RecherchearXiv cs.RO 7 août 2026

Feuille d'usinage coordonnée pour l'optimisation du temps total de désassemblage d'ensembles à grande échelle

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Une équipe de chercheurs publie CoMuDi (coordinated multi-robot disassembly), une méthode de planification tâche-mouvement pour coordonner une flotte de robots chargés de désassembler de grands ensembles mécaniques dans des espaces de travail confinés. Le système prend en entrée une équipe de robots, un assemblage d'objets et un graphe de dépendances entre pièces, puis construit des tâches composites de prise, de dépose et de sortie pour chaque robot. En propageant des contraintes temporelles entre ces tâches, CoMuDi permet à chaque robot de démarrer et terminer son mouvement le plus tôt possible tout en évitant les collisions avec les robots voisins évoluant dans le même espace. La méthode intègre le planificateur ST-RRT (space-time RRT), qui minimise le temps d'arrivée de chaque tâche individuelle et, par effet cumulé, le makespan global de l'opération. Les auteurs comparent CoMuDi couplé à ST-RRT face à une version utilisant RRT classique, sous différentes bornes de temps de calcul, puis valident l'approche sur six assemblages allant jusqu'à 49 pièces et nécessitant jusqu'à 9 robots simultanés.

Pour l'industrie du désassemblage automatisé, recyclage, reconditionnement, retraitement de produits en fin de vie, la coordination de plusieurs robots dans un espace exigu reste un verrou technique majeur : au delà de deux ou trois bras, les risques de collision et les temps d'attente explosent, ce qui limite en pratique l'échelle des déploiements. En démontrant des temps d'inactivité robot réduits sur des scénarios à 9 robots et 49 pièces, CoMuDi apporte une preuve de passage à l'échelle rare dans ce domaine, où la plupart des démonstrations publiées se limitent à deux ou trois bras sur des assemblages simples. L'usage combiné de ST-RRT* pour raisonner conjointement sur l'espace et le temps, plutôt que de traiter planification de trajectoire et ordonnancement séparément, est présenté comme le facteur clé du gain en taux de réussite et en makespan.

Le travail s'inscrit dans le champ plus large de la planification tâche-mouvement multi-robot (TAMP), où les approches par échantillonnage comme RRT* servent de référence historique. Publié en preprint sur arXiv (2608.05830v1), l'article ne mentionne pas encore de validation sur robots physiques ni de partenariat industriel identifié ; la suite logique évoquée par les auteurs serait une évaluation en conditions réelles, hors simulation, pour confirmer la tenue des gains observés face aux incertitudes de perception et d'exécution propres au désassemblage physique.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

PEEL : extraction parallèle pour la planification du désassemblage à long terme par échantillonnage invariant à l'échelle

Des chercheurs présentent PEEL (Parallel Extraction for Long-Horizon Disassembly), un algorithme de planification pour le démontage robotique d'assemblages multi-pièces, publie en preprint sur arXiv en aout 2026 (arXiv:2608.08773). Il calcule des séquences de retrait sans collision, y compris via des corridors étroits, grâce a un planificateur MAB-RRT qui alterne entre stratégies d'échantillonnage selon un signal de récompense, couple a un échantillonnage scale-invariant ou l'échelle de l'objet, estimée en phase de rodage, guide ensuite un échantillonneur directionnel; plusieurs planificateurs tournent en parallèle pour produire un graphe ordonne du retrait des pièces. Resultat: 100% de réussite sur 76 assemblages testes en retrait pièce par pièce, et résolution de quatre problèmes complets, de 10 a 17 pièces, sur un bras manipulateur Fetch. Le démontage automatise reste un verrou pour la robotique industrielle: contrairement a l'assemblage, il impose de planifier de longues séquences interdépendantes, chaque retrait pouvant bloquer l'accès aux pièces suivantes dans des marges de passage parfois très étroites, un enjeu concret pour le reconditionnement électronique, le recyclage de batteries et l'économie circulaire industrielle. En hybridant la planification RRT classique avec un arbitrage type bandit manchot entre stratégies d'échantillonnage, PEEL montre qu'un même planificateur peut traiter des assemblages a deux chiffres de pièces sans exploser combinatoirement, la ou des méthodes a stratégie unique échouent souvent sur des corridors étroits. Le taux de 100% annonce ne concerne toutefois que le sous-problème le plus simple, teste en laboratoire, et non les démontages longs, valides sur un seul robot. PEEL s'inscrit dans la lignée des RRT, famille d'algorithmes de planification par échantillonnage utilises depuis plus de vingt ans en robotique, ici hybrides avec les bandits manchots empruntes a l'apprentissage par renforcement. Le champ de la planification de démontage reste domine par la recherche académique plutôt que par des produits commerciaux matures, a la différence de l'assemblage robotise déjà industrialise, et le preprint ne mentionne ni affiliation, ni partenaire industriel, ni calendrier de déploiement. Il s'agit d'une preuve de concept testée sur un seul bras Fetch, dont les suites logiques, extension a des assemblages plus grands ou a plusieurs bras coopérants, ne sont pas annoncées dans la publication.

RecherchePaper

1 source

2arXiv cs.RO

Distributed Model-Based Diffusion pour l'optimisation de trajectoires multi-robots à grande échelle

Des chercheurs viennent de publier sur arXiv (2607.20992) une méthode baptisée Distributed Model-Based Diffusion (DMBD), conçue pour résoudre l'optimisation de trajectoires pour des flottes de robots évoluant dans des environnements fortement non convexes, non linéaires et non différentiables. Le point de départ est le Model-Based Diffusion (MBD), une approche d'optimisation par échantillonnage qui avait déjà montré des résultats prometteurs pour un robot unique, mais qui devient un problème d'inférence centralisé et de très haute dimension dès qu'on l'étend à plusieurs robots, avec une perte nette d'efficacité d'échantillonnage due à la malédiction de la dimensionnalité, et la nécessité d'un accès global à la dynamique, aux contraintes et aux objectifs de chaque robot. DMBD contourne ce verrou en décomposant le processus de diffusion inverse en processus de diffusion conditionnels locaux : chaque robot débruite sa propre trajectoire dans son sous-espace de commande, en se conditionnant sur les estimations de trajectoires des autres robots, agrégées et redistribuées par un serveur central. Les auteurs valident l'approche sur quatre scénarios de simulation : échange de positions entre robots (goal swapping), couverture multi-étages, stationnement (parking) et trafic dense (rush-hour), avec des temps de résolution annoncés en dessous de la seconde. Cette architecture serveur-robots répond directement à un goulot d'étranglement connu de la planification multi-robots : la coordination centralisée s'effondre en calcul et en bande passante dès que le nombre d'agents augmente, ce qui limite aujourd'hui le déploiement de flottes d'AMR ou de robots mobiles en entrepôt, en logistique ou en coordination aérienne à grande échelle. Si les gains de scalabilité annoncés se confirment au-delà des scénarios simulés, la méthode pourrait intéresser les intégrateurs qui cherchent à faire cohabiter de nombreux robots autonomes sans dépendre d'un planificateur central surchargé, tout en gardant chaque robot capable de calculer localement sa propre trajectoire. Le travail s'inscrit dans la lignée récente des méthodes de diffusion appliquées à la planification robotique, où le MBD a émergé comme alternative aux solveurs d'optimisation classiques pour un seul robot. L'extension au multi-robot reste un champ actif de recherche, avec plusieurs équipes explorant des architectures distribuées ou décentralisées pour éviter l'explosion combinatoire. À ce stade, DMBD reste une contribution académique validée uniquement en simulation, sans démonstration sur robots physiques ni benchmark comparatif détaillé publié dans l'abstract.

RecherchePaper

1 source

3arXiv cs.RO

Planification certifiée par échantillonnage à l'aide de graphes d'ensembles convexes

Des chercheurs publient sur arXiv (référence 2608.29770v1) la première mesure chiffrée d'un écart resté largement ignoré dans la planification de trajectoire par graphes d'ensembles convexes (GCS), une famille de planificateurs réputés produire des trajectoires sans collision "par construction". Le problème: le générateur de régions convexes sous-jacent ne garantit cette absence de collision que de façon probabiliste, et aucun planificateur GCS existant ne vérifie réellement cette propriété avant de livrer sa réponse. Sur une bibliothèque bimanuelle à 14 degrés de liberté (DOF) mise à l'échelle, les auteurs mesurent que 3,2 % des échantillons d'interface entre régions sont en réalité en collision. Le planificateur de référence testé, GCS* (approche par recherche), transforme cette erreur de volume en 62 % d'erreur de réponse: 18 des 29 requêtes de pick-and-place évaluées retournent des trajectoires faisant pénétrer les bras jusqu'à 91 mm dans les étagères, tout en étant rapportées comme des succès. Ce résultat met en défaut une hypothèse de confort répandue dans la planification de mouvement robotique, celle voulant que les garanties théoriques "correct par construction" des GCS se traduisent automatiquement en fiabilité opérationnelle. Pour des intégrateurs déployant des bras robotiques en environnement encombré (entrepôt, cellule industrielle, picking bimanuel), cela signale un risque concret de collisions silencieuses, d'autant plus critique que l'espace de configuration est dense avec deux bras. Les correctifs évidents échouent: durcir dix fois le contrat d'acceptation des régions, générer des régions certifiées par sommes de carrés, ou imposer des marges uniformes, détruisent tous la connectivité nécessaire à la planification avant même d'obtenir une garantie de solidité, révélant une tension structurelle entre sécurité et faisabilité dans cette famille d'algorithmes. Face à ce constat, les auteurs proposent un planificateur qui certifie chaque réponse plutôt que de faire confiance à la génération de régions en amont: il échantillonne les recouvrements et faces partagées de la décomposition convexe, élague la recherche via une borne informée admissible, vérifie en continu le candidat proposé à chaque tour par une chaîne de certificats de dégagement sans paramètre de résolution arbitraire, répare les échecs par des détours locaux internes aux régions, puis revérifie le polissage convexe final. Sur les mêmes 29 requêtes, ce planificateur ne produit aucune réponse invalide, contre 21 pour la référence, atteint sa première réponse certifiée en 0,11 seconde contre 1,59 seconde pour la version non vérifiée, et reproduit exactement l'optimum de référence chaque fois que celui-ci est physiquement valide. L'article, un pré-print de recherche sans affiliation industrielle précisée, ne mentionne ni calendrier de déploiement ni partenaire commercial.

RecherchePaper

1 source

4arXiv cs.RO

LEMON-Mapping : fusion et optimisation multi-session de nuages de points à grande échelle pour une cartographie globalement cohérente

LEMON-Mapping (Loop-Enhanced Large-Scale Multi-Session Point Cloud Merging and Optimization) est un framework de cartographie collaborative multi-robots présenté dans un preprint arXiv (2505.10018, version 4). Le système vise à fusionner des nuages de points 3D issus de plusieurs robots opérant en sessions distinctes pour produire une carte globalement cohérente à grande échelle. Trois innovations structurent la contribution: un mécanisme de traitement des fermetures de boucles (loop closures) intégrant le rejet d'outliers et une stratégie de rappel pour récupérer des boucles valides erronément filtrées; un bundle adjustment spatial adapté aux cartes multi-robots, qui réduit divergence et flou dans les zones de recouvrement; et une optimisation de graphe de poses (PGO) propageant la précision locale à l'ensemble de la carte via des contraintes de bundle adjustment raffinées. L'intérêt tient à une limitation bien documentée des méthodes PGO classiques: celles-ci traitent les loop closures uniquement comme des contraintes entre noeuds de pose, ignorant la structure géométrique du nuage de points, ce qui produit des trajectoires divergentes et des zones floues dans les régions de chevauchement entre robots. En intégrant un bundle adjustment spatial dans la boucle d'optimisation, LEMON-Mapping montre qu'il est possible de corriger ces défauts de manière structurelle. Les auteurs valident leur approche sur plusieurs benchmarks publics et un dataset propriétaire, avec des résultats supérieurs aux méthodes de fusion traditionnelles en termes de précision et de cohérence globale. Des tests de scalabilité confirment que le framework supporte des flottes de robots nombreuses. La cartographie collaborative multi-robots est un verrou actif pour les AMR d'entrepôt, les drones d'inspection industrielle et la robotique de construction. Le domaine dispose déjà de frameworks comparables: DiSCo-SLAM, Swarm-SLAM ou CoLRIO explorent des approches distribuées avec différentes architectures de communication. LEMON-Mapping se positionne dans la lignée des travaux combinant PGO et bundle adjustment inspiré du structure-from-motion, appliqué aux nuages de points LiDAR multi-sessions. Le preprint en est à sa quatrième révision, signe d'un travail en cours de maturation; aucune disponibilité open-source ni déploiement pilote n'est mentionné à ce stade.

RecherchePaper

1 source