RecherchearXiv cs.RO 8 octobre 2026

Planification rapide pour le lancer d'objets multiples vers des cibles multiples

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs proposent un cadre de planification pour le lancer simultané de plusieurs objets vers plusieurs cibles (MOMT, pour multi-object multi-target throwing), publié sur arXiv sous la référence 2610.09224. Le système a été validé sur un manipulateur à 7 degrés de liberté équipé d'une main multi-doigts anthropomorphe. La méthode fonctionne en deux temps. Hors ligne, les auteurs construisent un modèle de l'ensemble des lancers réalisables, en combinant la dynamique de vol inversée de l'objet avec la cinématique et la dynamique du robot. En ligne, le système met en correspondance des solutions rapides et filtre les états de détachement valides de l'objet et les états faisables du robot, ce qui permet de composer des séquences de lancers en moins de 5 ms. En simulation, le lancer coordonné de deux objets réduit le temps d'exécution jusqu'à 46 % par rapport à une planification indépendante objet par objet, et ce gain se maintient avec trois objets. En conditions réelles, avec deux objets, la réduction mesurée est de 29 %. Si les cibles changent aléatoirement en cours d'exécution, le système replanifie et atteint les nouvelles positions avec une latence inférieure à 100 ms, sans arrêter le robot.

L'intérêt pour la logistique tient au débit. Le lancer élargit déjà l'espace de travail utile d'un bras, puisque le robot n'a plus à se déplacer vers chaque point de dépose. Ici, le travail s'attaque à un autre goulot : le nombre d'objets traités par geste. Le gain mesuré en réel (29 %) reste nettement sous le plafond théorique de 50 % pour deux objets, et les auteurs l'attribuent au surcoût de transition entre les lancers. C'est un chiffre honnête, mais qui montre que le gain simulé de 46 % ne se transpose pas intégralement au matériel. La planification en moins de 5 ms et la replanification sous 100 ms sont les résultats les plus exploitables : ils suggèrent qu'un tel système pourrait absorber des changements de cible, par exemple une réaffectation de bac sur un convoyeur de tri. À l'inverse, la validation reste limitée : trois objets uniquement en simulation, deux en réel, sans précision sur la nature des objets, leur variabilité ou le taux de réussite des lancers. Aucun test en environnement d'entrepôt n'est rapporté.

Ce travail s'inscrit dans la montée du lancer robotique en automatisation d'entrepôt, un domaine où la recherche académique cherche à dépasser le cycle classique de saisie puis de dépose. Les auteurs revendiquent le premier cadre de planification unifié pour le MOMT, une affirmation de priorité à nuancer tant qu'elle n'a pas été confrontée à une évaluation par les pairs, l'article étant un preprint. L'approche dépend de mains multi-doigts, matériel plus complexe, plus coûteux et moins robuste que les préhenseurs à ventouses dominants en logistique, ce qui pèsera sur toute industrialisation. Les prochaines étapes naturelles seraient le passage à trois objets ou plus sur matériel réel, la réduction du surcoût de transition entre lancers et des essais sur des objets hétérogènes. Une vidéo de démonstration est publiée par les auteurs, mais elle reste, comme toute vidéo de laboratoire, une sélection d'essais réussis.

Impact France/UE

Pas d\'impact direct sur la France/UE

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Accélération d'Ising pour la planification multi-robots multi-cibles

Une preprint publiée en août 2026 sur arXiv (2608.06803) détaille comment des puces Ising en technologie CMOS peuvent accélérer la planification pour des flottes de robots devant couvrir plusieurs cibles. Les auteurs décomposent le problème en trois couches, le partage des cibles entre robots, la construction des tournées, et le calcul de trajectoires, et testent leurs méthodes sur de vraies puces Ising CMOS à 45 spins entièrement interconnectés. Pour adapter ces sous-problèmes combinatoires à un matériel limité en nombre de spins et en précision des coefficients, l'équipe propose un pipeline combinant fusion de spins, quantification des coefficients et découpage par budget de spins. Leur méthode de partage de cibles récursive, particulièrement adaptée au matériel Ising, consomme jusqu'à 8000 fois moins d'énergie qu'une base de référence classique. Sur l'ensemble du pipeline de bout en bout, les routes générées restent à moins de 9% de la qualité d'une base de référence classique performante, pour une consommation énergétique 130 fois inférieure. Pour les intégrateurs et décideurs qui déploient des flottes de robots mobiles, l'énergie embarquée disponible est souvent le facteur limitant, bien plus que la puissance de calcul brute. L'étude apporte une réponse nuancée à un point aveugle du secteur: plutôt que de promettre un solveur Ising universel pour toute la pile de planification, elle montre que ce matériel n'est pertinent que pour certaines couches, en l'occurrence le partage des cibles, là où le gain énergétique est le plus spectaculaire, tandis que la construction de tournées et le pathfinding restent plus proches des méthodes classiques. Il s'agit d'une démonstration sur silicium réel, pas seulement en simulation, ce qui répond directement au scepticisme habituel sur l'écart entre démonstrations en laboratoire et performance en conditions réelles. Le message pour un décideur évaluant des accélérateurs low-power est que l'accélération Ising a de la valeur en complément ciblé d'une pile classique, pas en remplacement généralisé. Les machines Ising, inspirées du modèle physique du même nom, cherchent l'état d'énergie minimale d'un réseau de spins pour résoudre des problèmes d'optimisation combinatoire difficiles comme le partage de tâches ou le voyageur de commerce, un champ où coexistent déjà le recuit quantique et des architectures CMOS dédiées à basse consommation. Cette étude s'inscrit dans la montée en puissance de ces puces CMOS spécialisées, présentées comme alternative sobre en énergie aux GPU pour l'optimisation embarquée en robotique, un secteur où la gestion de flottes multi-robots et multi-cibles devient critique pour la logistique, l'inspection ou la défense. Les auteurs positionnent leurs travaux comme une des premières analyses plaçant précisément ces accélérateurs dans la pile de planification robotique, plutôt qu'une simple démonstration de faisabilité. La suite logique consisterait à passer à des puces avec davantage de spins pour étendre ces gains à la construction de tournées et au pathfinding, deux couches où l'avantage énergétique reste pour l'instant plus limité.

RecherchePaper

1 source

2arXiv cs.RO

Planification de placement sensible à la sémantique et à la densité pour préserver l'accessibilité multi-objets

Des chercheurs présentent, dans un article publié sur arXiv le 18 août 2026 (référence arXiv:2608.16741v1), une méthode baptisée SDPP (Semantic-Dense Placement Planning), conçue pour permettre à un robot de service domestique de ranger des objets sur une étagère partiellement occupée sans connaître à l'avance les futurs objets à placer. Le système classe les positions candidates à partir d'un score combinant similarité sémantique entre objets (par exemple regrouper les produits de même catégorie) et proximité spatiale, afin de densifier le rangement tout en gardant une organisation cohérente. Une seconde brique, l'Accessibility Map (AM), filtre en amont les poses de placement peu susceptibles d'être atteignables par le bras manipulateur avant même de lancer la planification de mouvement, et pénalise les choix qui réduiraient l'espace de travail accessible pour les placements suivants. Les auteurs rapportent, en simulation, une amélioration significative de la qualité de l'organisation sémantique par rapport aux méthodes de référence actuelles, ainsi que la densité moyenne d'étagère la plus élevée obtenue parmi les approches comparées ; l'AM réduit par ailleurs sensiblement le temps nécessaire pour identifier une pose de placement faisable. Une expérience qualitative en conditions réelles, sur un scénario domestique de stockage en étagère, complète ces résultats. L'enjeu dépasse le simple rangement de courses : la plupart des travaux existants sur la planification de placement traitent séparément l'organisation sémantique, la densité d'occupation de l'espace et l'accessibilité du bras robotique, alors que ces trois contraintes entrent souvent en conflit dans un contexte réel de remplissage séquentiel où les futurs objets sont inconnus. En traitant ces dimensions conjointement, SDPP s'adresse directement aux intégrateurs travaillant sur la logistique en entrepôt, le service à domicile ou le retail automatisé, où un robot doit continuer à opérer efficacement sur une étagère qui se remplit au fil du temps sans bloquer ses propres accès futurs. Le travail s'inscrit dans la littérature de planification de manipulation à long terme pour robots de service, un domaine où la validation reste majoritairement limitée à la simulation. Les auteurs précisent eux-mêmes que leur test en environnement réel n'a qu'une portée qualitative, ce qui distingue cette contribution d'un système prêt pour un déploiement commercial et la situe encore au stade de la recherche exploratoire, avant tout passage à une validation à plus grande échelle.

RecherchePaper

1 source

3arXiv cs.RO

Learn2Decompose : décomposition de problèmes pour planifier efficacement la manipulation séquentielle de multiples objets

Des chercheurs ont publié sur arXiv (identifiant 2408.06843, cinquième révision soumise en 2025) une méthode baptisée Learn2Decompose, conçue pour réduire les temps de planification dans des tâches de manipulation séquentielle d'objets multiples en environnements dynamiques. L'approche s'appuie sur trois composantes distinctes : la décomposition d'objectifs (goal decomposition), qui découpe le problème global en séquences de sous-objectifs intermédiaires que le robot doit atteindre successivement ; l'apprentissage de distance computationnelle, qui prédit la complexité de planification entre deux états pour identifier le sous-objectif le plus proche après une perturbation de la scène ; et la réduction de l'ensemble d'objets actifs (object reduction), qui limite le nombre d'objets considérés à chaque étape de replanification. La méthode est évaluée sur trois benchmarks de manipulation robotique, sans que les gains chiffrés exacts soient communiqués dans le résumé public du papier. L'enjeu est direct : les solveurs classiques de TAMP (Task And Motion Planning) souffrent d'une complexité exponentielle à mesure que l'horizon de planification s'allonge et que le nombre d'objets augmente. En environnement industriel réel, entrepôt, ligne d'assemblage, cellule de picking, cette explosion combinatoire rend les approches TAMP difficiles à déployer sans contraintes fortes sur la taille des scènes. En apprenant des décompositions depuis des démonstrations humaines plutôt qu'en énumérant l'espace de plans, Learn2Decompose introduit un biais inductif qui réduit l'espace de recherche sans abandonner les garanties formelles du planificateur sous-jacent. L'idée de prédire une "distance computationnelle" entre états comme proxy du coût de replanning est méthodologiquement notable : elle permet au système de se reconfigurer dynamiquement après une perturbation, sans relancer une planification globale depuis zéro. Le TAMP est un domaine classique de la robotique, avec des travaux fondateurs au MIT, à Stanford et à CMU depuis les années 2010. La tension entre robustesse des planificateurs symboliques et leur passage à l'échelle reste un problème ouvert. Deux familles de réponses s'affrontent : les approches entièrement apprenantes comme les VLA (vision-language-action models) ou les diffusion policies telles que Pi-0 de Physical Intelligence, qui évitent le planificateur formel mais peinent sur les tâches longue-durée avec de nombreux objets ; et les approches hybrides comme Learn2Decompose, qui conservent le planificateur mais l'accélèrent par apprentissage automatique. Des acteurs comme Intrinsic (spin-off Google X) ou des équipes académiques comme celles derrière PDDLStream investissent dans des directions similaires. La cinquième révision du papier indique un cycle de peer review itératif ; les résultats quantitatifs complets et les comparaisons systématiques avec d'autres accélérateurs TAMP méritent consultation dans le manuscrit intégral.

RecherchePaper

1 source

4arXiv cs.RO

Recherche paresseuse basée sur les conflits pour une planification rapide multi-manipulateurs

Une équipe de chercheurs propose un nouvel algorithme baptisé Conflict-Based Lazy Search (CBLS), conçu pour planifier en temps réel les mouvements simultanés de plusieurs bras manipulateurs robotiques dans un espace de travail encombré. L'algorithme s'appuie sur Conflict-Based Search (CBS), une méthode de pathfinding multiagent qui a déjà démontré des gains de vitesse d'un ordre de grandeur par rapport aux approches précédentes. CBS fonctionne en résolvant une série de problèmes de recherche de chemin pour un seul agent à la fois, ce qui signifie que sa performance globale dépend directement de l'efficacité de cet algorithme de base. Les auteurs y ajoutent deux innovations: un graphe précalculé à évaluation paresseuse et sparsité contrôlée pour un manipulateur unique, et un nouvel algorithme de recherche appelé Lazy Edge-based A (LEA), qui réduit le nombre d'évaluations d'arêtes, considéré comme le principal goulot d'étranglement computationnel dans la planification de bras robotiques. Cette avancée cible un problème très concret pour l'industrie: dans une cellule robotique où plusieurs bras manipulateurs opèrent côte à côte, chaque calcul de trajectoire doit vérifier les collisions potentielles entre pièces mobiles, ce qui devient rapidement coûteux en temps de calcul à mesure que le nombre de bras augmente. En réduisant drastiquement ces évaluations grâce à la recherche paresseuse, CBLS ouvre la voie à une planification plus rapide et davantage exploitable en temps réel, un enjeu direct pour les intégrateurs qui déploient des cellules multi-bras dans des usines ou des entrepôts, où la vitesse de replanification conditionne le débit de production. Le travail s'inscrit dans la lignée du MAPF (multiagent pathfinding), un champ de recherche né notamment des besoins de coordination en entrepôt et en logistique autonome, que les auteurs transposent ici aux manipulateurs industriels. Les chercheurs comparent directement CBLS à l'algorithme CBS original ainsi qu'à RRT-Connect, une méthode de planification par échantillonnage largement utilisée en robotique, et affirment obtenir des performances supérieures sur des problèmes de planification multi-manipulateurs. L'article, encore au stade de prépublication arXiv, ne précise pas de tests sur du matériel réel ni de partenariat industriel, ce qui en fait pour l'instant une contribution algorithmique plutôt qu'une solution déployée en production.

RecherchePaper

1 source