RecherchearXiv cs.RO 9 octobre 2026

Calcul simultané avec plusieurs priorisations en planification de mouvement multi-agents

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Une équipe de recherche, rattachée au Cyber-Physical Mobility Lab, propose une méthode permettant à des agents de calculer simultanément avec plusieurs priorisations dans un problème de planification de mouvement multi-agents. Le travail, publié sur arXiv en version 2 (2501.10781v2), s'inscrit dans le cadre de la planification de mouvement multi-agents (MAMP) à horizon glissant, soumise à des contraintes de temps de calcul. Les auteurs affirment atteindre une priorisation quasi optimale et surpasser les méthodes de l'état de l'art, pour une augmentation du temps de calcul qualifiée de mineure. La validation combine des expériences numériques et un essai en temps réel sur un réseau routier avec dix véhicules. Le résumé ne donne ni gain chiffré, ni taille des réseaux simulés, ni temps de cycle précis.

La planification prioritaire (prioritized planning, PP) est une approche classique du problème de recherche de chemins multi-agents (MAPF) dans les grands réseaux. Les agents planifient l'un après l'autre selon un ordre de priorité, chacun devant éviter les trajectoires déjà fixées par les agents plus prioritaires. Cette méthode est peu coûteuse en calcul, mais la qualité de la solution dépend fortement de l'ordre choisi. Les priorisations actuelles reposent soit sur des heuristiques qui généralisent mal, soit sur des itérations successives qui consomment du temps de calcul. L'approche présentée évite ce compromis en évaluant plusieurs ordres de priorité en parallèle au sein du même cycle de planification. Elle ne s'appuie sur aucune connaissance propre à un domaine, ce qui la rend applicable à d'autres contextes que la mobilité routière. Le MAMP modélise la dynamique des systèmes de façon plus détaillée que le MAPF, ce qui rapproche les résultats des conditions d'exploitation réelles.

Pour les intégrateurs et les responsables de flottes de robots mobiles autonomes (AMR), la coordination de dizaines de véhicules sur un même réseau reste un point dur. Une méthode qui conserve la rapidité de la planification prioritaire tout en limitant sa sensibilité à l'ordre des agents répondrait à un besoin réel, notamment en logistique d'entrepôt. Les réserves sont toutefois nettes. Dix véhicules représentent une échelle modeste face aux flottes industrielles, et l'absence de métriques dans le résumé empêche d'évaluer le gain réel. Le test a lieu dans un laboratoire de mobilité cyber-physique, donc dans un environnement contrôlé. Il s'agit d'un résultat de recherche, sans produit ni déploiement commercial. Le passage à l'échelle, la comparaison avec des solveurs MAPF optimaux ou bornés et le comportement sous contraintes de communication restent à démontrer.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

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

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.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

2arXiv 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

3arXiv cs.RO

Planification de mouvement multi-robots décentralisée par diffusion informée par simulation

Des chercheurs présentent SID (Simulation-Informed Diffusion), un cadre décentralisé de planification de mouvement pour flottes multi-robots, publié sur arXiv (2605.27697) en mai 2026. Le problème ciblé est fondamental en robotique mobile collaborative : chaque robot doit générer des trajectoires sans collision à partir de ses seules observations locales, sans capteur global ni communication fiable. L'approche repose sur des modèles de diffusion sensibles aux contraintes (CADM, Constraint-Aware Diffusion Models) : dans une première passe, CADM simule les trajectoires futures des robots voisins à partir de leurs états observés ; dans une seconde passe, le même modèle planifie la trajectoire propre de chaque robot sous contraintes de sécurité issues de ces simulations. Un mécanisme de communication minimaliste complète le dispositif, ne déclenchant la coordination qu'en zones de forte congestion. Les expériences montrent que SID surpasse les méthodes de référence en termes d'efficacité de planification et de respect des contraintes, et passe à l'échelle jusqu'à 108 robots simultanés évoluant parmi 160 obstacles. La limite adressée est bien documentée dans les systèmes AMR industriels : planificateurs classiques (RVO, ORCA) et approches d'apprentissage raisonnent tous sur un instantané statique de l'environnement, ce qui devient un goulot d'étranglement au-delà d'une vingtaine d'agents en densité élevée. L'apport de SID est de traiter prédiction des voisins et planification propre comme un problème unifié, résolu par le même modèle de diffusion, évitant ainsi la propagation d'erreurs entre modules séparés. La communication conditionnelle représente également un avantage pratique pour les déploiements sur réseaux contraints, un point d'intérêt direct pour les intégrateurs logistiques opérant des flottes AMR à grande échelle. Les modèles de diffusion appliqués à la robotique connaissent un essor marqué depuis 2024, avec des travaux comme Pi-0 (Physical Intelligence) ou GR00T N2 (NVIDIA) ayant démontré leur efficacité pour la manipulation. SID s'inscrit dans cette tendance mais cible la coordination décentralisée, angle moins couvert que la manipulation. La compétition directe inclut les approches MARL (multi-agent reinforcement learning) et les planificateurs hybrides comme PRIMAL ou DHC. À ce stade, SID reste une preuve de concept en simulation ; aucun déploiement sur hardware physique n'est annoncé. La prochaine étape naturelle serait une validation sur AMR réels en conditions d'entrepôt, qui constituerait le vrai test du sim-to-real gap encore ouvert pour ce type d'approche générative.

RecherchePaper

1 source

4arXiv cs.RO

PccDiffuser : planification de mouvement multi-solutions pour robots à corps continu

Une équipe de recherche présente PccDiffuser, un cadre de diffusion conditionnelle pour la planification de mouvement des robots continuum, dans un preprint arXiv publié en septembre 2026 (2609.09745v1). Le système apprend une distribution multimodale de trajectoires dans l'espace des configurations et génère plusieurs solutions candidates en parallèle, converties en trajectoire exécutable par allocation temporelle respectant les contraintes des actionneurs. Sa cinématique, modélisée par courbure constante par morceaux avec des coordonnées exponentielles, s'appuie sur un réseau de neurones sur graphe pour encoder un nombre variable d'obstacles et sur une cinématique différentielle analytique intégrée au débruitage pour améliorer précision et dégagement du corps entier. Sur un jeu de test allant de zéro à quatre obstacles, le taux de réussite atteint 91 %, supérieur aux méthodes par échantillonnage ou optimisation, avec un gain d'efficacité de calcul. Des essais sur un robot continuum à trois sections actionné par câbles confirment la planification multi-solutions et l'évitement d'obstacle du corps entier. Les robots continuum, structures souples et hyper-redondantes utilisées en chirurgie mini-invasive, en inspection de zones confinées et en recherche-sauvetage, restent difficiles à piloter automatiquement en raison d'un espace de configuration quasi infini et d'une cinématique non linéaire. Les méthodes classiques par échantillonnage ou optimisation peinent à capturer la multimodalité du problème, c'est-à-dire l'existence de plusieurs chemins valides distincts, et deviennent lentes quand l'environnement se complexifie. En atteignant 91 % de réussite tout en restant plus rapide que ces références, PccDiffuser démontre que les modèles de diffusion, déjà répandus pour les bras robotiques rigides, se transposent aux robots mous. Il s'agit toutefois d'un résultat de recherche en preprint, validé sur un seul robot de laboratoire et un environnement limité à quatre obstacles, et non d'un produit commercial ni d'un déploiement industriel. La planification des robots continuum s'appuyait jusqu'ici sur des solveurs de cinématique inverse et des planificateurs par échantillonnage adaptés au modèle de courbure constante par morceaux, une représentation standard depuis le milieu des années 2000. Les modèles de diffusion, popularisés pour les bras rigides, avaient jusqu'à présent peu été appliqués aux structures continues, faute d'encodage adapté à une cinématique non linéaire et à un nombre variable d'obstacles. Sans acteur industriel ni calendrier annoncé, ce travail de recherche ouvre la voie à des validations sur des robots continuum plus complexes et des environnements encombrés, avant tout transfert éventuel vers des applications comme la chirurgie robotisée ou l'inspection industrielle.

RecherchePaper

1 source