Ingénierie du tempérament : concevoir une diversité comportementale stratégique dans les essaims de robots

LLMs pour le comportement de recherche dans les essaims de robots décentralisés

Une équipe de chercheurs a publié en mai 2026 sur arXiv (identifiant 2605.01461) LLM-Foraging, un contrôleur décentralisé pour essaims de robots conçu pour la collecte de ressources. L'approche intègre un large modèle de langage (LLM) comme décideur tactique dans la machine d'états du CPFA (central-place foraging algorithm), à trois points précis : après un dépôt de ressource, à l'arrivée en zone centrale, et lors d'un blocage de recherche (search starvation). Chaque robot embarque son propre client LLM et l'interroge sur la base de ses seules observations locales, sans communication centralisée. Les tests ont été conduits dans le simulateur Gazebo avec des robots TurtleBot3 virtuels, sur 36 configurations couvrant des équipes de 4 à 10 robots, des arènes de 6x6 à 10x10 mètres et trois distributions de ressources (groupée, loi de puissance, aléatoire). LLM-Foraging surpasse la baseline CPFA optimisée par algorithme génétique sur l'ensemble des configurations testées, avec une consistance que les auteurs jugent supérieure. L'enjeu principal est l'absence de phase d'entraînement au déploiement. Un CPFA calibré par algorithme génétique produit des politiques figées sur une configuration donnée : tout changement de taille d'équipe, d'arène ou de distribution de ressources impose un recalcul coûteux. En substituant un LLM comme politique générale de décision, l'architecture se transfère à de nouvelles conditions sans ré-optimisation. Pour les intégrateurs de systèmes robotiques distribués, c'est une promesse de reconfigurabilité opérationnelle notable. Limite importante à retenir : l'évaluation reste entièrement en simulation, et le sim-to-real gap pour des décisions LLM dans des essaims physiques reste entièrement à démontrer. Le CPFA est un algorithme de référence en robotique d'essaim depuis les années 2010, inspiré des stratégies de fourragement des insectes sociaux. LLM-Foraging s'inscrit dans la tendance d'intégration des modèles fondationnels en robotique, aux côtés d'architectures vision-langage-action (VLA) comme Pi-0 de Physical Intelligence ou GR00T N2 de NVIDIA, mais appliquée pour la première fois aux essaims décentralisés, un domaine où les approches évolutionnaires et par apprentissage par renforcement dominaient sans alternative crédible. Aucun acteur européen n'est impliqué dans ces travaux académiques. Les prochaines étapes naturelles incluent la validation sur robots physiques, le passage à des essaims dépassant la dizaine d'unités, et l'évaluation dans des environnements dynamiques où les ressources se déplacent ou disparaissent.

Modélisation physique et contrôle des comportements émergents dans les essaims de robots

Des chercheurs ont déposé le 2 juin 2026 sur arXiv (arXiv:2606.01597) un cadre baptisé PhySwarm pour modéliser et contrôler les comportements collectifs émergents d'essaims de robots. L'approche couple un niveau macroscopique, le modèle Macro-ADR (advection-diffusion-réaction multi-phases), qui décrit l'évolution de la densité spatiale de l'essaim au fil des phases comportementales, à un niveau microscopique, le Micro-EDM, qui traduit ces dynamiques en consignes de déplacement individuel via des champs de potentiel et des transitions d'état gérées par seuils. Un contrôleur neuro-physique (NPC), entraîné par un objectif hybride alliant apprentissage par renforcement (RL) et réseaux de neurones physique-informés (PINN), mappe les observations locales et la mémoire temporelle de chaque robot à des paramètres physiques bornés. Les auteurs valident l'approche sur trois missions en preuve de concept : fourragement guidé par piste, navigation avec reconfiguration de formation, et recherche-sauvetage avec réaffectation dynamique des rôles. L'intérêt principal de PhySwarm est l'interprétabilité des comportements émergents. Contrairement aux méthodes purement neurales où les dynamiques collectives restent des boîtes noires, le cadre produit des champs de densité et des paramètres physiques explicites (coefficients d'advection, de diffusion, taux de transition de phase), permettant d'auditer pourquoi un essaim adopte un comportement donné. Pour les intégrateurs et les décideurs industriels, c'est un levier concret : la capacité à décomposer et à certifier un comportement collectif est un prérequis pour déployer des essaims dans des environnements critiques, logistique entrepôt ou intervention d'urgence. La contrainte PINN force aussi l'apprentissage à rester physiquement cohérent, ce qui réduit théoriquement le fossé simulation-réel (sim-to-real gap), même si toutes les expériences présentées restent en simulation et ne constituent pas encore des déploiements terrain. Le contrôle formel d'essaims est un domaine actif depuis les années 1990, mais la modélisation des comportements multi-phases y reste un problème ouvert. Les approches concurrentes vont de la stigmergie bio-inspirée au multi-agent reinforcement learning (MARL) pur, en passant par les formulations de champ moyen (mean-field games). PhySwarm se positionne à l'intersection physique et deep learning, un créneau également exploré par des équipes d'ETH Zurich, MIT CSAIL et Carnegie Mellon. Du côté industriel, des acteurs comme Exotec (France) pour la logistique entrepôt déploient déjà des flottes de robots sans coordination physique-informée formelle ; ce type de cadre pourrait outiller une prochaine génération de systèmes multi-robots à comportements certifiables.

Chaleur et compétence dans l'essaim : concevoir des équipes humain-robot efficaces

Une équipe de chercheurs a publié sur arXiv (identifiant 2604.19270, avril 2026) une étude portant sur la perception sociale des essaims de robots lors de collaborations avec des humains. Via deux expériences structurées autour d'une tâche collective de recherche, les participants ont évalué différentes configurations d'essaim en tant qu'observateurs passifs dans la première étude, puis en tant qu'opérateurs actifs dans la seconde. Les résultats sont consistants sur les deux études : les variations de comportement du groupe de robots modifient systématiquement les jugements de chaleur relationnelle (warmth) et de compétence attribués au collectif. Une durée de diffusion de signal plus longue augmente la chaleur perçue ; une distance de séparation inter-robots plus grande augmente la compétence perçue. La vitesse individuelle de chaque robot, en revanche, n'a d'effet significatif sur aucun des deux attributs. Le résultat le plus contre-intuitif est que les perceptions sociales prédisent les préférences d'équipe plus fortement que la performance brute. Les participants ont préféré les équipes à la fois chaleureuses et compétentes à celles qui accomplissaient la tâche le plus rapidement. Pour les intégrateurs de systèmes multi-robots et les responsables industriels, ce constat remet en cause un postulat courant : optimiser un essaim pour la vitesse ou l'efficacité pure ne suffit pas à obtenir l'adhésion des opérateurs humains. La dimension sociale du comportement collectif, la façon dont le groupe semble agir plutôt que ce qu'il accomplit, détermine l'acceptation et la confiance. Dans des environnements collaboratifs intégrant des AMR ou des flottes robotiques, ignorer ces paramètres constitue un facteur de risque d'adoption sous-estimé. Le cadre théorique utilisé, le modèle competence-warmth issu de la psychologie sociale, est bien établi pour la perception des individus et des groupes humains, mais son application aux essaims robotiques reste émergente. La littérature en HRI (human-robot interaction) s'est jusqu'ici principalement focalisée sur des agents individuels. Ce preprint arXiv, non encore évalué par les pairs, s'inscrit dans une direction de recherche croissante à l'intersection du swarm robotics et de la HRI. Des entreprises déployant des flottes en environnement humain, de Boston Dynamics à des acteurs européens comme Exotec ou Enchanted Tools, auraient intérêt à intégrer ces paramètres comportementaux dès la conception. La prochaine étape logique serait de valider ces résultats en environnement industriel réel, avec des opérateurs non-experts et des tâches à plus forte variabilité.

💬 Ce qui est frappant, c'est que la vitesse ne change rien à la perception. Les opérateurs préfèrent un essaim qui semble chaleureux et compétent à celui qui boucle la tâche le plus vite, ce qui chamboule pas mal les priorités si tu déploies une flotte en entrepôt avec des humains. Exotec, Enchanted Tools : ces paramètres comportementaux, c'est à intégrer dès la conception, pas après coup.

Réutilisation spatiale dynamique et décentralisée de codes pour LiDAR OCDMA dans les essaims de robots

Un article publié sur arXiv (référence 2609.28172v1) propose un protocole décentralisé pour résoudre un problème connu des essaims de robots équipés de LiDAR : les interférences causées par la collision des codes optiques de télémétrie, une technique dite OCDMA, lorsque plusieurs robots opèrent dans un même espace. Jusqu'ici, deux approches dominaient : l'attribution statique de codes, qui exige autant de codes distincts que de robots (L=N, donc une croissance linéaire ingérable à grande échelle), ou des mécanismes réactifs répondant aux interférences détectées sans règle d'attribution coordonnée et scalable en dessous, un problème que la littérature antérieure qualifiait explicitement de non résolu. Les auteurs démontrent mathématiquement que leur protocole, dans lequel chaque robot réattribue dynamiquement ses codes de réutilisation spatiale en s'appuyant sur un graphe de voisinage d'interférence maintenu en temps réel par des balises, ne nécessite qu'un nombre de codes croissant en O(log N / log log N) à densité de robots constante, contre une croissance en Θ(N) pour l'attribution statique. Cette prédiction théorique a été testée par simulation Monte-Carlo (30 tirages aléatoires par condition, intervalles de confiance à 95%) intégrant mobilité des robots, détection imparfaite par balises et réattribution réactive : l'avantage mesuré passe d'environ 2 fois à 15 robots à 12 fois à 120 robots par rapport à l'attribution statique. Face à une reconstruction fidèle d'une approche concurrente sans coordination, le protocole obtient à la fois une meilleure efficacité de réutilisation des codes et un risque de collision réduit de 30 à 40% à budget de codes identique. Ce résultat s'adresse directement aux intégrateurs déployant des flottes de robots mobiles autonomes ou des essaims utilisant le LiDAR pour la télémétrie, en entrepôt, en logistique ou en extérieur : au-delà d'une quinzaine d'unités opérant dans le même espace, l'attribution statique de codes optiques devient vite impraticable, forçant soit une limitation du nombre de robots simultanés, soit une dégradation de la précision de mesure par interférences. En montrant qu'une coordination décentralisée, et non la simple réactivité, permet une croissance quasi logarithmique du besoin en codes plutôt que linéaire, les auteurs répondent à un verrou explicitement identifié comme non résolu dans les travaux précédents sur les essaims LiDAR. Pour les décideurs évaluant des solutions de perception collective à grande échelle, ce travail suggère qu'il est possible de faire passer des essaims de dizaines à des centaines de robots sans multiplier proportionnellement l'infrastructure de codes optiques, un frein connu à la densification des déploiements robotiques en environnement partagé. Le travail s'inscrit dans un champ de recherche encore jeune, celui de la gestion des interférences dans les systèmes LiDAR OCDMA en essaim, où les publications précédentes se limitaient soit à des schémas d'attribution figés, soit à des réponses purement réactives aux collisions détectées, sans mécanisme d'attribution sous-jacent capable de passer à l'échelle. Il ne s'agit à ce stade que de résultats de simulation et d'une preuve mathématique, sans validation sur robots physiques ni déploiement industriel : la robustesse du protocole face aux contraintes du monde réel, comme la latence des balises, la bande passante de communication inter-robots ou l'hétérogénéité des capteurs, reste à démontrer hors laboratoire. Aucun acteur commercial n'est associé à cette publication, qui relève de la recherche académique plutôt que d'un produit ou d'un pilote annoncé. Les suites attendues pour ce type de travaux incluent typiquement des essais sur plateformes robotiques réelles et une comparaison avec d'autres familles de protocoles de coordination distribuée, avant toute reprise éventuelle par des fournisseurs de flottes AMR ou de solutions de cartographie collaborative.