RecherchearXiv cs.RO 14 septembre 2026

Algorithme de planification hiérarchique de trajectoire de couverture pour environnements inconnus

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs présentent dans un preprint publié sur arXiv (arXiv:2609.12595v1) un algorithme de planification de trajectoire de couverture en ligne, conçu pour des robots évoluant dans des environnements totalement inconnus au départ. Le principe repose sur une décomposition progressive : à mesure que le robot avance et découvre des obstacles, la zone à couvrir est découpée en sous-zones disjointes, organisées dans un arbre de décomposition construit de façon incrémentale qui conserve les relations hiérarchiques parent-enfant entre ces sous-zones. Un planificateur global maintient et met à jour en continu un itinéraire de couverture, en priorisant les nouvelles sous-zones enfants selon leur état d'exploration et leur distance au robot, tandis qu'un planificateur local génère les mouvements de couverture à l'intérieur de chaque sous-zone sélectionnée, ce qui permet à la trajectoire de s'adapter au fur et à mesure que l'environnement se révèle. La méthode a été évaluée uniquement en simulation haute-fidélité, sur des scénarios complexes, et comparée à trois algorithmes de référence existants. Les auteurs rapportent une meilleure efficacité de couverture, mesurée par la longueur du trajet parcouru et le taux de recouvrement (overlap ratio) des zones déjà balayées.

Pour l'industrie robotique, ce type d'algorithme cible un problème très concret : les robots de nettoyage industriel, de tonte, d'inspection ou agricoles doivent balayer l'intégralité d'une surface plutôt que simplement relier un point A à un point B, et la carte des lieux n'est souvent pas connue à l'avance ou évolue (mobilier déplacé, obstacles temporaires, chantiers). Les approches classiques de coverage path planning supposent généralement une carte déjà connue et calculent un plan hors ligne ; ce travail s'inscrit dans la lignée plus exigeante des méthodes en ligne, qui composent avec une incertitude croissante sur la géométrie de l'espace. Réduire le recouvrement et la longueur de trajet a un impact direct sur l'autonomie énergétique et le temps de cycle des AMR déployés en usine, en entrepôt ou en extérieur. Ceci dit, il s'agit à ce stade d'un résultat purement académique, validé en simulation face à des baselines choisies par les auteurs, et non d'un système testé sur robot physique ni déployé en conditions réelles : l'écart classique entre démonstration simulée et robustesse terrain reste entier.

Le papier ne mentionne aucune affiliation industrielle, aucun partenaire de déploiement ni aucun robot commercial précis, ce qui en fait une contribution méthodologique plutôt qu'une annonce produit. Le champ de la planification de couverture en environnement inconnu reste actif depuis plusieurs années, avec des approches concurrentes basées sur la décomposition cellulaire, les grilles d'occupation ou des heuristiques gloutonnes, que les auteurs utilisent justement comme points de comparaison. Publié comme preprint de type "new" sur arXiv, donc non encore revu par les pairs, ce travail ouvre la voie à des tests sur robot physique et dans des environnements réels plus variés, étape nécessaire avant toute adoption par des intégrateurs ou fournisseurs de robots mobiles autonomes.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

SCOPE : planification de trajectoire consciente du champ de vision dans des environnements 3D inconnus par certification de volume de sécurité

Le système SCOPE (Safety Certification through Observation Planning and Execution), présenté dans un article arXiv publié début août 2026, s'attaque à un problème central de la navigation autonome : quand un robot n'a qu'un capteur à champ de vision limité fixé sur son corps, il doit vérifier que tout le volume qu'il s'apprête à traverser a été observé et confirmé libre avant de bouger. Les chercheurs formalisent cette contrainte comme un problème de certification de volume de sécurité dans une carte voxel encore partiellement inconnue, et construisent un graphe certifié où chaque nœud correspond à une position dont le volume de sécurité environnant est entièrement connu et libre. SCOPE découple la planification optimiste vers l'objectif de l'exécution certifiée : dès qu'un point non certifié apparaît sur la trajectoire envisagée, il devient une obligation d'observation explicite, résolue par une recherche de point de vue ciblée, avec un mécanisme récursif si les points de vue utiles ne sont pas eux-mêmes atteignables de façon certifiée. Sur 60 tâches randomisées dans trois environnements 3D inconnus, le système atteint systématiquement l'objectif tout en maintenant une intrusion quasi nulle dans l'espace non certifié, et un mécanisme de préchargement ("preview") réduit le temps de mission moyen de 27 %. Des démonstrations sur robot réel, dans deux scénarios représentatifs, complètent la validation. L'intérêt principal tient à la garantie formelle apportée : les auteurs prouvent une complétude conditionnelle, c'est-à-dire que sous des hypothèses de détection monotone et de recherche exhaustive, SCOPE atteint toujours l'objectif dès qu'une séquence finie d'actions de perception certifiées existe. C'est une réponse directe à une faiblesse connue des approches classiques d'exploration (next-best-view, frontier-based), qui optimisent la couverture sans offrir de garantie de sécurité stricte pendant le déplacement lui-même. Pour les intégrateurs de robots mobiles, drones ou AMR équipés de capteurs à champ de vision étroit, ce type de méthode pourrait combler l'écart entre planification efficace et sécurité certifiée, sans tomber dans l'excès de prudence qui pénalise le temps de mission. Le travail s'inscrit dans la lignée des recherches sur la planification de trajectoire sous incertitude perceptive, où la difficulté n'est pas seulement d'éviter les obstacles connus mais de gérer l'inconnu de façon prouvée sûre. Il reste à noter que la validation s'appuie principalement sur simulation (60 tâches, 3 environnements), les essais réels se limitant à deux scénarios ; la généralisation à des environnements plus complexes, dynamiques ou multi-agents reste à démontrer dans de futurs travaux.

RecherchePaper

1 source

2arXiv cs.RO

Sécurité et optimalité en planification de trajectoire de robot : algorithme et métrique

Des chercheurs ont mis en ligne sur arXiv (référence 2505.23197, quatrième version révisée) un nouvel algorithme de planification de trajectoire pour robots mobiles, baptisé Unified Path Planner (UPP). Il s'agit d'un algorithme de recherche sur graphe qui équilibre dynamiquement deux objectifs habituellement traités séparément : la longueur du chemin et la distance de sécurité aux obstacles. UPP s'appuie sur un champ de sécurité local basé sur l'inverse de la distance aux obstacles et ajuste automatiquement ses paramètres de pondération heuristique en cours de recherche, avec des garanties théoriques de sous-optimalité bornée. Pour évaluer objectivement ce compromis, l'équipe introduit aussi une métrique normalisée, l'indice OptiSafe. Sur dix environnements de test, UPP atteint un score OptiSafe de 0,94 dans les environnements encombrés, contre 0,22 à 0,85 pour les méthodes existantes, avec un surcoût de longueur de trajectoire limité à 0,5-1 % en simulation et un taux de réussite de 100 %. Une validation matérielle a été menée sur un robot TurtleBot. Ce travail cible un problème très concret pour les intégrateurs de robots mobiles autonomes (AMR) en environnement industriel encombré : la plupart des planificateurs de trajectoire classiques (type A* ou variantes de RRT) privilégient soit le chemin le plus court, soit la marge de sécurité maximale, rarement les deux à la fois de façon ajustable. L'apport principal n'est pas tant l'algorithme lui-même que la métrique OptiSafe, qui offre pour la première fois un étalon commun pour comparer objectivement des planificateurs sur ce compromis, un enjeu réel pour la certification et le déploiement de flottes en entrepôt ou en usine. Les auteurs restent toutefois prudents : ils reconnaissent explicitement un écart persistant entre simulation et réel (sim-to-real gap), même après validation matérielle, ce qui nuance la portée des chiffres obtenus en simulation. Ce résultat s'inscrit dans la lignée des recherches académiques en planification de trajectoire robotique, un domaine dominé depuis des décennies par des familles d'algorithmes (A, D, champs de potentiel, RRT) optimisant chacun un seul critère. Il s'agit ici d'une publication de recherche, sans annonce de produit commercial ni acteur industriel identifié, le TurtleBot servant de plateforme de test académique standard. Les prochaines étapes attendues concernent une validation matérielle plus large, au-delà d'une seule plateforme, avant toute intégration dans des piles logicielles de navigation robotique existantes.

RecherchePaper

1 source

3arXiv cs.RO

3D-CovDiffusion : modèle de diffusion 3D pour la planification de trajectoires de couverture

Des chercheurs présentent 3D-CovDiffusion, un modèle de diffusion conditionné par la géométrie pour la planification de trajectoires de couverture en robotique industrielle, décrit dans une version révisée (v2) publiée sur arXiv (2510.03011). Contrairement aux approches qui assemblent après coup des segments de trajectoire non ordonnés via des heuristiques, la méthode reformule le problème comme une génération de séquence conditionnelle : elle synthétise directement, à partir d'un nuage de points 3D brut, des trajectoires continues et temporellement ordonnées, découpées en blocs simplement concaténés dans l'ordre. Une seule politique partagée traite des géométries variées sans architecture spécifique par catégorie d'objet. Sur des benchmarks étendus, les auteurs rapportent une distance de Chamfer point à point inférieure de 98,2 % par rapport aux meilleures méthodes d'apprentissage antérieures, un jerk (à-coup) réduit de 97,0 %, signe de trajectoires plus lisses, et une couverture de surface supérieure de 67,5 points de pourcentage en moyenne. La planification de trajectoires de couverture conditionne directement la qualité de finition et le temps de cycle en peinture, polissage et revêtement par pulvérisation industriels. Les méthodes existantes, géométriques ou fondées sur l'apprentissage par segments, nécessitent souvent un post-traitement pour reconstituer un ordre cohérent, ce qui introduit des artefacts et limite la généralisation entre formes d'objets. En montrant qu'une politique de diffusion unique peut générer directement des séquences ordonnées et se généraliser sans réglage par catégorie, ce travail renforce l'idée que les modèles de diffusion conditionnés peuvent remplacer des pipelines de planification fait main, argument déjà avancé pour la manipulation robotique mais encore peu exploré pour la couverture de surface. Les gains chiffrés restent toutefois issus de benchmarks internes aux auteurs, sans validation en environnement industriel réel mentionnée dans l'abstract. Ce travail prolonge les "diffusion policies" désormais courantes en apprentissage par imitation pour la manipulation, ici transposées à un problème historiquement traité par la planification classique (trajectoires en boustrophédon) ou par des méthodes d'apprentissage assemblant des segments locaux. Classée "replace" sur arXiv, la publication correspond à une mise à jour d'un article existant plutôt qu'à une annonce produit ; aucun industriel ni site de déploiement n'est cité, ce qui situe la contribution au stade académique plutôt qu'au transfert commercial. La suite logique attendue serait une validation sur cellule robotique réelle, comparée aux outils de programmation de trajectoire actuellement utilisés en production.

RecherchePaper

1 source

4arXiv cs.RO

MDCPP : planification dynamique de trajectoires de couverture multi-robots pour l'adaptation de la charge de travail

Une équipe de recherche publie sur arXiv (arXiv:2509.23705v2, version révisée) un article intitulé « MDCPP: Multi-Robot Dynamic Coverage Path Planning for Workload Adaptation », qui propose une méthode de planification de couverture pour flottes de robots mobiles capable de s'adapter aux vitesses de déplacement variables qu'imposent des tâches de détection ou d'interaction. Le système apprend un champ de charge de travail modélisé par un mélange de gaussiennes à partir d'observations partielles, prédit le temps de service cellule par cellule, puis répartit en continu les zones non couvertes via une allocation distribuée sous contrainte de capacité. Les auteurs démontrent la terminaison finie et l'optimalité locale par paires de chaque cycle d'allocation synchronisé, bornent la dégradation du temps de complétion (makespan) due aux erreurs d'estimation, et posent des conditions suffisantes de couverture complète. Un banc d'essai de 600 simulations compare MDCPP à quatre approches, le balayage classique, LS-MCPP, la réaffectation réactive et un oracle de référence, avant une validation matérielle limitée à trois robots terrestres sans pilote (UGV) soumis à des effets réels de localisation, de motorisation et de contrôle sans fil. L'enjeu dépasse l'exercice académique: la quasi-totalité des algorithmes de couverture multi-robots suppose une vitesse constante, hypothèse qui s'effondre dès qu'un robot doit ralentir pour scanner, pulvériser ou inspecter certaines zones plus densément que d'autres, un cas fréquent en agriculture de précision, nettoyage industriel ou inspection d'entrepôts. Le benchmark montre que le gain de la prédiction de charge de travail est surtout significatif dans les scénarios fortement hétérogènes, où MDCPP améliore le makespan agrégé par rapport aux méthodes non prédictives, un signal utile pour les intégrateurs arbitrant entre planification statique et adaptation dynamique. Le passage du simulateur à trois UGV physiques constitue une validation partielle mais concrète au-delà de la simulation, même si l'échelle testée reste très en deçà d'un déploiement industriel et ne permet pas d'extrapoler directement les gains à des flottes de plusieurs dizaines d'unités. Le papier s'inscrit dans la lignée des travaux sur le coverage path planning multi-robots, champ de recherche mature dont les références incluent le balayage géométrique et des variantes récentes comme LS-MCPP, auxquelles MDCPP ajoute une couche prédictive fondée sur l'apprentissage du champ de charge plutôt qu'une simple réaction à la charge observée. La mention « replace » sur arXiv indique une version révisée d'un préprint déjà soumis, sans qu'aucun laboratoire, financement ou calendrier de commercialisation ne soit précisé dans le résumé. Aucune suite n'est annoncée, mais la limitation assumée du banc d'essai matériel à trois véhicules laisse présager, comme étape logique suivante, un passage à l'échelle vers des flottes plus larges et des environnements extérieurs moins contrôlés avant toute application industrielle réelle.

RecherchePaper

1 source