Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Coordination multi-robots pour missions planétaires basée sur un système flou génétique
RecherchearXiv cs.RO 

Coordination multi-robots pour missions planétaires basée sur un système flou génétique

1 source couvre ce sujet·Source originale ↗·

Compilé et résumé par IA · sources vérifiables en un clic · publié sans lecture humaine préalable · méthodologie

Résumé IASource unique

Une équipe de recherche propose, dans un preprint publié sur arXiv (référence 2608.12755), une architecture décentralisée pour coordonner plusieurs robots dans le cadre de missions planétaires. Le système, basé sur des contrôleurs à logique floue optimisés par algorithme génétique, vise à faire transporter un objet en collaboration par une flotte de robots tout en minimisant la longueur totale du trajet parcouru, dans un environnement non structuré et semé d'obstacles. La méthode part d'une carte d'élévation du terrain, analysée selon la pente pour identifier les zones non franchissables, qui sont ensuite converties en une carte de praticabilité en deux dimensions afin de réduire la complexité du problème. Durant l'entraînement, plusieurs systèmes d'inférence floue (FIS) génèrent les commandes de vitesse des robots et sont optimisés par algorithme génétique sur des scénarios ciblés : minima locaux, cible proche d'un obstacle, environnement encombré. Les modèles entraînés sont ensuite testés sur la carte de praticabilité convertie et validés sur plusieurs scénarios.

L'intérêt de ces travaux tient à l'approche décentralisée : chaque robot prend ses décisions localement via sa propre logique floue, sans dépendre d'un contrôleur central ni d'une communication permanente, ce qui limite la vulnérabilité aux pannes et aux délais de transmission, deux contraintes critiques pour des missions lunaires ou martiennes où la latence des communications avec la Terre peut atteindre plusieurs minutes. Pour les concepteurs de systèmes robotiques destinés à l'exploration planétaire, cette architecture illustre une alternative légère en calcul aux approches par apprentissage par renforcement profond, avec un comportement plus interprétable puisque fondé sur des règles floues explicites plutôt que sur des réseaux de neurones opaques.

Ce travail s'inscrit dans le champ plus large de la coordination multi-robots pour l'exploration spatiale, où la navigation en terrain accidenté et la coopération sans infrastructure centralisée restent des verrous ouverts. Il s'agit à ce stade d'une contribution académique validée uniquement en simulation sur des cartes de terrain synthétiques, sans démonstration sur robots physiques ni annonce de partenariat avec une agence spatiale ou un industriel.

Dans nos dossiers

arXiv cs.RO

À lire aussi

Coordination des tâches et exécution de trajectoires par démonstrations few-shot pour systèmes multi-robots
1arXiv 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 très petit nombre de démonstrations seulement, selon un article publie sur arXiv (version révisée, v2). Le problème cible est connu dans la robotique multi-agents : apprendre a la fois quand chaque robot doit agir (dépendances temporelles entre taches) et comment il doit se déplacer (trajectoire spatiale) devient instable des que les données sont rares, car les deux aspects sont habituellement appris ensemble par des modèles bout-en-bout. DDACE sépare explicitement ces deux problèmes. Les démonstrations sont d'abord traitées 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 prédire les dépendances d'actions et leur séquencement, pendant que des modèles de processus gaussiens génèrent les trajectoires géométriques, paramétrées par la progression de la tache et capables de s'adapter a de nouvelles configurations de départ et d'arrivée. Les auteurs rapportent des tests en simulation ainsi que des expériences sur robots réels, avec une meilleure stabilité et une meilleure cohérence des trajectoires que des approches d'imitation bout-en-bout classiques en régime de données limitées. L'enjeu dépasse l'exercice académique : la coordination multi-robots a partir de peu d'exemples est un frein concret au déploiement de cellules industrielles collaboratives ou de flottes d'AMR, ou collecter des milliers de démonstrations par scenario reste couteux. En introduisant un biais structurel plutôt qu'un apprentissage purement bout-en-bout, DDACE questionne l'hypothèse dominante selon laquelle les architectures end-to-end massives suffisent a généraliser en data-scarce régime, une piste distincte de la tendance actuelle centrée sur les gros modèles VLA mono-robot type Pi-0 ou GR00T N2. Le papier s'inscrit dans une littérature qui cherche des alternatives modulaires a l'imitation pure, combinant clustering, graphes temporels et processus gaussiens plutôt qu'un unique réseau de bout en bout. Il s'agit a ce stade d'une publication de recherche avec validations simulées et réelles limitées, sans indication de partenaire industriel ni de calendrier de transfert vers un produit ; le matériel complémentaire est disponible sur le site du projet associe.

RecherchePaper
1 source
Coordination multi-LLM médiée par un vérificateur pour la planification de trajectoires multi-robots
2arXiv cs.RO 

Coordination multi-LLM médiée par un vérificateur pour la planification de trajectoires multi-robots

Des chercheurs proposent une architecture de coordination où plusieurs planificateurs fondés sur des grands modèles de langage (LLM) pilotent une équipe de robots, avec un vérificateur géométrique chargé de contrôler la faisabilité physique des plans. Le travail, publié sur arXiv (2610.12761), compare deux approches pour la navigation multi-robots. Dans la première, centralisée, un seul LLM raisonne conjointement sur toute l'équipe. Dans la seconde, décentralisée, chaque robot dispose de son propre LLM, qui propose indépendamment un plan de tâches. Le vérificateur convertit ensuite ces plans symboliques en trajectoires, prédit les conflits entre robots (collisions, occupation simultanée d'un même espace) et renvoie aux LLM un retour structuré pour un replanification ciblée, sur plusieurs itérations. Les expériences ont lieu dans le simulateur de conduite CARLA et sur des drones Crazyflie, en faisant croître la complexité des tâches. Le résumé publié ne donne aucun chiffre de performance, de taux de réussite ni de taille d'équipe. L'enjeu est un défaut bien connu des planificateurs à base de modèles de fondation : des plans corrects pris isolément peuvent devenir incompatibles une fois ancrés dans la géométrie, à cause des contraintes spatiales et temporelles partagées. Séparer le raisonnement sémantique de la faisabilité d'exécution revient à admettre qu'un LLM ne doit pas être seul garant de la sécurité d'une flotte. Pour les intégrateurs de flottes d'AMR, de drones ou de robots mobiles, c'est un schéma réutilisable : le LLM propose, un module déterministe dispose. L'étude cherche aussi à caractériser les compromis entre raisonnement centralisé, coordination décentralisée et exécutabilité physique. Elle pourrait donc indiquer à quelle complexité l'approche centralisée cesse de tenir. Cela concerne directement les architectures d'orchestration, où le choix entre un planificateur unique et des agents par robot pèse sur la latence, la robustesse aux pannes et le coût d'inférence. Sans résultats quantitatifs dans le résumé, ces bénéfices restent à vérifier dans l'article complet. Ces travaux s'inscrivent dans la vague des planificateurs de tâches fondés sur des LLM pour la robotique, qui a surtout été évaluée en mono-robot ou sur des tâches symboliques sans contraintes géométriques serrées. Le recours à un vérificateur externe rejoint les approches neuro-symboliques de type « LLM plus solveur », déjà répandues en planification. La validation sur Crazyflie, un micro-drone très utilisé en recherche, reste un banc d'essai de laboratoire, loin d'un déploiement industriel. La suite logique serait de tester des équipes plus nombreuses, des environnements dynamiques et des robots hétérogènes. Il faudrait aussi mesurer le nombre d'itérations de replanification nécessaires et leur coût en temps de calcul, deux critères décisifs pour tout usage en entrepôt ou en logistique.

RecherchePaper
1 source
Diffusion discrète basée sur un modèle pour l'optimisation combinatoire dans l'allocation de tâches multi-robots
3arXiv cs.RO 

Diffusion discrète basée sur un modèle pour l'optimisation combinatoire dans l'allocation de tâches multi-robots

Des chercheurs publient sur arXiv (référence 2611.13382v1) une méthode baptisée Discrete Model-Based Diffusion (Discrete MBD), destinée aux problèmes d'optimisation combinatoire rencontrés en allocation de tâches multi-robots. Il s'agit d'une approche d'optimisation par échantillonnage (SBO) qui ne nécessite aucun entraînement et agit directement sur des variables discrètes. Elle approxime les distributions de transition inverse catégorielles par échantillonnage Monte Carlo. Les auteurs démontrent une borne inférieure, à nombre fini d'étapes, sur la probabilité de trouver un minimiseur global, et montrent que cette borne tend vers un lorsque le nombre d'étapes de débruitage augmente. Les tests portent sur des programmes en nombres entiers génériques, ainsi que sur la formation de coalitions et l'ordonnancement dans des flottes de robots hétérogènes. Discrete MBD surpasse les autres méthodes SBO dans presque tous les cas, et atteint une qualité de solution comparable à celle de la programmation mixte en nombres entiers (MIP) et de l'apprentissage par renforcement, pour une fraction de leur coût de calcul. Les chiffres détaillés (taille des instances, temps de calcul exact) ne figurent pas dans le résumé disponible. L'intérêt tient à une contradiction qui structure le domaine. Décider qui fait quoi, et dans quel ordre, au sein d'une flotte de robots est un problème NP-difficile, qui doit pourtant être résolu en quelques secondes pour tenir le temps quasi réel d'un entrepôt ou d'un site industriel. Les solveurs MIP donnent des solutions de haute qualité mais deviennent coûteux quand la flotte grandit. Les solveurs par diffusion existants fonctionnent bien en espace discret, mais exigent un entraînement hors ligne, donc des données et un réentraînement dès que la configuration change (nouveaux robots, nouvelles contraintes). Une méthode sans entraînement et proche de la qualité du MIP, si elle se confirme, réduirait la barrière d'intégration pour les opérateurs de flottes hétérogènes. Il faut toutefois rester prudent : il s'agit d'un préprint non évalué par des pairs, validé sur des benchmarks et en simulation, sans déploiement sur robots réels ni comparaison annoncée sur des chaînes logistiques industrielles. Ce travail comble un écart laissé par Model-Based Diffusion (MBD), qui intégrait la diffusion dans l'optimisation par échantillonnage sans entraînement, mais uniquement sur des espaces continus. Discrete MBD étend cette logique aux variables catégorielles, là où se situent la plupart des décisions d'affectation. Il rivalise ici avec trois familles : les heuristiques d'échantillonnage classiques, le MIP et l'apprentissage par renforcement, ainsi que les solveurs combinatoires par diffusion entraînés. Les prochaines étapes à surveiller sont une évaluation à plus grande échelle, des tests sur matériel réel, la publication du code et des comparaisons face aux solveurs industriels, qui diront si le gain de calcul tient hors du cadre académique.

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