RecherchearXiv cs.RO 15 septembre 2026

Planification de mouvement multi-robots non étiquetés : de meilleurs compromis de séparation

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs publient sur arXiv (référence 2603.19502v2, soumission de remplacement) un nouvel algorithme pour la planification de mouvement multi-robots non étiquetée (MRMP), appliqué à des robots en forme de disque unitaire évoluant dans un environnement polygonal avec obstacles. Le problème consiste à faire migrer un ensemble de robots vers des positions cibles interchangeables sans collision, en minimisant la longueur totale des trajectoires. Les auteurs démontrent des algorithmes polynomiaux à facteur d'approximation constant sous deux régimes de séparation : une distance minimale entre robots (ρ) de 2 2/3 combinée à une distance minimale aux obstacles (ω) de 1 2/3, ou alternativement ρ≈3,291 et ω≈1,354. Ils fournissent aussi une variante monotone, où chaque robot progresse sans jamais reculer, exigeant ω≈1,614 et ρ=4, avec preuve qu'aucun plan monotone n'existe en dessous de ce seuil de ω, ni aucun plan faiblement monotone sous ω=1,354. Un compromis supplémentaire atteint une séparation quasi optimale de ρ=2 au prix d'un facteur d'approximation linéaire et d'une contrainte ω=2.

Sans lien direct avec un produit ou un déploiement commercial, ce résultat intéresse les concepteurs de flottes de robots mobiles autonomes en entrepôt logistique, où densifier le nombre de robots par mètre carré tout en garantissant des trajectoires sans collision reste un enjeu économique concret. À rebours des approches par apprentissage (renforcement, modèles vision-langage-action) qui dominent l'actualité robotique récente, ce travail apporte des garanties formelles prouvées mathématiquement plutôt que des performances mesurées sur benchmarks empiriques, un atout pour les intégrateurs devant certifier la sécurité de systèmes multi-robots denses.

Le travail généralise deux résultats de référence en planification géométrique de mouvement : celui de Banyassady et al., présenté à SoCG 2022, qui garantissait la faisabilité dans des polygones simples sous des distances départ-départ et cible-cible d'au moins 4 et départ-cible d'au moins 3, sans garantie d'optimalité ; et celui de Solovey et al., présenté à RSS 2015, quasi optimal mais sous des conditions plus strictes (distance mutuelle d'au moins 4, distance aux obstacles d'au moins racine de 5, soit environ 2,236). Les nouveaux auteurs étendent aussi certains résultats à la variante étiquetée du problème, avec une borne serrée démontrée sur la séparation aux obstacles. Le papier reste une contribution théorique en géométrie algorithmique, sans implémentation logicielle publique ni partenariat industriel annoncé à ce stade.

Dans nos dossiers

IA physique & VLA arXiv cs.RO

À lire aussi

1arXiv cs.RO

AO-ARC : planification de mouvement multi-robots presque sûrement asymptotiquement optimale avec ARC

Une équipe de recherche a publié sur arXiv (référence 2606.27495) AO-ARC, un algorithme de planification de mouvement multi-robots (MRMP) dit "anytime", c'est-à-dire capable de fournir une première solution valide immédiatement, puis de l'améliorer de façon continue sans délai fixé. L'algorithme combine le meta-algorithme AO-x, qui convertit des solveurs de faisabilité en algorithmes anytime, avec la méthode ARC (Adaptive Robot Coordination) appliquée itérativement sur des instances MRMP bornées, sous une métrique de makespan, le temps nécessaire à l'ensemble des robots pour atteindre leurs cibles. Les auteurs affirment que AO-ARC atteint des temps de première solution comparables aux solveurs de faisabilité de l'état de l'art, tout en convergeant plus rapidement et plus régulièrement que les méthodes anytime existantes à mesure que le nombre de robots augmente, avec une preuve formelle d'optimalité asymptotique. L'évaluation porte sur des scénarios 2D à différents niveaux de complexité de coordination et sur un scénario 3D avec bras manipulateurs, représentatif d'applications industrielles réelles. L'enjeu pratique est significatif : la planification multi-robots est NP-difficile en général, et le passage à l'échelle (10, 50, 100 robots) reste le talon d'Achille des méthodes existantes, notamment dans les entrepôts automatisés ou les cellules robotiques denses. La propriété anytime est particulièrement critique en déploiement réel, où un système ne peut pas attendre une solution optimale avant d'agir. La métrique makespan, en optimisant le temps de fin de la tâche collective plutôt que la somme des distances individuelles, est directement corrélée au débit industriel. Le mécanisme de couplage adaptatif d'ARC, choisir dynamiquement quand planifier des robots conjointement ou indépendamment, est préservé tout en maintenant une borne de coût cohérente sur les décompositions, ce qui est la difficulté théorique centrale que ce travail prétend résoudre. ARC, le solveur sous-jacent, avait déjà démontré des performances compétitives sur des benchmarks MRMP en exploitant ce couplage sélectif. AO-ARC s'inscrit dans une lignée de recherches visant à combiner garanties théoriques et efficacité pratique, face à des méthodes concurrentes comme CBS (Conflict-Based Search), ECBS ou les variantes de dRRT*, qui peinent à combiner rapidité de première solution et qualité asymptotique à grande échelle. Ce travail reste un preprint arXiv non encore évalué par les pairs, sans déploiement annoncé ni partenaire industriel mentionné, les benchmarks utilisés, bien que représentatifs, ne constituent pas une validation terrain.

RecherchePaper

1 source

2arXiv cs.RO

Planification de mouvement multi-robots décentralisée par diffusion informée par simulation

Des chercheurs présentent SID (Simulation-Informed Diffusion), un cadre décentralisé de planification de mouvement pour flottes multi-robots, publié sur arXiv (2605.27697) en mai 2026. Le problème ciblé est fondamental en robotique mobile collaborative : chaque robot doit générer des trajectoires sans collision à partir de ses seules observations locales, sans capteur global ni communication fiable. L'approche repose sur des modèles de diffusion sensibles aux contraintes (CADM, Constraint-Aware Diffusion Models) : dans une première passe, CADM simule les trajectoires futures des robots voisins à partir de leurs états observés ; dans une seconde passe, le même modèle planifie la trajectoire propre de chaque robot sous contraintes de sécurité issues de ces simulations. Un mécanisme de communication minimaliste complète le dispositif, ne déclenchant la coordination qu'en zones de forte congestion. Les expériences montrent que SID surpasse les méthodes de référence en termes d'efficacité de planification et de respect des contraintes, et passe à l'échelle jusqu'à 108 robots simultanés évoluant parmi 160 obstacles. La limite adressée est bien documentée dans les systèmes AMR industriels : planificateurs classiques (RVO, ORCA) et approches d'apprentissage raisonnent tous sur un instantané statique de l'environnement, ce qui devient un goulot d'étranglement au-delà d'une vingtaine d'agents en densité élevée. L'apport de SID est de traiter prédiction des voisins et planification propre comme un problème unifié, résolu par le même modèle de diffusion, évitant ainsi la propagation d'erreurs entre modules séparés. La communication conditionnelle représente également un avantage pratique pour les déploiements sur réseaux contraints, un point d'intérêt direct pour les intégrateurs logistiques opérant des flottes AMR à grande échelle. Les modèles de diffusion appliqués à la robotique connaissent un essor marqué depuis 2024, avec des travaux comme Pi-0 (Physical Intelligence) ou GR00T N2 (NVIDIA) ayant démontré leur efficacité pour la manipulation. SID s'inscrit dans cette tendance mais cible la coordination décentralisée, angle moins couvert que la manipulation. La compétition directe inclut les approches MARL (multi-agent reinforcement learning) et les planificateurs hybrides comme PRIMAL ou DHC. À ce stade, SID reste une preuve de concept en simulation ; aucun déploiement sur hardware physique n'est annoncé. La prochaine étape naturelle serait une validation sur AMR réels en conditions d'entrepôt, qui constituerait le vrai test du sim-to-real gap encore ouvert pour ce type d'approche générative.

RecherchePaper

1 source

3arXiv cs.RO

PccDiffuser : planification de mouvement multi-solutions pour robots à corps continu

Une équipe de recherche présente PccDiffuser, un cadre de diffusion conditionnelle pour la planification de mouvement des robots continuum, dans un preprint arXiv publié en septembre 2026 (2609.09745v1). Le système apprend une distribution multimodale de trajectoires dans l'espace des configurations et génère plusieurs solutions candidates en parallèle, converties en trajectoire exécutable par allocation temporelle respectant les contraintes des actionneurs. Sa cinématique, modélisée par courbure constante par morceaux avec des coordonnées exponentielles, s'appuie sur un réseau de neurones sur graphe pour encoder un nombre variable d'obstacles et sur une cinématique différentielle analytique intégrée au débruitage pour améliorer précision et dégagement du corps entier. Sur un jeu de test allant de zéro à quatre obstacles, le taux de réussite atteint 91 %, supérieur aux méthodes par échantillonnage ou optimisation, avec un gain d'efficacité de calcul. Des essais sur un robot continuum à trois sections actionné par câbles confirment la planification multi-solutions et l'évitement d'obstacle du corps entier. Les robots continuum, structures souples et hyper-redondantes utilisées en chirurgie mini-invasive, en inspection de zones confinées et en recherche-sauvetage, restent difficiles à piloter automatiquement en raison d'un espace de configuration quasi infini et d'une cinématique non linéaire. Les méthodes classiques par échantillonnage ou optimisation peinent à capturer la multimodalité du problème, c'est-à-dire l'existence de plusieurs chemins valides distincts, et deviennent lentes quand l'environnement se complexifie. En atteignant 91 % de réussite tout en restant plus rapide que ces références, PccDiffuser démontre que les modèles de diffusion, déjà répandus pour les bras robotiques rigides, se transposent aux robots mous. Il s'agit toutefois d'un résultat de recherche en preprint, validé sur un seul robot de laboratoire et un environnement limité à quatre obstacles, et non d'un produit commercial ni d'un déploiement industriel. La planification des robots continuum s'appuyait jusqu'ici sur des solveurs de cinématique inverse et des planificateurs par échantillonnage adaptés au modèle de courbure constante par morceaux, une représentation standard depuis le milieu des années 2000. Les modèles de diffusion, popularisés pour les bras rigides, avaient jusqu'à présent peu été appliqués aux structures continues, faute d'encodage adapté à une cinématique non linéaire et à un nombre variable d'obstacles. Sans acteur industriel ni calendrier annoncé, ce travail de recherche ouvre la voie à des validations sur des robots continuum plus complexes et des environnements encombrés, avant tout transfert éventuel vers des applications comme la chirurgie robotisée ou l'inspection industrielle.

RecherchePaper

1 source

4arXiv cs.RO

Modélisation par diffusion optimale pour la planification de mouvement multi-robots

Des chercheurs présentent MDOC (Model-Based Diffusion Optimal Control), un planificateur de trajectoires pour flottes multi-robots fondé sur la diffusion, décrit dans un preprint publié sur arXiv (2607.12423). Contrairement aux approches récentes qui traitent la planification de trajectoires comme un problème d'inférence probabiliste et apprennent leurs fonctions de score à partir de larges jeux de données de démonstration, MDOC s'appuie directement sur des modèles de dynamique connus, sans données d'entraînement. Sa mécanique de sécurité combine ces modèles avec des projections contraintes par des Control Barrier Functions (CBF), et le système passe à l'échelle multi-robots grâce à la méthode de Conflict-Based Search (CBS), qui résout les conflits de trajectoires entre agents de façon hiérarchique. Les auteurs rapportent, en simulation, de meilleures performances que des planificateurs de référence en termes d'efficacité d'échantillonnage, de fluidité géométrique des trajectoires et de taux de réussite, tout en réduisant le temps de calcul et en garantissant des trajectoires sans collision. L'enjeu dépasse l'exercice académique : la planification de mouvement multi-robots en environnement continu se heurte à une explosion combinatoire de l'espace des trajectoires conjointes, et les méthodes par diffusion existantes peinent à garantir rigoureusement la faisabilité dynamique et les contraintes de sécurité strictes lors de l'échantillonnage. En s'affranchissant de la dépendance aux données de démonstration tout en conservant des garanties formelles de sécurité, MDOC répond à un frein réel à l'adoption industrielle de ces techniques pour des flottes d'AMR ou de robots collaboratifs, où l'absence de collision n'est pas négociable. Le travail s'inscrit dans la lignée des approches récentes qui recadrent la planification de trajectoires comme un problème d'inférence par diffusion, en s'en distinguant par son caractère "model-based" plutôt que piloté par les données. Il se positionne aussi comme une alternative aux méthodes classiques d'optimisation de trajectoire et de recherche multi-agents. À ce stade, les résultats restent limités à des expériences en simulation ; aucun déploiement sur robots physiques n'est mentionné, ce qui en fait une contribution méthodologique à confirmer avant tout usage en conditions réelles.

RecherchePaper

1 source