les trajectoires de contrôle brutes utilisées pour entraîner des politiques robotiques sont bruitées, redondantes et difficiles à modéliser telles quelles. Les approches existantes se contentent généralement d'encoder la structure du flux d'actions lui-même, sans tenir compte explicitement de l'environnement dans lequel ces actions sont exécutées. EDAR propose au contraire de coupler les commandes moteur avec leurs effets visuels attendus, conditionnés par le contexte de la scène, afin que la représentation apprise capture la sémantique de l'interaction plutôt que de simples motifs au niveau des commandes. Les auteurs ont testé leur méthode sur des bancs d'essai de manipulation à la fois simulés et sur robot réel. Cette approche s'attaque à un angle mort connu des architectures VLA (vision-language-action) actuelles: le même segment d'action peut produire des résultats radicalement différents selon la disposition des objets, les propriétés physiques de la scène ou l'état initial de l'environnement. En ancrant les tokens d'action dans les conséquences visuelles attendues plutôt que dans la seule structure de commande, EDAR vise à améliorer la généralisation des politiques apprises, en particulier sur des tâches de manipulation à long horizon, où les erreurs de représentation s'accumulent au fil des étapes. Pour les équipes qui développent des politiques de manipulation généralistes, ce type de travail illustre une tendance de fond: le passage d'une modélisation purement centrée sur le contrôle vers des représentations conjointes action-perception, jugées nécessaires pour que les modèles de fondation robotiques (dans la lignée de GR00T N2, Pi-0 ou Helix) tiennent leurs promesses au-delà des démonstrations en environnement contrôlé. Le papier s'inscrit dans un courant de recherche plus large sur les représentations d'actions pour la robotique, où plusieurs travaux récents ont exploré la tokenisation d'actions, l'apprentissage par imitation conditionné par la vision, ou les modèles du monde pour anticiper les conséquences des actions. EDAR se positionne comme une contribution méthodologique plutôt qu'un produit ou un système déployé: il n'y a pas d'annonce de déploiement industriel ni de partenariat commercial associé à ce travail, qui reste à ce stade une publication de recherche évaluée sur des bancs d'essai académiques. Les prochaines étapes attendues pour ce type de travaux sont généralement l'intégration dans des pipelines VLA plus larges et des tests de transfert sur des plateformes robotiques commerciales, mais aucune feuille de route de ce type n'est mentionnée dans l'abstract.

RecherchePaper

1 source

3arXiv 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

4arXiv cs.RO

Apprentissage par renforcement résiduel hybride pour l'insertion robotique de livres en environnement à contacts multiples

Une étude publiée en septembre 2026 sur arXiv (référence 2609.19962) s'attaque à l'insertion robotique de livres dans une étagère serrée, une tâche de manipulation en contact riche où une erreur de pose de l'ordre du millimètre peut provoquer un blocage, un échec de relâchement ou un mauvais positionnement de l'objet. La méthode proposée est hybride: un contrôleur nominal dans l'espace de la tâche gère l'insertion et le positionnement structurés, pendant qu'une politique d'apprentissage par renforcement résiduel (PPO) apporte des corrections locales bornées et décide du moment du relâchement; seule la brève séquence d'ouverture-retrait-refermeture reste scriptée. En simulation calibrée sur le déploiement réel, sur 512 conditions fixes et trois entraînements indépendants, le taux de succès moyen atteint 98,50% (écart-type de 0,23 point) contre 37,89% pour le contrôleur nominal seul. Sur un bras robotique physique xArm7 à 7 degrés de liberté, 60 essais répartis sur 30 conditions appariées montrent un succès passant de 26,7% à 63,3% avec l'approche résiduelle, les échecs chutant de 22 à 11 cas, avec une victoire sur 13 des 15 conditions où les deux méthodes divergent. L'écart marqué entre les résultats en simulation (98,5%) et ceux obtenus en conditions réelles (63,3%) illustre concrètement le fossé sim-to-real qui reste un obstacle pour la manipulation robotique en contact riche, au-delà des tâches de navigation ou de préhension simple déjà largement maîtrisées. Pour les intégrateurs et décideurs en logistique, entrepôts ou service, ce résultat confirme qu'une architecture hybride, combinant contrôle géométrique fiable pour la structure globale de la tâche et correction apprise concentrée sur les phases sensibles au contact, surpasse nettement le contrôle purement scripté, tout en restant plus économe en données que des politiques bout-en-bout entraînées sur de vastes corpus de démonstrations. Les tests de robustesse, avec des performances maintenues au-dessus de 87% sous des perturbations d'initialisation jusqu'à 1,5 fois la normale, nuancent toutefois les promesses de généralisation totale par apprentissage pur: sur des espaces très serrés, la limite géométrique de la correction locale réapparaît. Ce travail s'inscrit dans la lignée des architectures hybrides associant contrôle classique et apprentissage résiduel, une alternative aux politiques vision-langage-action entraînées de bout en bout comme Pi-0, GR00T N2 ou Helix, qui cherchent à remplacer entièrement les contrôleurs structurés par des réseaux appris. En ne déléguant à l'apprentissage que la phase de contact la plus délicate, insertion et relâchement, tout en conservant la structure géométrique du reste de la tâche, les auteurs proposent une voie intermédiaire de fiabilisation pour des manipulateurs comme le xArm7 d'UFactory. L'étude, de nature académique, ne mentionne ni partenaire industriel ni calendrier de déploiement commercial.

RecherchePaper

1 source