RecherchearXiv cs.RO 27 août 2026

Prise de décision et planification de déploiement fondées sur la confiance pour des systèmes multi-robots résilients

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Une équipe de recherche publie sur arXiv (référence 2608.25690, mise en ligne fin août 2026) une étude sur la prise de décision séquentielle robuste dans les systèmes multi-robots confrontés à des attaques de localisation. Le travail porte sur le routage en ligne de flottes de robots lorsque certains agents subissent un usurpation GPS (spoofing) qui fausse à la fois les données envoyées au planificateur et l'exécution réelle des tâches. Les auteurs introduisent un modèle d'attaque à contrainte de distance conçu pour tromper un moniteur de surveillance tout en restant plausible, associé à une stratégie d'appariement bipartite à paliers qui maximise l'impact sur l'attribution des tâches tout en limitant l'amplitude du décalage de position déclaré. En réponse, ils développent un moniteur dit "trust-aware" qui combine une estimation probabiliste de la fiabilité de localisation, calibrée sur des jeux de données réels de spoofing GPS, avec des indices comportementaux tirés de l'exécution effective des tâches, afin de classer les agents et d'exclure les robots compromis des cycles de planification suivants. Les expériences s'appuient à la fois sur ces données de spoofing réelles et sur des données de demande de taxis de San Francisco pour simuler des scénarios de flotte réaliste.

Le résultat central est que des adversaires non détectés font perdre à la technique de "rollout", une méthode de planification par simulation anticipée très utilisée pour améliorer une politique de base, son avantage habituel de réduction de coût, en brisant la cohérence entre ce que le planificateur anticipe et ce que les robots exécutent réellement. Le retrait des agents compromis via le moniteur de confiance restaure cette cohérence et permet de récupérer le gain de performance attendu. Pour les opérateurs de flottes de robots mobiles autonomes (AMR, taxis robotisés, drones), l'étude illustre concrètement qu'une couche de détection de confiance distincte de la localisation brute est nécessaire, la sécurisation du signal GPS seul ne suffisant pas à garantir la stabilité des décisions de routage.

Ce travail s'inscrit dans la continuité des recherches sur la robustesse des politiques de planification par rollout et sur la détection d'usurpation GPS, un vecteur d'attaque déjà documenté dans l'aviation, le maritime et les drones militaires, mais peu étudié jusqu'ici sous l'angle de son impact direct sur la qualité des décisions d'un planificateur multi-robots. Les auteurs testent leur approche selon plusieurs configurations : tailles de flottes adverses variables, capacités de spoofing différentes, attaques adaptatives et divers horizons de planification, sans toutefois préciser à ce stade de calendrier de déploiement industriel ou de partenariat commercial.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Connectivité multi-robots : maintien et récupération pour la planification de mouvement

Des chercheurs proposent un nouvel algorithme de planification de trajectoire pour flottes de robots, baptisé MPC-CLF-CBF, conçu pour maintenir la connectivité du réseau de communication entre robots tout en évitant les obstacles. Décrit dans une version révisée d'un article arXiv (2510.03504v3), ce planificateur en temps réel combine fonctions barrières de contrôle d'ordre élevé (CBF) et fonctions de Lyapunov de contrôle (CLF) au sein de trajectoires basées sur des courbes de Bézier, calculant simultanément trajectoire et commandes. Contrairement aux contrôleurs réactifs classiques à base de CBF, qui préservent la connectivité quand elle est déjà assurée mais se bloquent fréquemment en environnement encombré, cette approche sait aussi restaurer la connectivité depuis une configuration initialement déconnectée ou après une séparation temporaire causée par un obstacle. En simulation avec 4 à 12 robots et une densité d'obstacles de 20%, le système maintient un graphe connecté entre 95,8% et 100% du temps, contre seulement 48,9% à 61,3% pour la méthode de référence MPC-CBF, sans aucune collision observée. Les auteurs ont aussi validé l'approche physiquement sur un essaim de 8 nano-quadricoptères Crazyflie. Pour l'industrie robotique, ce travail s'attaque à un verrou concret des flottes multi-robots : maintenir un réseau de communication fonctionnel dans un environnement encombré, sans sacrifier la capacité de déplacement de la flotte. Le phénomène de blocage (deadlock) des contrôleurs CBF classiques en milieu cluttered est un problème connu et documenté dans la littérature ; le proposer comme point de comparaison chiffré, avec un écart net (quasi 100% contre environ 50-60%), donne une mesure concrète du gain. La capacité du planificateur à produire des dérivées analytiques continues le rend directement applicable aux systèmes différentiellement plats comme les drones quadrirotors, ce qui ouvre la voie à des essaims aériens plus robustes pour l'inspection, la surveillance ou la recherche-sauvetage en zones GPS-dégradées où la connectivité inter-robots est critique. Le sujet s'inscrit dans une lignée de recherche active sur les CBF appliqués à la coordination multi-agents, où la difficulté centrale reste de concilier sécurité (éviter collisions et obstacles), connectivité du réseau et progression réelle vers un objectif. La comparaison directe avec un MPC-CBF plus classique sert de baseline pour situer l'apport du couplage CLF. La validation matérielle sur banc de 8 Crazyflie, bien que modeste en échelle, apporte une preuve de concept au-delà de la simulation, un point souvent absent des publications purement théoriques sur ce sujet.

RecherchePaper

1 source

2arXiv cs.RO

Navigating l'encombrement : planification bi-niveau par points de passage pour systèmes multi-robots

Des chercheurs de l'Université de Californie à Santa Barbara (UCSB, laboratoire NLP-Chang) ont publié sur arXiv (référence 2604.21138) un framework hybride de contrôle multi-robots capable de planifier simultanément à deux niveaux : la planification de tâches à haut niveau (quel robot fait quoi, dans quel ordre) et la planification de trajectoires à bas niveau (comment éviter les collisions). Le système repose sur une représentation compacte appelée "waypoints", des points de passage intermédiaires qui paramétrisent les trajectoires motrices de façon plus légère qu'une optimisation de trajectoire continue. Pour entraîner le tout, l'équipe utilise un algorithme RLVR (Reinforcement Learning with Verifiable Rewards) modifié, combiné à une stratégie de curriculum progressif qui remonte les retours de faisabilité physique du planificateur bas niveau vers le planificateur haut niveau. Les expériences sont conduites sur BoxNet3D-OBS, un benchmark multi-robots 3D à obstacles denses, avec des configurations allant jusqu'à neuf robots simultanément. Sur ce benchmark, l'approche surpasse de manière consistante les baselines "motion-agnostic" (qui ignorent les contraintes physiques) et les baselines fondées sur des VLA (Vision-Language-Action models). Ce résultat pointe un problème structurel souvent minimisé dans la littérature : l'affectation du crédit entre les deux niveaux de planification. Quand un système multi-robots échoue, est-ce que la tâche était mal assignée ou la trajectoire physiquement infaisable ? Cette ambiguïté rend les approches séquentielles (planifier les tâches, puis les trajectoires) fragiles dès que l'environnement est encombré. Le fait que les modèles VLA, pourtant en vogue depuis les travaux pi-0, GR00T N2 et Helix, sous-performent sur ce benchmark suggère que leur capacité de généralisation atteint ses limites dès qu'on ajoute des contraintes de collision à grande échelle : bonne nouvelle pour les approches d'optimisation hybride, mauvaise nouvelle pour ceux qui misent sur les VLA comme solution universelle en entrepôt. Ce travail s'inscrit dans une tendance de fond : appliquer les techniques de raisonnement par renforcement issues du traitement du langage naturel (notamment la famille DeepSeek-R1 et RLVR) à la robotique multi-agents. Les systèmes concurrents dans cet espace incluent les travaux sur TAMP (Task and Motion Planning) de MIT CSAIL et CMU, ainsi que les approches de planification décentralisée type MAPF (Multi-Agent Path Finding). Le code est disponible sur GitHub (UCSB-NLP-Chang/navigate-cluster). Les prochaines étapes probables incluent une validation sur robots physiques et une montée en charge au-delà de neuf agents, terrain où les questions de latence de planification deviendront critiques pour des déploiements industriels réels.

RecherchePaper

1 source

3arXiv cs.RO

Système de tâches et de planification min-max regret pour un robot multi-hétérogène en environnement partiellement connu

Une nouvelle étude publiée sur arXiv (2607.13403) propose un cadre de planification pour l'allocation de tâches dans des systèmes multi-robots hétérogènes (HMRS) évoluant en environnement partiellement connu. Le problème est formulé comme une optimisation min-max regret, avec une nouvelle représentation appelée Region-Binding Atomic Proposition (RbAP), qui encode directement l'incertitude sur les ressources dans la structure de l'automate utilisé pour exprimer les contraintes logiques temporelles des tâches. Pour résoudre ce problème, les auteurs introduisent un Extended Planning Decision Tree (E-PDT), couplé à une stratégie de Branch-and-Bound basée sur le regret (Regret-based BnB) qui élague dynamiquement les politiques sous-optimales. Contrairement aux approches classiques qui s'appuient sur des probabilités a priori ou une analyse de pire cas, cette méthode ajuste en continu l'arbitrage entre exploration des zones incertaines et exploitation des ressources déjà connues. L'équipe affirme une scalabilité quasi linéaire par rapport au nombre de robots et de types de robots, avec des gains significatifs en qualité de solution et en temps de calcul face à des méthodes de référence basées sur la programmation linéaire en nombres entiers mixtes (MILP), validés par des expériences numériques et des essais physiques. L'enjeu principal est la complexité exponentielle qui bloque aujourd'hui le déploiement de flottes de robots hétérogènes à grande échelle dès que les tâches impliquent des contraintes logiques complexes en environnement mal cartographié, un scénario courant en logistique, entrepôt ou intervention en zone partiellement explorée. Si les résultats se confirment au-delà du cadre académique, cela réduirait le compromis habituel entre robustesse théorique et coût de calcul, un frein connu pour les intégrateurs qui cherchent à faire monter en charge des flottes AMR mixtes sans tout recalculer à chaque mise à jour de la carte. Il faut toutefois noter que l'article reste un preprint arXiv de type recherche, sans indication du nombre de robots testés en conditions physiques réelles ni de partenaire industriel identifié, donc la portée pratique du gain de scalabilité annoncé reste à confirmer en dehors du banc d'essai des auteurs. Ce travail s'inscrit dans la lignée des recherches sur la planification multi-robots sous logique temporelle linéaire (LTL), un domaine où les méthodes MILP servent traditionnellement de référence malgré leur coût de calcul croissant avec la taille de la flotte. L'apport revendiqué ici est de sortir du dilemme entre méthodes probabilistes, qui nécessitent des priors souvent invérifiables sur le terrain, et méthodes pire-cas, jugées trop conservatrices. Les auteurs annoncent une preuve théorique de faisabilité et de complétude de leur approche, mais l'article ne précise pas de calendrier de suivi, de code source public ou de collaboration industrielle pour une validation à plus grande échelle.

RecherchePaper

1 source

4arXiv cs.RO

Arbres de fibration : une approche unifiée pour la planification de mouvement multi-robots

Une équipe de chercheurs a publié le 11 juin 2026 sur arXiv (2606.12070) un framework mathématique baptisé "fibration trees" visant à unifier les méthodes de planification de mouvement pour des équipes de robots multiples. Le système repose sur une structure en arbre où chaque noeud représente un espace d'états et chaque arête une fibration, c'est-à-dire une projection d'un espace de haute dimension vers un espace simplifié de dimension inférieure. Sur cette base formelle, les chercheurs ont développé un planificateur d'échantillonnage appelé Fibration-RRT (Rapidly-Exploring Random Fibration Trees), validé sur 32 scénarios impliquant des équipes de robots atteignant jusqu'à 96 degrés de liberté (DOF). L'implémentation est publiée en open source, et le planificateur est prouvé probabilistiquement complet. L'enjeu est la fameuse "malédiction de la dimensionnalité" : dès que l'on coordonne plusieurs robots, l'espace de configuration combiné explose exponentiellement, rendant la planification classique intractable. Les approches existantes répondaient à ce problème soit par la priorisation séquentielle (planifier les robots un par un), soit par la décomposition parallèle (sous-espaces indépendants), soit par des projections dans l'espace des tâches, mais sans framework commun capable de combiner ces stratégies. Fibration-RRT généralise à la fois le quotient-space RRT et le discrete RRT sous un formalisme unique, ce qui permet en théorie à un intégrateur de définir sa propre structure d'arbre selon la topologie du problème plutôt que de choisir entre des outils incompatibles. La robustesse sur 96 DOF est un signal technique solide, même si l'article ne fournit pas de comparaison de temps de cycle sur des benchmarks standardisés industrie. La planification de mouvement multi-robot est un domaine mature sur le plan académique, porté depuis la fin des années 1990 par les algorithmes RRT de Steven LaValle et leurs variantes (RRT*, BiRRT, quotient-space RRT de Orthey et al.). Le besoin d'unification se fait sentir à mesure que les déploiements AMR (autonomous mobile robots) et les cellules robotisées industrielles complexifient les interdépendances entre agents. Aucun acteur industriel n'est mentionné dans ce préprint, qui reste pour l'instant une contribution théorique. Les prochaines étapes naturelles seraient une validation sur des plateformes physiques et une intégration dans des middlewares standards comme ROS 2 MoveIt, qui constitue aujourd'hui la référence dans les projets d'intégration multi-bras.

RecherchePaper

1 source