RecherchearXiv cs.RO 22 septembre 2026

AC-DC : communication adaptative pour un consensus moyen dynamique évolutif dans la recherche ergodique multi-robots

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Un article publié sur arXiv en septembre 2026 présente AC-DC (Adaptive Communication for Dynamic Average Consensus), un algorithme de consensus moyen dynamique pair-à-pair pour flottes de robots communiquant sous contraintes de portée finie, de débit limité et d'interférences. AC-DC décide simultanément qui communique avec qui, quand, et sur quelle partie de l'état de consensus, en s'appuyant uniquement sur les entrées locales et les informations effectivement reçues des voisins. Chaque robot estime en continu la moyenne courante des entrées locales de toute l'équipe, et les paires de robots mettent à jour leurs estimations sans attendre qu'un tour de communication complet soit bouclé par l'ensemble de la flotte. Appliqué à la recherche ergodique multi-robots à priorités dynamiques, un flux de consensus coordonnant les visites de zones et un second fusionnant les mesures régionales pour mettre à jour les cartes d'incertitude, AC-DC a été testé sur douze configurations allant jusqu'à 80 robots, avec 20 essais appariés par configuration. Il obtient la plus faible aire sous la courbe de la trace de covariance normalisée et le plus faible volume de communication modélisé parmi les méthodes décentralisées comparées, avec une réduction moyenne de 27,5% de cette métrique d'erreur et un trafic réseau divisé par 8,7 par rapport aux meilleures références existantes. Dans un test de passage à l'échelle à 120 robots sur une zone fixe de 600 sur 600 mètres, AC-DC consomme 19,3 Mo de bande passante, contre 19,2 Mo pour une base centralisée idéale où une seule station au sol communique directement avec tous les robots, tout en restant purement pair-à-pair.

Ce résultat répond à un problème structurant pour les flottes de robots opérant hors connectivité centralisée stable, en recherche et sauvetage, exploration environnementale ou surveillance de zones étendues: maintenir un consensus distribué fiable sans que le coût de communication n'explose avec le nombre d'agents. En approchant les performances d'une architecture centralisée idéale tout en restant décentralisé, AC-DC supprime le point de défaillance unique et la dépendance à une station sol, un compromis que les méthodes de consensus dynamique existantes ne tenaient pas à cette échelle. Pour les concepteurs de systèmes multi-robots, cela repousse la limite pratique du nombre d'agents coordonnables sous contraintes réelles de bande passante et de portée radio.

Ce travail s'inscrit dans le champ du consensus moyen dynamique, utilisé depuis plusieurs années pour la coordination distribuée de robots, et vise à corriger sa limite principale: la croissance du trafic de communication avec la taille de la flotte. Les auteurs comparent AC-DC à plusieurs méthodes décentralisées de l'état de l'art sur des scénarios de recherche ergodique, sans annoncer de transfert vers des plateformes robotiques réelles ni de calendrier de pilote. Il s'agit à ce stade d'une contribution algorithmique validée en simulation, non d'un produit ou d'un déploiement industriel.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Exploration multi-robots sous contraintes de communication, avec fenêtres de communication adaptatives

Une équipe de recherche présente MACE (Multi-robot Adaptive Communication-window Exploration), un cadre décentralisé destiné à l'exploration multi-robot en environnement où les communications sont intermittentes. Décrit dans un article publié le 12 septembre 2026 sur arXiv (arXiv:2609.12502v1), le système répond à un problème classique de la robotique en essaim : quand plusieurs robots explorent en parallèle une zone inconnue, ils doivent régulièrement partager leurs cartes pour éviter les redondances, mais dévier de leur trajectoire pour établir une liaison radio coûte du temps d'exploration. MACE introduit des fenêtres de communication planifiées, pendant lesquelles chaque robot évalue le coût de rejoindre un point de communication déjà identifié, en formulant cette décision comme une variante du problème d'orientation de véhicule (Vehicle Orienteering Problem). Concrètement, les robots choisissent leur route en pondérant le trajet nécessaire pour communiquer contre le gain d'exploration réalisable en chemin. Testé sur un ensemble d'environnements simulés de tailles et de géométries variées, MACE réduit le temps total d'exploration jusqu'à 23% par rapport aux stratégies existantes de coordination sous contrainte de communication. Pour les concepteurs de flottes robotiques destinées à des missions en zones sans infrastructure réseau fiable, comme l'inspection industrielle, la recherche et sauvetage ou l'exploration minière et souterraine, ce travail cible un compromis rarement traité de façon rigoureuse: la plupart des approches actuelles reposent soit sur une communication purement opportuniste (les robots ne se coordonnent que lorsqu'ils se croisent par hasard, ce qui retarde le partage d'information), soit sur des points de rendez-vous fixes qui imposent des détours inutiles même quand ils n'apportent rien de nouveau. En rendant la décision de communiquer dynamique et fondée sur un calcul de coût-bénéfice, MACE promet une fréquence de communication plus élevée qu'une stratégie opportuniste tout en évitant les trajets superflus des rendez-vous imposés. Le gain de 23% annoncé reste toutefois mesuré uniquement en simulation, sans validation sur robots physiques ni comparaison sur des cartes réelles bruitées, ce qui limite pour l'instant la portée de la conclusion à un résultat algorithmique prometteur plutôt qu'à une solution validée en conditions de terrain. Ce travail s'inscrit dans la lignée de la recherche en exploration multi-robot sous contrainte de communication, un axe actif depuis plusieurs années à mesure que les flottes de robots terrestres et aériens sont déployées dans des contextes où le Wi-Fi ou la 5G ne couvrent pas l'intégralité du terrain, comme les tunnels, les mines ou les zones sinistrées. Les stratégies antérieures se répartissaient jusqu'ici entre l'opportunisme pur et les rendez-vous fixes planifiés à l'avance, deux approches que les auteurs positionnent explicitement comme les points de comparaison de leur étude. Les prochaines étapes attendues pour ce type de recherche incluent généralement des essais sur plateformes robotiques réelles et une extension à des scénarios avec pertes de communication plus complexes, mais l'article ne mentionne pas de calendrier ni de partenaire industriel pour un tel passage à l'échelle.

RecherchePaper

1 source

2arXiv 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

3arXiv cs.RO

Cadre multi-dynamique unifié pour la modélisation orientée perception des robots continus à tendons

Des chercheurs ont publié sur arXiv (référence 2511.18088v2) un cadre de modélisation multi-dynamique unifié pour les robots continus à tendons, illustré par un prototype baptisé Spirob, dont la géométrie s'inspire d'une spirale. Le modèle intègre trois niveaux couplés : la dynamique électrique des moteurs, la dynamique moteur-treuil, et la dynamique structurelle du corps continu. En exploitant les signaux moteurs internes, courant et déplacement angulaire, le système est capable de détecter des interactions physiques avec l'environnement sans aucun capteur externe. Trois capacités ont été validées expérimentalement : détection passive de contact, détection active de contact avec stratégie de contrôle issue de la simulation, et estimation de la taille d'objets via une politique apprise en simulation puis déployée directement sur le robot réel. Le modèle reproduit fidèlement deux comportements critiques du système physique : l'hystérésis d'actionnement et l'auto-contact aux limites de mouvement. L'intérêt industriel de cette approche tient à l'élimination des capteurs extéroceptifs, qui alourdissent l'intégration hardware et fragilisent la scalabilité des déploiements. En ancrant la perception dans la dynamique intrinsèque du robot, les auteurs proposent une voie vers des robots plus compacts et moins coûteux à maintenir. Plus significatif encore : le transfert simulation-réel fonctionne sans adaptation supplémentaire pour la détection de contact active et l'estimation dimensionnelle, ce qui suggère que le modèle capte suffisamment les non-linéarités physiques pour que les politiques apprises en sim soient directement exploitables. C'est un point non trivial dans le domaine des robots souples, où le sim-to-real gap reste un obstacle structurel bien documenté. Les robots continus à tendons occupent une niche spécifique : manipulation en espace confiné, interventions médicales mini-invasives, inspection de conduites. Des laboratoires comme BioRobotics Institute (Scuola Superiore Sant'Anna), CHARM Lab (Stanford) ou des équipes EPFL travaillent sur des architectures comparables. Côté perception intrinsèque, la tendance rejoint les travaux sur la proprioception apprise pour robots souples (ex. travaux de Google DeepMind sur les robots déformables). Spirob reste pour l'instant un prototype de recherche, et l'article ne mentionne ni partenaire industriel, ni horizon de commercialisation. La prochaine étape logique serait une validation sur des tâches de manipulation plus complexes ou dans des configurations multi-robots.

UEDes laboratoires européens comme l'EPFL et le BioRobotics Institute (Sant'Anna, Italie) travaillent sur des architectures comparables, positionnant l'UE dans ce segment de recherche sur les robots souples à destination des applications médicales mini-invasives et de l'inspection industrielle.

RecherchePaper

1 source

4arXiv cs.RO

L'AquaJEPA, des représentations prédictives multimodales conditionnées par action pour la dynamique des robots sous-marins

AquaJEPA est un nouveau modèle prédictif conditionné par l'action, conçu pour la navigation de robots sous-marins en conditions dégradées. Le système fusionne trois sources de données, une caméra RGB, un sonar frontal et la proprioception, avec un indicateur explicite de validité de chaque capteur, puis prédit une représentation latente future à partir des commandes envoyées aux huit propulseurs du véhicule. Ces prédictions de vitesse et de profil sonar alimentent ensuite un planificateur à horizon glissant partagé. L'équipe a testé la méthode dans le simulateur Stonefish, face à cinq approches concurrentes (contrôle réactif, modèle état seul, multimodal ordinaire, dynamique supervisée, modèle du monde récurrent), avec une réplication préenregistrée sur 120 environnements croisant trois cartes d'obstacles inédites, quatre niveaux de turbidité de l'eau et des dynamiques nominales ou décalées, incluant des pertes intermittentes du DVL (loch Doppler). Résultat: sur 120 environnements inédits avec perte programmée du DVL, AquaJEPA atteint son objectif dans 74 cas, contre 68 pour le modèle état seul et pour le modèle du monde récurrent, avec l'erreur finale moyenne la plus faible (0,906 m). Les réductions d'erreur par rapport au multimodal ordinaire, à la dynamique supervisée et au modèle récurrent sont respectivement de 0,273 m, 0,364 m et 0,106 m, toutes statistiquement significatives; l'avantage sur le modèle état seul reste en revanche non tranché statistiquement. L'enjeu dépasse la simple performance en simulation: les robots sous-marins autonomes opèrent dans des conditions où la fiabilité des capteurs varie brutalement selon la turbidité, l'angle de vue ou les mouvements du véhicule, un problème classique de navigation dégradée que peu de modèles de monde traitent explicitement avec fusion multimodale conditionnée par capteur valide. Ce travail apporte une preuve empirique, avec intervalles de confiance et ablations sur la cible EMA, la marge d'action et le dropout de modalité, que l'architecture JEPA (joint-embedding prédictive architecture) tient face à des baselines établies en robotique sous-marine, un terrain où la littérature reste plus rare que pour les manipulateurs terrestres. AquaJEPA s'inscrit dans la lignée des architectures JEPA popularisées par les travaux de Yann LeCun sur l'apprentissage de représentations prédictives sans reconstruction pixel par pixel, ici adaptées à un cas d'usage robotique concret et multimodal. L'étude reste cantonnée à la simulation Stonefish; la validation en conditions réelles, en mer ou en bassin, constitue l'étape suivante logique pour confirmer que les gains observés résistent au bruit et aux dérives physiques d'un déploiement effectif.

RecherchePaper

1 source