RecherchearXiv cs.RO 8 octobre 2026

Évaluation embarquée de la fusion d'admissions de tâches dans les systèmes multi-robots décentralisés

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Une équipe de chercheurs a évalué l'« admission par coalescence » des tâches dans les systèmes multi-robots décentralisés, c'est-à-dire le fait de regrouper les nouvelles tâches avant de relancer l'allocateur, au lieu de lancer une allocation à chaque arrivée. L'étude s'appuie sur quatre algorithmes d'allocation (CBAA, ACBBA, PI et HIPC) et sur trois volets expérimentaux. Une campagne de 3 000 missions tourne sur un NVIDIA Jetson AGX Orin avec délai de calcul mesuré, complétée par 3 000 missions appariées sans coût de calcul. Une campagne de 96 missions en hardware-in-the-loop utilise un microcontrôleur RP2040 sur robot Pololu 3pi+. L'admission immédiate (Eager) est comparée à des seuils de 2, 4 et 8 tâches, et à une politique à 4 tâches assortie d'un délai d'attente maximal de 10 s, sous trois cadences d'arrivée. Sur l'AGX, la coalescence réduit à la fois le nombre d'appels à l'allocateur et la charge processeur dans 31 des 48 conditions évaluées, avec une ampleur variable selon l'algorithme. Le regroupement par lots de 4 tâches fait grimper la latence moyenne des cibles en ligne de 20,08 à 23,57 s en arrivées clairsemées, surtout à cause de l'attente avant admission. La variante bornée dans le temps réduit le travail moyen dans dix des douze combinaisons allocateur-charge. Pour HIPC en arrivées denses, elle le baisse de 19,35 % pour 1,40 s de latence moyenne en plus.

Le résultat le plus parlant concerne le matériel contraint. Sur quatre scénarios HIPC à cadence moyenne appariés, le seuil de 4 tâches (Count b=4) réduit le travail moyen sur RP2040 de 59,85 % et la latence de service de 39,47 %. Les cas équivalents sur AGX voient au contraire la latence augmenter de 27,69 %. Le regroupement n'est donc pas une optimisation universelle. Son intérêt dépend de l'intensité des arrivées, du comportement propre à chaque allocateur et du coût relatif du calcul sur la plateforme d'exécution. Pour les intégrateurs de flottes hétérogènes, la conséquence est directe : la politique d'admission doit être réglée selon le calculateur embarqué, et non figée dans l'algorithme. Quand le processeur est le goulot, calculer moins souvent peut même raccourcir le service. Sur une machine puissante comme l'Orin, attendre coûte davantage que ce que l'on économise. Un bémol : il s'agit d'une évaluation de laboratoire, avec peu de scénarios matériels (96 missions) et des benchmarks d'allocateurs académiques, sans flotte industrielle réelle.

Ce travail s'inscrit dans la littérature de l'allocation de tâches multi-robots (MRTA). CBAA et ACBBA relèvent de la famille des algorithmes à consensus basés sur les enchères, et PI (Performance Impact) et HIPC servent de références de comparaison. Cette littérature mesure souvent la qualité de l'affectation en négligeant le coût de calcul sur le robot, alors que les flottes réelles mêlent des calculateurs très inégaux, de la carte GPU embarquée au microcontrôleur à quelques euros. L'étude répond à cet écart en quantifiant l'arbitrage entre travail de l'allocateur et latence de service. Les suites logiques seraient des politiques d'admission adaptatives, ajustant seuil et délai à la charge et aux ressources disponibles, ainsi que des validations sur des flottes plus grandes et des missions en conditions réelles. L'article, publié sur arXiv (2610.09187), ne mentionne aucun pilote industriel ni calendrier de déploiement.

Impact France/UE

Pas d\'impact direct sur la France/UE

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Le coût d'évaluation de la spécialisation des tâches dans les systèmes multi-robots évolutionnaires

Une équipe de chercheurs publie sur arXiv (réf. 2606.24191, juin 2026) une analyse coût-bénéfice de l'optimisation évolutionnaire appliquée aux systèmes multi-robots (MRS). Le scénario de référence est le "foraging", une tâche de collecte distribuée simulée dans un environnement physique numérique. Le problème central tient à la répartition du budget d'évaluation : faire émerger des contrôleurs spécialisés par sous-tâche oblige à fragmenter les itérations de simulation, tandis qu'un contrôleur généraliste bénéficie de la totalité du budget pour s'optimiser. Les chercheurs mesurent à partir de quelle taille de flotte les spécialistes finissent par surpasser les généralistes malgré ce handicap budgétaire. Résultat principal : plus la flotte est grande, plus le budget total nécessaire pour que la spécialisation devienne avantageuse diminue, ce qui plaide pour des architectures différenciées dans les grands déploiements. Cette conclusion a une portée concrète pour les intégrateurs de solutions multi-robots en logistique, agriculture ou industrie manufacturière, où les flottes comptent couramment plusieurs dizaines voire centaines d'unités. Elle quantifie formellement un arbitrage jusqu'ici guidé par l'intuition : la division du travail robotique devient économiquement justifiée à l'échelle, et les coûts de simulation pour concevoir des agents spécialisés se réduisent à mesure que la flotte grandit. Le résultat nuance aussi un dogme dominant du swarm robotics, qui favorise l'homogénéité pour des raisons de résilience et de maintenabilité. À noter que la publication ne fournit pas encore de seuil de taille de flotte chiffré précis ni de comparaison quantitative entre architectures, réserves habituelles d'un preprint arXiv en attente de peer review. La spécialisation par évolution computationnelle dans les MRS s'appuie sur deux décennies de recherche en systèmes bio-inspirés, des travaux fondateurs de Marco Dorigo sur les essaims jusqu'aux approches modernes couplant algorithmes génétiques et apprentissage par renforcement. En parallèle, les acteurs industriels comme Exotec (AMR d'entrepôt, France) ou 6 River Systems allouent des rôles différenciés à leurs flottes par règles expertes ou RL centralisé, sans recourir à l'évolution simulée. Ce travail renforce la légitimité de l'approche évolutionnaire pour les grandes flottes hétérogènes et apporte un cadre analytique là où les ingénieurs arbitrent aujourd'hui à l'intuition. Les suites attendues incluent une validation sur robots physiques, l'extension à des architectures de tâches plus complexes que le foraging binaire, et une évaluation sur des flottes de taille industrielle réelle.

UELes intégrateurs européens de flottes multi-robots (logistique, industrie manufacturière) disposent d'un cadre analytique formel pour justifier une architecture spécialisée à grande échelle, Exotec, acteur français des AMR d'entrepôt, étant cité comme exemple industriel directement concerné.

RecherchePaper

1 source

2arXiv 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

3arXiv cs.RO

Allocation décentralisée des tâches multi-robots sous communication dégradée : performance, fiabilité et calcul comparés

Sur le fond, il s'agit d'un article scientifique de benchmark (pas d'annonce produit), sans acteur FR/EU identifiable dans le texte fourni ; j'ai rédigé le résumé en conséquence. Un benchmark publié sur arXiv (2609.13711) compare six algorithmes décentralisés d'allocation de tâches pour flottes de robots, CBAA, ACBBA, PI, HIPC, DMCHBA et DGA, dans un scénario appelé Collaborative Visit. L'étude principale repose sur 500 instances appariées de dix cibles chacune, testées sur 25 conditions de communication allant d'un canal idéal à des dégradations simulées par pertes de type Bernoulli, pertes Gilbert-Elliott et évanouissement de Rayleigh. Sur les 24 conditions dégradées du cœur de l'étude, DGA et DMCHBA affichent la distance de trajet minimax moyenne la plus faible, 24,49 et 24,78 pas de simulation respectivement, tandis que HIPC devance de justesse DGA sur le critère de distance totale minimisée, 66,95 pas contre 67,22. DMCHBA se distingue par la charge de communication la plus faible, 2,08 messages échangés par pas et par équipe. En pré-allocation sur dix cibles, seuls HIPC et DMCHBA restent stables et exploitables dans toutes les conditions testées, alors qu'ACBBA, PI et DGA perdent en fiabilité à mesure que le réseau se dégrade. Sous communication idéale, le temps de calcul médian du protocole complet va de 4,88 millisecondes pour DMCHBA à 1,346 seconde pour DGA, et des campagnes complémentaires testent la sensibilité à la taille de la grille, à la densité de robots et à une charge allant jusqu'à 50 cibles. Pour les intégrateurs qui doivent choisir un algorithme d'allocation embarqué sur des robots autonomes, flottes logistiques, drones d'inspection ou de recherche et sauvetage, le message central est qu'aucune méthode ne domine sur tous les critères à la fois. DGA produit les trajets les plus courts, mais son temps de calcul, plus de 250 fois supérieur à celui de DMCHBA, peut le disqualifier pour un déploiement embarqué en temps réel sur du matériel à ressources limitées. HIPC et DMCHBA apparaissent en revanche comme les seuls choix robustes quand la communication se dégrade, un scénario courant sur le terrain mais rarement testé dans les publications qui évaluent ces algorithmes en conditions idéales. Le travail contredit ainsi l'hypothèse d'un algorithme universellement supérieur et déplace la décision vers un arbitrage d'ingénierie explicite entre qualité de trajet, robustesse réseau et budget de calcul. Ce benchmark s'inscrit dans la lignée des algorithmes d'enchères par consensus initiés par CBBA il y a plus d'une décennie, dont CBAA et ACBBA sont des dérivés directs, aux côtés d'approches plus récentes comme PI, HIPC, DMCHBA et DGA. Il reste un travail de recherche mené en simulation, sans déploiement industriel annoncé. Les auteurs notent que les classements obtenus en configuration statique divergent de ceux mesurés en calcul intégré à l'exécution à mesure que la charge de tâches augmente, ce qui ouvre la voie à des validations complémentaires sur du matériel robotique réel plutôt que sur des grilles simulées.

RecherchePaper

1 source

4arXiv cs.RO

Couverture ergodique dans les systèmes multi-robots via la diffusion anisotrope

Une équipe de chercheurs a soumis sur arXiv (référence 2605.24125, mai 2026) un nouveau cadre mathématique pour la couverture ergodique dans les systèmes multi-robots, basé sur la diffusion anisotrope de Perona-Malik. La couverture ergodique désigne la capacité d'une flotte de robots à explorer un espace de manière proportionnelle à une distribution de probabilité cible : plus une zone est jugée prioritaire, plus les robots y concentrent leur trajectoire. L'innovation proposée combine champ de potentiel et recherche ergodique en utilisant le gradient de la solution de l'équation de Perona-Malik pour diriger le mouvement des agents. Les résultats sont validés uniquement par simulation, dans plusieurs scénarios distincts, sans déploiement réel rapporté. La méthode de référence jusqu'ici reposait sur la diffusion isotrope via l'équation de la chaleur, qui propage l'erreur entre trajectoire réelle et distribution cible de façon uniforme dans toutes les directions, sans tenir compte des variations locales de la carte de densité. Cette uniformité devient sous-optimale lorsque la distribution présente des gradients forts ou des zones très contrastées, situation fréquente en inspection industrielle, surveillance périmétrique ou recherche et sauvetage en milieu hétérogène. La diffusion anisotrope proposée adapte la propagation selon la structure locale de la distribution, permettant aux robots de réagir plus finement aux discontinuités de la carte de priorité. Le cadre présenté englobe l'équation de la chaleur comme cas particulier, garantissant la rétrocompatibilité avec les algorithmes existants et facilitant une migration incrémentale. La couverture ergodique multi-robots fait l'objet de recherches actives depuis une quinzaine d'années, avec des travaux fondateurs portés notamment par le laboratoire de Todd Murphey à Northwestern University. L'approche par équation de la chaleur avait été proposée récemment comme alternative aux métriques spectrales classiques basées sur la décomposition de Fourier, elles-mêmes coûteuses en calcul pour de grands espaces. La diffusion de Perona-Malik, empruntée au traitement d'image où elle est utilisée depuis 1990 pour préserver les contours tout en lissant le bruit, est ici réinterprétée pour générer des champs de potentiel directionnels en robotique. Ce travail reste purement théorique et simulé : aucun test sur plateforme physique, aucun partenaire industriel et aucun financement institutionnel ne sont mentionnés, ce qui laisse entière la question du passage sim-to-real, particulièrement délicate pour les flottes multi-robots en environnement dynamique réel.

RecherchePaper

1 source