RecherchearXiv cs.RO 10 septembre 2026

HiRAD : un système flexible de routage d'AGV à grande échelle

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Publié sur arXiv le 10 septembre 2026 (référence 2609.09752), HiRAD est un système de routage par apprentissage par renforcement hiérarchique pour flottes d'AGV en entrepôt, conçu pour l'espace continu plutôt que la grille. Il combine une représentation spatio-temporelle par pas de temps rendant le mouvement continu différentiable, une séparation entre choix de cap et contrôle de vitesse qui réduit l'espace d'action, et un pipeline de décision asynchrone événementiel abaissant la complexité d'inférence de O(n²) à O(n) et la latence par pas jusqu'à 71%. Sur des graphes aléatoires et deux cartes d'entrepôt simulées, HiRAD réduit le makespan de 45% à 63% par rapport aux méthodes comparées, sans partenaire industriel ni déploiement réel associé à ces résultats.

L'enjeu dépasse l'exercice académique: les solveurs classiques de Multi-Agent Pathfinding butent sur une explosion combinatoire et un temps de calcul super-quadratique, avec des modèles de mouvement en grille éloignés de la cinématique réelle des véhicules. Les approches RL récentes gagnent en flexibilité via des politiques décentralisées, mais exigent des millions d'épisodes d'entraînement et une observation complète de la carte à chaque étape, d'où des modèles lourds et une latence incompatible avec le contrôle temps réel industriel. En conciliant décomposition hiérarchique de l'action et architecture événementielle, HiRAD attaque directement ce compromis qui freinait jusqu'ici l'adoption du RL en logistique d'entrepôt à grande échelle, un sujet suivi de près par les intégrateurs et opérateurs de flottes AMR/AGV.

Le routage de flottes d'AGV est étudié depuis des décennies via des algorithmes exacts comme Conflict-Based Search ou la planification priorisée, limités par le même mur combinatoire dès que le nombre de véhicules ou la taille de l'entrepôt augmente. Les travaux récents en RL décentralisé ont ouvert une voie alternative, mais restaient pénalisés par des temps de convergence de plusieurs millions d'épisodes et une latence d'inférence trop élevée pour la production. HiRAD répond aux deux limites à la fois, sans dépendance annoncée à un fournisseur particulier, dans un marché où le français Exotec, Geek+ ou Locus Robotics déploient déjà des flottes commerciales. Le papier reste toutefois une contribution de recherche validée en simulation, sans pilote industriel ni calendrier de déploiement annoncé.

Dans nos dossiers

Exotec arXiv cs.RO

À lire aussi

1arXiv cs.RO

Vers un apprentissage robotique prédictif, aligné et à grande échelle

Le papier arXiv 2607.11270, publié le 14 juillet 2026, présente Lumo-2, un modèle latent monde-action développé pour la robotique conçu pour générer des actions en raisonnant sur la dynamique du monde dans un espace latent plutôt qu'en clonant du comportement observé. L'idée centrale est que la qualité de génération d'actions dépend de la géométrie de cet espace latent : les auteurs montrent que les objectifs classiques de tokenisation d'actions basés sur la reconstruction biaisent les représentations vers la fidélité du signal brut, ce qui désaligne la qualité de reconstruction et la performance de contrôle réelle. Pour corriger cela, ils proposent un alignement multi-étapes des modalités, où les représentations d'actions sont progressivement rapprochées de la dynamique du monde latente, de la vision et du langage. Le papier revendique des gains sur des tâches réelles de manipulation dexterous et à long horizon face à des modèles vision-langage-action (VLA) et monde-action (WAM) de référence, sans toutefois publier de chiffres précis de taux de réussite, de temps de cycle ou de comparaison nommée dans le résumé disponible : à ce stade, il s'agit d'une annonce de recherche, pas d'un produit déployé ni de résultats benchmarkés vérifiables publiquement. Si les résultats se confirment à l'échelle et hors distribution, cela renforcerait l'hypothèse selon laquelle le raisonnement prédictif structuré, et non la seule imitation de trajectoires, est la voie vers des politiques robotiques généralisables, un sujet clé alors que des labs et startups (Physical Intelligence avec Pi-0, NVIDIA avec GR00T N2, Figure avec Helix) cherchent tous à faire tenir leurs VLA face à des environnements réels imprévisibles plutôt qu'à des démonstrations scénarisées. Ce travail s'inscrit dans la lignée des modèles monde-action apparus depuis 2024-2025, qui tentent de combiner la prédiction vidéo façon world models avec la génération de commandes motrices. Aucun acteur français ou européen n'est cité dans cette publication, et aucune date de suivi, de code ouvert ou de déploiement industriel n'est mentionnée à ce stade.

RechercheActu

1 source

2arXiv cs.RO

AutoRSR : génération automatisée de données réel-simulation-réel pour un apprentissage robotique à grande échelle

AutoRSR, un framework publié sur arXiv (2610.20336) par une équipe de recherche, automatise la conversion d'un espace de travail réel en environnement de simulation prêt pour l'apprentissage robotique, puis en données de manipulation à grande échelle. À partir d'observations multi-vues, des états du robot et de requêtes sémantiques en vocabulaire ouvert, le système reconstruit la scène, extrait chaque objet sous forme d'actif 3D individuel et recale automatiquement la scène dans le repère de la base du robot, à l'échelle métrique. Quelques mouvements de référence suffisent ensuite pour générer des trajectoires exécutables, démultipliées par interpolation et randomisation de domaine. Sur trois tâches de manipulation réelles, des politiques entraînées sur 1 000 épisodes générés automatiquement par tâche atteignent 73,3 à 86,7 % de réussite sur robot réel. Ce niveau est comparable à celui de pi 0.5 entraîné sur 150 démonstrations téléopérées, avec un temps humain de production de données divisé environ par dix. L'enjeu est le goulot d'étranglement le plus coûteux de l'apprentissage par imitation : la collecte de démonstrations par téléopération, qui mobilise des opérateurs et immobilise des robots. Après le scan de l'espace et les requêtes sémantiques, le pipeline ne demande plus ni annotation manuelle des objets, ni calibration scène-robot, ni téléopération. Pour un intégrateur, cela rapproche l'idée de « scanner la cellule du client, puis entraîner » d'un flux de travail reproductible. Il faut toutefois rester prudent : trois tâches, un seul article préliminaire (v1), et une comparaison avec un seul modèle de référence. Les travaux ne précisent pas, dans ce résumé, la complexité des tâches ni leur robustesse face à des objets déformables, articulés ou à des variations d'éclairage importantes. Le chiffre de 73,3 à 86,7 % reste aussi inférieur à ce qu'exige une exploitation industrielle, où l'on vise plutôt le haut des 90 %. Le travail s'inscrit dans la lignée des approches real-to-sim-to-real, qui cherchent à réduire l'écart entre simulation et réalité sans repartir de zéro à chaque nouvelle scène. Il s'oppose à la stratégie dominante des grands acteurs de l'humanoïde et des modèles vision-langage-action (VLA), qui misent sur de vastes corpus de téléopération, et complète les pipelines de génération synthétique comme ceux popularisés autour de l'écosystème NVIDIA. Il fait aussi écho aux méthodes d'augmentation de démonstrations à partir de peu d'exemples. La suite logique serait une validation sur des tâches plus longues, des manipulateurs variés et des scènes industrielles, ainsi qu'une comparaison avec d'autres VLA. Aucun déploiement commercial ni calendrier de pilote n'est annoncé, et aucun acteur français ou européen n'est mentionné.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

3arXiv cs.RO

FoldNet++ : un jeu de données synthétique à grande échelle pour le pliage et dépliage de t-shirts par un robot

Des chercheurs du laboratoire EPIC de l'université de Pekin publient FoldNet++, un jeu de données synthétique pour l'apprentissage du pliage et du dépliage de T-shirts par des robots, décrit dans un preprint arXiv (2609.12433v1). Il couvre 6 embodiments robotiques, 1 000 T-shirts virtuels et 1 000 environnements, pour un total de 120 000 épisodes annotes. En reprenant le pipeline FoldNet, les auteurs simulent physiquement des T-shirts aux apparences variées avec des points clés sémantiques annotes, puis génèrent, via un cadre base sur des règles unifie, des démonstrations de manipulation propres a chaque robot. Des politiques visuomotrices entraînées uniquement sur ces données synthétiques atteignent plus de 90% de réussite de bout en bout une fois déployées sur des environnements réels et des T-shirts jamais vus, dans des configurations initiales arbitraires. Le projet est publie a l'adresse pku-epic.github.io/FoldNetXX. Le linge constitue un cas d'école de la manipulation d'objets déformables, ou la géométrie change a chaque prise, ce qui rend l'apprentissage d'une politique généralisable bien plus difficile que pour des objets rigides. L'enjeu de FoldNet++ est de montrer qu'un entrainement purement synthétique, sans aucune donnée réelle, peut transférer efficacement vers le monde réel, une réponse potentielle au fosse simulation-réalité qui freine le secteur. Si ce taux de 90% se confirme sur des évaluations indépendantes, il offrirait aux intégrateurs de blanchisserie industrielle et de robotique domestique un moyen d'éviter la collecte couteuse de démonstrations réelles sur tissu. Le chiffre reste toutefois issu des auteurs eux-mêmes et mérite une vérification externe avant d'être généralisé. FoldNet++ prolonge le pipeline du précédent FoldNet, développe par la même équipe, en l'étendant a davantage de robots, de vêtements et de scènes. Cette démarche rejoint une tendance plus large en robotique manipulative, ou plusieurs laboratoires cherchent a démontrer qu'un volume massif de données simulées peut réduire la dépendance a la téléopération sur robot réel, historiquement couteuse et lente a collecter. Donnees et code étant mis en ligne via le site du projet, la suite logique passe par des benchmarks indépendants sur d'autres types de vêtements que le T-shirt et sur des robots non couverts par les six embodiments testes, avant toute intégration dans des lignes de production ou des robots domestiques commerciaux.

RecherchePaper

1 source

4arXiv cs.RO

AssemPlanner : un cadre de planification de tâches multi-agents pour les systèmes d'assemblage flexibles

Une équipe de chercheurs a publié le 12 mai 2026 sur arXiv (référence 2605.08831) un framework de planification de tâches pour systèmes d'assemblage flexibles baptisé AssemPlanner. Le système prend en entrée des descriptions de tâches en langage naturel et les convertit automatiquement en séquences d'opérations de production exécutables. Son architecture repose sur plusieurs agents spécialisés : SchedAgent, qui joue le rôle de moteur de raisonnement central, KnowledgeAgent, chargé de fournir les connaissances métier, LineBalanceAgent, responsable de l'équilibrage des lignes, ainsi qu'un graphe de scène représentant l'état physique de l'environnement. Le code source et les jeux de données sont publiés en accès libre sur GitHub, ce qui facilite la reproductibilité des résultats. L'intérêt industriel de cette approche réside dans la réduction du temps de reconfiguration d'une ligne d'assemblage lors du passage à un nouveau produit. Dans les systèmes actuels, cette phase mobilise plusieurs experts pendant des périodes significatives, ce qui constitue un frein majeur à la flexibilité de la production. En substituant une interface en langage naturel à la configuration manuelle, AssemPlanner vise à abaisser la barrière d'entrée pour les intégrateurs et les responsables de production. Le recours à l'approche ReAct (Reasoning + Acting) permet à SchedAgent d'ajuster dynamiquement ses décisions en fonction des retours des autres agents, contrairement aux pipelines statiques traditionnels qui nécessitent une reprogrammation explicite dès que les contraintes du procédé changent. Cela pourrait réduire concrètement les délais de mise en production pour les PME industrielles et les intégrateurs spécialisés en automatisation. AssemPlanner s'inscrit dans la dynamique plus large des systèmes multi-agents LLM appliqués à l'automatisation industrielle, un champ en expansion rapide depuis 2023. L'architecture ReAct, introduite par des chercheurs de Google et Princeton en 2022, est ici transposée dans un contexte de manufacturing réel plutôt que symbolique. Les approches concurrentes incluent les systèmes experts classiques, la planification par jumeaux numériques, et des frameworks comme TaskMatrix ou AutoGen adaptés à des verticaux industriels. Il convient de souligner que le papier reste une contribution académique : aucun déploiement en environnement de production réel n'est documenté à ce stade, et les performances annoncées devront être validées hors contexte contrôlé.

RechercheActu

1 source