RecherchearXiv cs.RO 22 septembre 2026

FlockDiffusion : diffusion conditionnée par l'affectation pour l'allocation et l'exécution de tâches multi-drones

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

FlockDiffusion, un framework d'apprentissage présenté dans un article déposé sur arXiv le 22 septembre 2026 (arXiv:2609.23745), coordonne des flottes de drones autonomes chargées de desservir des objectifs dispersés en environnement encombré sous contrainte de calcul. Le système combine un encodeur de graphe de scène, un module d'allocation de tâches, un transformeur de diffusion conditionné par l'assignation et un décodeur de trajectoire à forme fermée, entraîné hors ligne par un modèle enseignant autorégressif. En simulation PyBullet, le regroupement de tâches par drone porte le taux de complétion de 50% à 100% et réduit le coût de route de 8,4% face à la méthode concurrente MAGNNET. Sur un benchmark à dix drones et 100 scènes par niveau de densité, FlockDiffusion calcule 6,2 à 7,6 fois plus vite et raccourcit les routes d'environ 37%: la latence ne monte que de 7,8 à 11,1 ms quand le nombre de tâches passe de 20 à 40, contre 48 à 75,8 ms pour le pipeline classique. Sur cinq environnements simulés sous Gazebo, il atteint 100% de couverture de planification et réduit le coût de route de 15,4%.

Ces résultats visent un goulot d'étranglement concret des essaims de drones: les pipelines classiques traitent séparément l'estimation de coût, l'assignation et l'exécution, ce qui multiplie les recherches redondantes dans le graphe et produit des trajectoires longues et heurtées, un défaut pénalisant pour l'inspection industrielle, la logistique aérienne ou la surveillance de sites étendus où chaque milliseconde de calcul embarqué compte. En remplaçant plusieurs solveurs séquentiels par un unique modèle de diffusion conditionné, l'étude appuie empiriquement l'idée que les architectures de diffusion, popularisées en manipulation robotique, généralisent bien à la planification multi-agents. Ces chiffres restent cependant issus de simulateurs, PyBullet et Gazebo, et non de vols réels, limite que les auteurs reconnaissent eux-mêmes.

FlockDiffusion prolonge des travaux récents qui transposent les modèles de diffusion à la planification combinatoire multi-robots, un champ jusqu'ici dominé par des solveurs d'optimisation et des méthodes d'apprentissage par renforcement sur graphe comme MAGNNET, utilisé ici comme référence de comparaison. Aucun acteur français ou européen n'apparaît dans cette publication, qui reste une contribution académique déposée sur arXiv et non un produit ou un pilote commercial annoncé. Les auteurs ne fixent aucun calendrier d'essais sur drones physiques; la validation en conditions réelles constitue l'étape logique suivante pour confirmer que les gains mesurés en simulation résistent aux aléas de la perception et de la communication embarquées.

Dans nos dossiers

Manipulation robotique arXiv cs.RO

À lire aussi

1arXiv cs.RO

Optimisation bicouche par colonies de fourmis pour l'allocation et le routage de tâches multi-robots en livraison

Une équipe de recherche propose dans un article publié sur arXiv (référence 2608.17416v1, soumis le 19 août 2026) un nouvel algorithme pour résoudre le problème d'allocation de tâches multi-robots (MRTA), central pour la logistique et la livraison. La méthode repose sur une fonction de coût inédite qui unifie en un seul problème d'optimisation l'attribution des tâches et le calcul des trajectoires, jusqu'ici souvent traités séparément. Les auteurs y adossent un algorithme d'optimisation par colonies de fourmis à double couche (bi-layer ACO), où deux niveaux de décision interdépendants, l'un pour l'affectation des tâches, l'autre pour le routage, sont résolus simultanément au sein d'un même processus de colonie. Comparé à deux méthodes de référence, la programmation linéaire en nombres entiers mixtes (MILP) et l'optimisation par essaims particulaires (PSO), ce bi-layer ACO réduit la distance totale parcourue jusqu'à 17,7% et le temps total de complétion des tâches de près de 20%, et ce sur toutes les tailles de scénarios testées. Ces gains, bien que mesurés en simulation et non en déploiement réel, ciblent un point de friction concret pour les opérateurs de flottes de robots de livraison et d'AMR en entrepôt: la plupart des solveurs actuels séparent la phase d'allocation des tâches de celle du routage, ce qui génère des trajectoires sous-optimales une fois les tâches figées. En traitant les deux dimensions comme un seul problème d'optimisation, l'approche s'attaque directement à ce goulot d'étranglement algorithmique, avec un intérêt direct pour les intégrateurs qui cherchent à réduire les coûts opérationnels et les délais de cycle sur des flottes de robots partagant un même espace de travail. Le MRTA est un problème NP-difficile étudié depuis des années en robotique et recherche opérationnelle, où le MILP garantit l'optimalité mais passe mal à l'échelle, tandis que les métaheuristiques comme le PSO ou les colonies de fourmis offrent un compromis vitesse/qualité pour de grandes flottes. L'article positionne son architecture à double couche comme une alternative plus scalable que ces deux familles de méthodes. Aucun déploiement industriel ni partenariat n'est mentionné à ce stade: il s'agit d'un travail de recherche algorithmique, dont la prochaine étape logique serait une validation sur des scénarios réels avec des contraintes physiques et de communication supplémentaires.

RecherchePaper

1 source

2arXiv cs.RO

LTLDiff : génération de données et politiques de diffusion guidées par la LTL finie pour la manipulation multi-agents

LTLDiff, un cadre combinant logique temporelle linéaire finie (LTLf) et politiques de diffusion pour la manipulation robotique multi-agents, a été présenté dans un article déposé sur arXiv (arXiv:2609.11043v1). Pour chaque tâche, une formule LTLf est apprise à partir d'instructions en langage naturel via un grand modèle de langage, puis convertie en arbre syntaxique abstrait afin de produire un vecteur d'embedding de dimension fixe. Cet embedding conditionne à la fois la génération de démonstrations et l'entraînement de la politique de diffusion, dans le but de forcer des trajectoires respectant l'ordre et la coordination attendus entre agents. Les auteurs rapportent des taux de réussite supérieurs à une base de référence sur leurs tâches de test, sans préciser de chiffres exacts, de nombre de robots impliqués, ni s'il s'agit de simulation ou de matériel réel. L'intérêt tient au problème visé : les politiques de diffusion, efficaces pour imiter des démonstrations isolées, se désynchronisent souvent, inversent l'ordre des actions ou échouent à coordonner plusieurs agents dès qu'une tâche exige une interaction simultanée ou séquentielle stricte. En ajoutant une couche de spécification logique et symbolique à l'apprentissage génératif, LTLDiff s'attaque à une faiblesse connue des approches de bout en bout de type VLA, qui peinent à garantir un séquencement fiable. Pour les intégrateurs qui envisagent des cellules multi-bras ou de la manipulation collaborative en logistique, ce travail illustre un retour des méthodes formelles pour combler les lacunes de fiabilité des modèles purement appris, plutôt que de tout miser sur l'échelle des données. LTLDiff s'inscrit dans une recherche académique qui marie logique temporelle et apprentissage de politiques, à distance de la course commerciale des modèles vision-langage-action comme Pi-0 de Physical Intelligence, GR00T N2 de NVIDIA ou Helix de Figure, tous fondés sur l'échelle des données plutôt que sur des contraintes symboliques explicites. Contrairement à ces annonces produits, LTLDiff reste une publication scientifique sans partenaire industriel ni déploiement annoncé, et ses résultats se limitent à des comparaisons internes avec une base de référence sur des tâches définies par les auteurs eux-mêmes. Aucun acteur français ou européen n'apparaît dans cette étude. Les suites attendues pour ce type de travaux incluent l'extension à un plus grand nombre d'agents et une validation sur du matériel réel.

RecherchePaper

1 source

3arXiv cs.RO

Algorithme d'enchères-consensus par groupes pour l'allocation décentralisée de tâches en systèmes multi-robots

Des chercheurs présentent l'algorithme GACA (Grouping Auction-Consensus Algorithm), une nouvelle méthode décentralisée pour l'allocation de tâches entre robots (MRTA, multi-robot task allocation), détaillée dans un article publié sur arXiv le 18 août 2026. GACA reprend l'architecture en deux phases enchère-consensus du CBBA (Consensus-Based Bundle Algorithm), la référence décentralisée la plus utilisée dans le domaine, mais en refond entièrement le mécanisme d'enchère : plutôt que de faire miser les robots tâche par tâche, l'algorithme regroupe d'abord les tâches spatialement proches via un prétraitement par plus proche voisin, puis les agents négocient des actions au niveau du groupe entier, partiel, ou contesté. Les auteurs comparent GACA à CBBA sur la classe de problèmes MT-SR-IA, avec un programme linéaire en nombres entiers mixtes comme référence d'optimalité absolue. Sur quatre tailles d'essaim et 4 000 mondes de test, GACA atteint une optimalité médiane d'environ 97 %, contre 81 à 84 % pour CBBA, tout en convergeant en un nombre égal ou inférieur d'itérations. Un test de passage à l'échelle supplémentaire, portant sur 3 280 instances avec des essaims de 5 à 20 agents et des lots de 10 à 50 tâches, confirme que ces gains se maintiennent. L'enjeu dépasse la seule performance chiffrée : CBBA souffre d'un défaut structurel bien identifié dans la littérature, son critère d'enchère individuel est mal aligné avec l'objectif min-somme de minimiser la distance totale parcourue par l'équipe, ce qui produit des allocations sous-optimales dès que les tâches sont dispersées dans l'espace. En reformulant la mise aux enchères au niveau de groupes de tâches plutôt que de tâches isolées, GACA cible directement ce défaut sans sacrifier la décentralisation ni la robustesse aux pannes, des propriétés critiques pour les flottes d'AMR en entrepôt, les essaims de drones ou les opérations de recherche et sauvetage où aucune coordination centrale n'est disponible. Pour les intégrateurs et équipes robotique travaillant sur la coordination de flottes, ce résultat suggère qu'un gain d'optimalité substantiel est atteignable sans complexifier l'infrastructure de communication ni renoncer au temps de convergence. Le travail s'inscrit dans la lignée directe des algorithmes d'enchères consensuelles initiés par CBBA, largement adopté depuis plus d'une décennie comme base de référence pour l'allocation décentralisée de tâches. L'article ne mentionne pas de déploiement matériel réel ni de partenaire industriel : il s'agit d'une contribution algorithmique validée en simulation à grande échelle, avec un MILP comme borne d'optimalité, plutôt que d'un produit ou pilote commercial. Les auteurs ne précisent pas de calendrier de mise en œuvre sur robots physiques ni d'intégration dans une plateforme existante, ce qui positionne GACA comme une avancée de recherche à surveiller pour une future adoption dans des systèmes multi-robots réels plutôt qu'une solution prête à déployer.

RecherchePaper

1 source

4arXiv cs.RO

Coordination des tâches et exécution de trajectoires par démonstrations few-shot pour systèmes multi-robots

Des chercheurs proposent DDACE (Demonstration-Driven Action Coordination and Execution), un cadre d'apprentissage capable de coordonner plusieurs robots a partir d'un très petit nombre de démonstrations seulement, selon un article publie sur arXiv (version révisée, v2). Le problème cible est connu dans la robotique multi-agents : apprendre a la fois quand chaque robot doit agir (dépendances temporelles entre taches) et comment il doit se déplacer (trajectoire spatiale) devient instable des que les données sont rares, car les deux aspects sont habituellement appris ensemble par des modèles bout-en-bout. DDACE sépare explicitement ces deux problèmes. Les démonstrations sont d'abord traitées par clustering spectral pour en extraire la structure de coordination et construire des graphes d'interaction entre robots. Un Temporal Graph Network se charge ensuite de prédire les dépendances d'actions et leur séquencement, pendant que des modèles de processus gaussiens génèrent les trajectoires géométriques, paramétrées par la progression de la tache et capables de s'adapter a de nouvelles configurations de départ et d'arrivée. Les auteurs rapportent des tests en simulation ainsi que des expériences sur robots réels, avec une meilleure stabilité et une meilleure cohérence des trajectoires que des approches d'imitation bout-en-bout classiques en régime de données limitées. L'enjeu dépasse l'exercice académique : la coordination multi-robots a partir de peu d'exemples est un frein concret au déploiement de cellules industrielles collaboratives ou de flottes d'AMR, ou collecter des milliers de démonstrations par scenario reste couteux. En introduisant un biais structurel plutôt qu'un apprentissage purement bout-en-bout, DDACE questionne l'hypothèse dominante selon laquelle les architectures end-to-end massives suffisent a généraliser en data-scarce régime, une piste distincte de la tendance actuelle centrée sur les gros modèles VLA mono-robot type Pi-0 ou GR00T N2. Le papier s'inscrit dans une littérature qui cherche des alternatives modulaires a l'imitation pure, combinant clustering, graphes temporels et processus gaussiens plutôt qu'un unique réseau de bout en bout. Il s'agit a ce stade d'une publication de recherche avec validations simulées et réelles limitées, sans indication de partenaire industriel ni de calendrier de transfert vers un produit ; le matériel complémentaire est disponible sur le site du projet associe.

RecherchePaper

1 source