RecherchearXiv cs.RO 7 octobre 2026

Planification de mouvement multi-robot et multi-objectif avec compétences stochastiques

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs proposent une méthode de planification de trajectoires pour plusieurs robots partageant un même espace de travail, qui intègre des compétences de manipulation stochastiques. Ces compétences ont un temps d'exécution variable et des trajectoires continues incertaines. Le travail, publié sur arXiv sous la référence 2610.07784, formule le problème comme un processus de décision markovien (MDP) défini sur une feuille de route composite multimodale, construite par échantillonnage. Pour les compétences stochastiques, la résolution du MDP produit une politique réactive. Chaque robot contrôlable ajuste alors ses mouvements en temps réel selon l'avancement des manipulations menées par les autres robots. Le code des planificateurs est disponible en accès libre sur le site de l'auteur, vhartmann.com/stochastic-skills. Le résumé ne donne aucun chiffre de performance, aucun nombre de robots testés et aucun site de déploiement. Il s'agit d'un préprint de recherche, sans produit ni pilote industriel.

Le problème visé est concret pour les intégrateurs de cellules robotisées multi-bras ou de flottes de manipulateurs mobiles. Une prise, une insertion ou un geste de manipulation appris dure rarement le même temps d'une exécution à l'autre, surtout avec une politique pilotée par un modèle de type VLA. Les approches existantes se répartissent en trois familles. Les unes se limitent à un seul robot. D'autres reposent sur des chemins en boucle ouverte. Les dernières font un ordonnancement a posteriori, qui fige la coordination avant l'exécution. Pour absorber l'incertitude, ces méthodes doivent prévoir des marges de sécurité larges, ce qui allonge les temps de cycle et réduit le débit. Les auteurs affirment que traiter l'incertitude dès la planification évite ce pessimisme et permet une coordination dynamique robuste. Cette conclusion reste à vérifier : le résumé ne chiffre pas le gain face aux références conservatrices, et les résultats peuvent venir de simulation ou de scénarios limités.

Ce travail s'inscrit dans la planification multi-robots à objectifs multiples, un champ ancien. Les planificateurs par échantillonnage de type feuille de route et les méthodes de planification de tâches et de mouvements (TAMP) y dominent. Ces méthodes supposent surtout des compétences déterministes ou des durées connues. Or les entrepôts et les usines déploient de plus en plus de robots dans des volumes partagés, avec des gestes appris dont la durée varie. Le décalage entre planificateur et exécution devient donc un frein pratique. Les prochaines étapes à surveiller sont la validation sur du matériel réel avec plusieurs bras, des comparaisons chiffrées en temps de cycle, et l'étude du passage à l'échelle à mesure que le nombre de robots augmente. Le coût de résolution d'un MDP sur un espace composite croît vite avec ce nombre, et c'est la principale limite probable de l'approche.

Impact France/UE

Pas d\'impact direct sur la France/UE

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Planification stochastique kinodynamique multi-objectifs contre des adversaires

Des chercheurs publient sur arXiv (arXiv:2607.19284v1) un nouveau cadre de planification de trajectoires en environnement incertain, baptisé SMO-RRT et SMO-SST (Stochastic Multi-Objective RRT et sa variante Stable Sparse RRT). L'objectif est de construire un front de Pareto de chemins qui arbitrent entre le coût d'exécution et la probabilité de violation d'une contrainte de sécurité, face à des adversaires hybrides stochastiques capables de basculer en mode agressif selon l'état du robot ou du véhicule. La méthode déplace l'espace de planification des trajectoires en boucle ouverte vers des séquences de politiques en boucle fermée, et intègre l'évaluation du risque directement dans la construction de l'arbre via des simulations Monte-Carlo par particules. Les auteurs démontrent la complétude probabiliste de SMO-RRT, tandis que SMO-SST sacrifie cette garantie théorique contre un élagage sélectif qui améliore les performances numériques. Ils fournissent aussi une borne à échantillon fini sur la probabilité de violation de contrainte, valable même avec une incertitude non gaussienne et dépendante de l'état. Pour l'industrie de la robotique autonome et de la conduite automatisée, l'enjeu est la conservativité excessive des planificateurs actuels à contraintes de risque (chance-constrained), qui évaluent le danger sur des trajectoires figées sans tenir compte de la capacité du système à réagir en temps réel. En modélisant explicitement la réactivité de l'agent face à un adversaire qui change de comportement, ce travail vise des trajectoires moins prudentes mais tout aussi sûres, un enjeu direct pour la navigation sociale (robots en environnement humain), les systèmes multi-agents et la conduite autonome en trafic mixte, où la surestimation du risque coûte cher en fluidité et en acceptabilité commerciale. Le papier s'inscrit dans la lignée des algorithmes RRT (Rapidly-exploring Random Trees), référence historique en planification kinodynamique depuis la fin des années 1990, et de leurs extensions à contraintes de risque plus récentes. Il ne s'agit pour l'instant que d'une contribution théorique avec preuves formelles, sans validation matérielle rapportée ni déploiement embarqué : la prochaine étape attendue serait une implémentation testée sur plateforme réelle ou en simulation à haute fidélité pour confirmer le gain pratique face aux méthodes conservatrices existantes.

RecherchePaper

1 source

2arXiv cs.RO

Tâche hiérarchique de planification et de compétences : planification robotique hiérarchique avec des compétences en boîte noire

Des chercheurs publient sur arXiv (version 3, remplaçant une précédente) une méthode baptisée TASP (Task and Skill Planning), qui étend la planification hiérarchique de tâches et de mouvements (TAMP) pour intégrer des compétences robotiques hétérogènes déjà existantes : politiques apprises, contrôleurs à retour de force, et modules « boîte noire ». L'approche s'appuie sur les Composable Interaction Primitives (CIP) pour générer automatiquement des plans de mouvement de transition, en amont et en aval de chaque compétence, qui relient deux savoir-faire consécutifs entre eux. Ces primitives permettent d'ajuster la trajectoire aussi bien au moment de la planification qu'en cours d'exécution. Les auteurs valident leur système par des expériences réelles sur un manipulateur bimanuel et un manipulateur mobile, en résolvant des tâches longues et complexes, y compris des scénarios de manipulation mobile sur plusieurs pièces avec une structure de tâche non monotone, c'est-à-dire nécessitant de revenir en arrière ou de réordonner des sous-objectifs. L'intérêt pour l'industrie tient au fait que les méthodes TAMP classiques supposaient jusqu'ici que chaque action robotique se ramène à de la planification de mouvement cinématique pure, ce qui limitait leur usage aux tâches purement géométriques. En montrant qu'un planificateur hiérarchique peut combiner des compétences de nature très différente tout en conservant un raisonnement sur les échecs centré sur les objets, TASP ouvre une voie modulaire : un intégrateur peut assembler des politiques déjà entraînées séparément, sans devoir tout réentraîner dans un modèle unique. Cela nourrit le débat entre l'approche « tout-en-un » portée par les grands modèles vision-langage-action et une approche composite où des briques spécialisées restent pilotées par un planificateur symbolique classique, potentiellement plus robuste et plus facile à déboguer en environnement industriel. Ce travail s'inscrit dans une tendance récente de la recherche en robotique consistant à hybrider TAMP et contrôleurs en boucle fermée ou compétences apprises, plutôt que de s'en tenir à la planification de mouvement pure. Il se positionne en alternative modulaire face aux modèles génériques de type Pi-0, GR00T N2 ou Helix, qui visent au contraire une politique unique bout-en-bout. Il s'agit ici d'un article de recherche académique, sans annonce de produit commercial ni de calendrier de déploiement : les résultats montrent une faisabilité réelle sur deux plateformes robotiques distinctes, mais restent à ce stade du domaine expérimental plutôt qu'industriel.

RecherchePaper

1 source

3arXiv 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

4arXiv cs.RO

Planification multirobot des tâches et mouvements, asymptotiquement optimale

Des chercheurs publient sur arXiv (identifiant 2609.18813v1, soumission de type "new", datée de septembre 2026) un nouvel algorithme de planification conjointe tâche-mouvement pour systèmes multi-robots, appelé MR-TAMP dans le papier. Le problème visé : quand plusieurs robots interagissent, chaque transition de tâche peut mobiliser un sous-ensemble différent de robots, ce qui change la dimension des contraintes appliquées à l'espace de configuration global. Les auteurs formalisent cette structure de transitions et posent des conditions suffisantes pour garantir une optimalité asymptotique globale, à savoir une couverture persistante des transitions pertinentes combinée à une amélioration continue de la planification de mouvement dans les régions faisables connectées. Concrètement, leur planificateur combine des cartes de chemins (roadmaps) individuelles par robot, mises à jour de façon incrémentale, avec une recherche implicite en produit tensoriel, ce qui évite de devoir construire explicitement la roadmap composite de l'ensemble des robots, opération normalement coûteuse. Pour rester efficace en temps fini, le système ajoute un échantillonnage conditionnel des transitions, une vérification paresseuse des collisions, et un guidage à la fois au niveau des modes de tâche et des solutions candidates. Pour l'industrie robotique, cette contribution s'adresse directement aux intégrateurs qui déploient des flottes de bras manipulateurs ou de robots coopératifs sur une même cellule de production ou d'entrepôt, où la coordination combinatoire entre tâches discrètes (qui fait quoi, dans quel ordre) et mouvements continus sans collision reste un verrou classique. Les algorithmes à garanties d'optimalité asymptotique existaient déjà pour un seul robot ; l'étendre au multi-robot sans exploser le coût de calcul est ce qui manquait pour des applications réelles à plusieurs bras synchronisés. Il s'agit toutefois d'une contribution théorique et algorithmique publiée en prépublication arXiv, sans validation industrielle ni chiffres de déploiement, de payload ou de temps de cycle : c'est un travail de recherche fondamentale, pas un produit ni une démonstration commerciale. Ce travail s'inscrit dans la lignée des planificateurs tâche-mouvement (TAMP) à garanties asymptotiques développés pour la robotique mono-robot, en cherchant à combler l'écart avec les approches multi-robots existantes, généralement basées sur une planification découplée ou priorisée sans garantie d'optimalité globale. Les suites logiques attendues sont une validation expérimentale plus poussée, une comparaison chiffrée face aux méthodes concurrentes, puis une possible soumission à une conférence de robotique comme ICRA ou IROS, étapes non encore mentionnées dans ce dépôt initial.

RecherchePaper

1 source