Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Scale-Plan : planification de tâches par le langage pour équipes multi-robots hétérogènes, à grande échelle
RecherchearXiv cs.RO 

Scale-Plan : planification de tâches par le langage pour équipes multi-robots hétérogènes, à grande échelle

1 source couvre ce sujet·Source originale ↗·
Résumé IASource uniqueImpact UE

Le Honda Research Institute a publié sur arXiv une version révisée (v2, arXiv:2603.08814) de Scale-Plan, un système de planification de tâches à long horizon pour des équipes de robots hétérogènes. Face aux planificateurs symboliques classiques, qui exigent des spécifications construites à la main, et aux approches par grands modèles de langage, sujettes aux hallucinations et à un mauvais ancrage dans des environnements riches en objets, la méthode filtre l'information perceptuelle avant de planifier. À partir d'une spécification de domaine au format PDDL, Scale-Plan construit un graphe d'actions représentant la structure du domaine, puis utilise un raisonnement LLM volontairement superficiel pour guider une recherche structurée qui isole le sous-ensemble minimal d'actions et d'objets pertinents pour l'instruction donnée en langage naturel. Les auteurs introduisent aussi MAT2-THOR, un benchmark nettoyé bâti sur le simulateur AI2-THOR, destiné à évaluer de façon fiable les systèmes de planification multi-robot.

L'enjeu est concret pour les intégrateurs de flottes hétérogènes : plus le nombre d'objets et d'agents croît, plus les planificateurs symboliques deviennent lourds à construire manuellement, tandis que les approches purement LLM perdent en fiabilité en inventant des actions ou des objets absents de l'environnement réel. En réduisant le problème à un sous-graphe minimal avant la décomposition des tâches, l'allocation entre robots et la génération de plans longs, Scale-Plan vise à combiner la robustesse du raisonnement symbolique et la flexibilité du langage naturel. Sur des tâches multi-agents complexes, la méthode dépasse les bases purement LLM et les approches hybrides LLM-PDDL sur l'ensemble des métriques rapportées, ce qui suggère que le goulot d'étranglement des architectures associant LLM et robotique tient moins à la puissance du modèle de langage qu'au volume de contexte non pertinent qu'on lui soumet.

Il s'agit à ce stade d'une publication de recherche et non d'un produit déployé : aucun robot physique, aucune charge utile, degré de liberté ou temps de cycle n'est mentionné, le travail portant sur la couche de planification de tâches plutôt que sur le contrôle bas niveau, à la différence de politiques de manipulation comme Pi-0 ou GR00T N2. Le code est publié sur le dépôt GitHub honda-research-institute/Scale_Plan, permettant une reproduction indépendante des résultats. L'article ne précise ni partenaire industriel ni calendrier de déploiement ; les auteurs indiquent vouloir étendre le benchmark MAT2-THOR et valider l'approche sur des tâches multi-robots encore plus complexes.

Dans nos dossiers

NVIDIA GR00TarXiv cs.RO

À lire aussi

MA-LIPP : planification coopérative de trajectoires informatives multi-agents sensible à la charge pour équipes de robots hétérogènes
1arXiv cs.RO 

MA-LIPP : planification coopérative de trajectoires informatives multi-agents sensible à la charge pour équipes de robots hétérogènes

Une équipe de recherche présente MA-LIPP (Multi-Agent Load-Aware Informative Path Planning), une méthode de planification de trajectoire pour des équipes hétérogènes de robots devant collecter des échantillons physiques sur le terrain et les ramener en laboratoire. Le système coordonne les robots via des "dead drops" asynchrones : un robot dépose des échantillons en un point que récupère, plus tard, un second robot, sans rendez-vous synchrone entre les deux. Les auteurs formalisent le problème comme un programme quadratique en variables mixtes-entières (MIQP) exact, complété par une heuristique de recherche à grand voisinage par paires (Pairwise Large-Neighborhood Search, LNS) pour les cas réels de plus grande taille. Sur des instances allant jusqu'à 12 robots, cette heuristique égale l'optimum exact dans 95,5% des cas certifiés et réduit la variance postérieure pondérée de 16,1 à 19,8% par rapport à une méthode séquentielle de référence. Le travail, publié sur arXiv (2609.21167), reste une contribution algorithmique validée en simulation, sans déploiement matériel annoncé. Le verrou que cible MA-LIPP est structurel en robotique de terrain : dans la planification informative sous contrainte de charge (LIPP) à robot unique, la même machine doit à la fois détecter les points d'intérêt et transporter tous les échantillons collectés, ce qui multiplie les retours au dépôt et limite fortement la zone couverte. Répartir les rôles entre robots précis dédiés à l'échantillonnage et robots à forte capacité dédiés au transport lève ce goulot d'étranglement, mais complexifie la coordination : il faut décider quand, où, quoi et à qui transférer la charge. Pour les intégrateurs de robotique de terrain, en surveillance environnementale, géologie ou inspection de sites dangereux, ce résultat indique qu'une coordination asynchrone bien formalisée peut accroître significativement la couverture spatiale sans synchronisation coûteuse entre robots, un argument en faveur des flottes hétérogènes plutôt que des robots généralistes isolés. Ce travail prolonge les recherches sur l'Informative Path Planning, qui guide un robot vers les emplacements maximisant l'information recueillie sur un champ inconnu comme une contamination ou une composition du sol, et ses variantes "load-aware" intégrant le coût croissant du transport à mesure que les échantillons s'accumulent. L'apport de MA-LIPP est d'étendre ce cadre au multi-robot en traitant les échanges asynchrones de charge comme des variables de décision à part entière plutôt que comme une contrainte annexe. Les deux méthodes proposées, le MIQP exact pour certifier l'optimalité sur des instances réduites et l'heuristique LNS pour passer à l'échelle, ouvrent la voie à une validation en conditions réelles, non détaillée dans l'abstract, qui devra probablement traiter l'autonomie énergétique et la tolérance aux pannes de robots en mission.

RecherchePaper
1 source
OntoPlan : une représentation de scène fondée sur une ontologie et un cadre à base d'agents pour la planification de tâches robotiques à grande échelle
2arXiv cs.RO 

OntoPlan : une représentation de scène fondée sur une ontologie et un cadre à base d'agents pour la planification de tâches robotiques à grande échelle

Des chercheurs publient OntoPlan, un cadre de planification de tâches robotiques fondé sur une représentation ontologique de la scène, accompagné d'un code ouvert sur GitHub (dépôt namhyeongwoo/OntoPlan). Le système cible un défaut connu de la planification par grands modèles de langage (LLM) : sur les tâches à long horizon dans de vastes environnements, la performance se dégrade. Quand la géométrie de la scène est transmise sous forme de texte, le modèle saisit mal le contexte spatial, et le coût en tokens croît avec la taille de l'environnement. OntoPlan aligne objets, espaces, relations et états dans un vocabulaire symbolique commun. Un cadre agentique interprète l'instruction, récupère de façon sélective les informations utiles, formalise buts et contraintes, puis produit un plan exécutable. Sur 150 tâches générales réparties dans cinq environnements intérieurs et trois échelles de scène, il atteint un taux de réussite moyen de 0,89, contre 0,27 pour la meilleure méthode de référence. Il consomme en moyenne 18,1 k tokens par tâche, soit environ 5,6 fois moins que la référence la plus économe. L'enjeu est double pour les intégrateurs et les équipes qui déploient des robots pilotés par LLM. D'abord, l'écart de 0,89 contre 0,27 suggère que le goulot d'étranglement tient moins à la capacité de raisonnement du modèle qu'à la manière de lui présenter le monde : un LLM qui génère directement des séquences d'actions peine à respecter l'état courant et les préconditions, alors qu'une formalisation symbolique les rend vérifiables. Ensuite, le coût en tokens, rarement discuté dans les démonstrations, détermine la viabilité économique et la latence en exploitation. Les auteurs indiquent que l'avantage persiste quand l'échelle de la scène augmente, alors que les méthodes concurrentes perdent davantage en réussite et restent beaucoup plus coûteuses. Le système demande aussi des précisions face à une instruction ambiguë, ou signale un manque d'information face à une instruction infaisable, au lieu de s'engager dans un plan invalide. C'est un comportement de sécurité utile pour tout déploiement industriel. Plusieurs réserves s'imposent. Il s'agit d'un préprint arXiv (v1), non évalué par les pairs. Les résultats viennent d'un banc d'essai de 150 tâches, sans précision dans le résumé sur la nature des environnements (simulés ou réels) ni sur les méthodes de référence. Les chiffres ne disent donc rien de la robustesse en conditions réelles, où perception bruitée et échecs d'exécution compliquent la construction de l'ontologie. Ce travail s'inscrit dans le courant de la planification neuro-symbolique, qui combine LLM et planificateurs formels (type PDDL) pour pallier les limites des approches où le modèle génère directement les actions. Il se distingue des modèles vision-langage-action de bout en bout, qui traitent le bas niveau. La publication du code permettra une reproduction indépendante, étape décisive pour juger si l'écart de performance tient hors du banc d'essai des auteurs.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
Planification assistée par éclaireur pour équipes de robots hétérogènes en environnements partiellement connus
3arXiv cs.RO 

Planification assistée par éclaireur pour équipes de robots hétérogènes en environnements partiellement connus

Des chercheurs ont publié sur arXiv (arXiv:2605.22693) un cadre de planification appelé Scout-Assisted Planning (SAP), conçu pour des équipes robotiques hétérogènes évoluant dans des environnements partiellement cartographiés. Le problème ciblé est concret : lorsqu'un robot terrestre (UGV) progresse sur un réseau routier dont certaines voies sont bloquées, il ne le découvre qu'en s'y engageant physiquement, générant des détours coûteux. SAP intègre des drones éclaireurs (UAV) qui collectent de l'information en avance de phase pour guider les UGV. Pour cibler les reconnaissances les plus utiles, les auteurs introduisent l'Information Gain-based Action Pruning (IGAP), un mécanisme qui score chaque action de scouting selon son impact attendu sur le comportement du robot au sol. Comme le calcul exact de l'IGAP est prohibitif en temps réel, un modèle Graph Neural Network (GNN) est entraîné à prédire ces valeurs directement depuis la structure du graphe routier et l'état de croyance courant. Sur trois types d'environnements testés, SAP avec IGAP réduit le coût de déplacement des UGV de 31,9 à 37,7 % par rapport à la baseline Canadian Traveler Problem, et surpasse de 8 à 14 % les approches de guidage par proximité. Ces résultats pointent vers un verrou industriel réel : dans la logistique d'entrepôt, la réponse à sinistre, ou les opérations minières, un robot terrestre contraint de faire demi-tour mobilise du temps machine et perturbe les flux. L'apport de SAP est de rendre la décision de scouting dirigée par la valeur informationnelle plutôt que par la simple distance, un glissement non trivial. L'usage d'un GNN pour approximer l'IGAP est l'élément clé : il ramène le planning à des niveaux temps réel sans dégradation mesurable de la qualité de solution, ce qui ouvre la voie à un déploiement embarqué sur matériel contraint. La distinction entre guidage par information et guidage par proximité, avec 8 à 14 % d'écart, valide quantitativement que la sophistication algorithmique se traduit en gains opérationnels réels. Ce travail s'inscrit dans un courant de recherche actif sur la planification multi-robots hétérogènes, où drones et robots terrestres forment des binômes complémentaires. La formulation s'appuie sur le Canadian Traveler Problem, un cadre classique de navigation sous incertitude, et l'étend avec une couche d'apprentissage automatique. Les acteurs industriels proches de cette problématique incluent Boston Dynamics (Spot + drones), Exotec pour la logistique autonome en entrepôt, ou encore les consortiums de robotique minière australiens. La prochaine étape naturelle serait la validation sur plateforme physique réelle : les expériences rapportées restent simulées, et le sim-to-real gap sur des graphes routiers dynamiques reste un défi non résolu par cet article.

UERésultats encore simulés, mais la méthode pourrait bénéficier indirectement à des acteurs logistiques européens comme Exotec lors d'une éventuelle validation sur plateforme physique réelle.

RecherchePaper
1 source
Système de tâches et de planification min-max regret pour un robot multi-hétérogène en environnement partiellement connu
4arXiv 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