RecherchearXiv cs.RO 12 octobre 2026

Planification robuste et évolutive UAV-UGV pour la surveillance aérienne sous contraintes d'énergie et de précédence

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Une équipe de chercheurs propose un algorithme de planification pour des missions de surveillance aérienne confiées à plusieurs binômes composés chacun d'un drone (UAV) et d'un robot terrestre (UGV). Le drone doit visiter une série de points de surveillance dans un ordre imposé, tandis que le robot terrestre joue deux rôles : station de recharge mobile et vecteur de transport, puisqu'il emmène le drone d'une tournée aérienne à la suivante. L'autonomie du drone est modélisée par son endurance, c'est-à-dire la durée maximale de vol sur batterie pleine. À partir des positions initiales et finales des équipes, l'objectif est de minimiser le temps total de mission tout en respectant les limites énergétiques, l'ordre de visite requis et des perturbations bornées sur les temps de trajet en cours d'exécution. Les auteurs annoncent un algorithme en temps polynomial, des garanties de faisabilité, une analyse de complexité et des comparaisons numériques. Le travail est publié sur arXiv (2610.12670v1) et aucun chiffre de performance n'est donné dans le résumé.

L'intérêt tient à la combinaison de trois contraintes rarement traitées ensemble : l'énergie, la précédence et la robustesse aux aléas. Beaucoup de planificateurs multi-robots supposent des temps de trajet exacts ou ignorent les relations d'ordre entre tâches. Or les inspections d'infrastructures, les patrouilles de sites industriels ou les relevés agricoles imposent souvent des séquences : contrôler d'abord un équipement, puis le suivant. La garantie de faisabilité sous perturbations bornées est un argument pour un opérateur, car elle évite qu'un retard de quelques minutes invalide le plan. Autre nouveauté revendiquée : le plan détermine conjointement les itinéraires et leur calendrier, ce qui autorise les équipes à ralentir volontairement pour respecter l'ordre. Le problème de fond étant NP-difficile, la solution est une heuristique à garanties de faisabilité, pas un optimum. On ne sait pas non plus, à ce stade, quel écart avec l'optimal ni quelle taille d'instance les tests couvrent, et il s'agit de résultats numériques, sans essai sur matériel réel.

Ce travail prolonge la littérature sur les systèmes coopératifs drone-véhicule terrestre, héritière des problèmes de type « flying sidekick » et de tournées de véhicules avec stations de recharge mobiles. Les travaux antérieurs fixaient généralement les itinéraires avant de calculer les horaires, ou ne tenaient pas compte de l'ordre imposé des points. Le texte ne cite ni partenaire industriel, ni produit, ni calendrier de déploiement, ni acteur européen : il relève de la recherche académique en amont, utile surtout aux intégrateurs qui conçoivent des logiciels d'orchestration de flottes hétérogènes. Les prochaines étapes naturelles seraient la validation en conditions réelles, la prise en compte de vents et d'obstacles, et la comparaison avec des solveurs exacts sur des instances de grande taille.

Impact France/UE

Pas d\'impact direct sur la France/UE

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Métriques riemanniennes induites pour la planification de mouvement sous contraintes

Publié le 23 septembre 2026 sur arXiv sous la référence 2609.25695v1, un article de recherche en planification de mouvement robotique s'attaque à un problème classique : quand des contraintes de tâche ou de fermeture de boucle cinématique réduisent l'espace de configuration d'un robot à une sous-variété courbe de dimension inférieure, la métrique utilisée pour mesurer la longueur d'un chemin, euclidienne, à coût uniforme dans toutes les directions, ou riemannienne, comme l'énergie cinétique, à coût variable selon la direction et la configuration, donnait jusqu'ici des résultats différents selon que la contrainte était représentée implicitement (comme un ensemble de niveau, associé à la métrique euclidienne) ou explicitement (via une paramétrisation, associée à la métrique du domaine des paramètres). Les auteurs proposent une métrique dite induite, héritée directement de la métrique riemannienne de l'espace de configuration complet, et démontrent que les deux représentations produisent alors exactement la même géométrie, quelle que soit la métrique riemannienne retenue. Ils l'intègrent dans un planificateur par échantillonnage et dans un optimiseur de trajectoire, puis testent l'approche sur un montage de manipulation bimanuelle avec deux bras robotiques Franka (Franka Robotics, entreprise allemande) soumis à des contraintes sur l'effecteur, en comparant métrique euclidienne et métrique d'énergie cinétique. Ce découplage compte pour quiconque conçoit des planificateurs de manipulation contrainte, assemblage bimanuel, tâches à chaîne cinématique fermée, coordination multi-bras, où le choix jusqu'ici arbitraire entre représentation implicite et explicite biaisait silencieusement les trajectoires calculées, indépendamment du comportement physique réel du robot. La garantie théorique de cohérence géométrique permet désormais d'utiliser des métriques physiquement significatives, comme l'énergie cinétique, plutôt que la seule distance euclidienne par défaut, souvent mal adaptée aux robots à forte inertie ou à géométrie complexe, sans changer d'architecture logicielle puisque la méthode s'insère aussi bien dans un planificateur par échantillonnage que dans un optimiseur de trajectoire existant. Il s'agit d'une contribution méthodologique, sans vidéo ni chiffre de taux de succès ou de temps de cycle à l'appui, ce qui limite pour l'instant l'évaluation de son impact pratique concret. Ce travail s'inscrit dans la lignée des recherches sur la planification sur variétés contraintes, un champ où les méthodes d'atlas tangents et les planificateurs de type CBiRRT gèrent depuis longtemps la géométrie de la contrainte mais laissaient jusqu'ici la question de la métrique de côté. Il fait aussi écho aux travaux sur les politiques de mouvement riemanniennes, qui exploitent déjà des métriques non euclidiennes mais dans des espaces non contraints. La validation reste limitée à un seul banc d'essai, deux bras Franka en manipulation bimanuelle, sans portage annoncé vers une bibliothèque de planification largement utilisée comme MoveIt ou OMPL, ni calendrier de suivi précisé par les auteurs.

UELe montage expérimental repose sur des bras robotiques Franka Robotics, fabricant allemand largement utilisé dans les laboratoires de recherche européens en robotique.

RecherchePaper

1 source

2arXiv cs.RO

Optimisation générative guidée par un modèle et sensible à la géométrie pour la planification de locomotion sous contraintes

Des chercheurs publient sur arXiv (2610.07772) une méthode baptisée 2GO, pour Model-Based Geometry-Aware Generative Optimization, destinée à la planification de locomotion sous contraintes (Constrained Locomotion Planning, CLP) de quadrupèdes et d'humanoïdes. Le robot doit y respecter en même temps l'évitement de collisions, la cohérence des contacts, la faisabilité cinématique et les contraintes de support. 2GO s'appuie sur les approches Model-Based Diffusion (MBD), qui traitent l'optimisation de trajectoire comme un échantillonnage a posteriori. Ces approches utilisent la dynamique connue et des rollouts Monte Carlo pour estimer analytiquement la fonction de score de débruitage, sans apprentissage à partir de démonstrations. Trois mécanismes transforment la géométrie des contraintes actives en opérateurs de débruitage exécutables : une métrique modelée par les normales aux contraintes, un filtrage stochastique dans l'espace tangent et une rétraction fondée sur CFS. 2GO découple aussi le transport génératif de la stochasticité inverse grâce à un calendrier adaptatif qui mêle diffusion et dynamique de type flow. Les essais portent sur la sélection discrète de points d'appui et sur la planification continue de posture. Les auteurs annoncent de meilleurs taux de succès, moins de violations de contraintes et une meilleure compatibilité à l'exécution. L'intérêt est surtout méthodologique. La planification de locomotion sous contraintes reste un point dur des quadrupèdes et des humanoïdes, car la dynamique est de grande dimension et les environnements sont très non convexes (escaliers, terrains discontinus, appuis rares). 2GO suit une voie différente des politiques apprises par imitation ou par apprentissage par renforcement : elle réutilise le modèle physique et se passe de données de démonstration, ce qui retire un coût de collecte. L'idée centrale est que la géométrie des contraintes actives doit orienter la direction du score et le bruit injecté, au lieu d'être traitée comme une simple pénalité. Pour un intégrateur, la promesse est une planification plus fiable aux contacts, où se concentrent les échecs sur terrain réel. Il faut toutefois rester prudent. Le résumé ne donne aucun chiffre : ni taux de succès, ni temps de calcul, ni comparaison chiffrée, ni plateforme matérielle. Rien n'indique non plus si les essais ont eu lieu uniquement en simulation, et la question du temps réel, décisive pour un déploiement embarqué, n'est pas abordée. Il s'agit d'un preprint non évalué par les pairs, sans produit ni déploiement associé. Le travail prolonge les variantes contraintes de MBD, qui intégraient déjà la faisabilité dans les rollouts de score. Les auteurs leur reprochent l'absence de géométrie de contrainte modulée par la tâche et l'usage d'un transport inverse déterministe de type DDPM, sans ordonnancement adaptatif. Il se place face aux approches de diffusion apprise et aux politiques VLA, qui visent plutôt la manipulation et le comportement de haut niveau. Les prochaines étapes à surveiller sont la publication du code, des benchmarks chiffrés et une validation sur robot physique.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

3arXiv cs.RO

NEXUS : apprentissage continu de contraintes symboliques pour une planification incarnée sûre et robuste

NEXUS est un cadre modulaire présenté en mai 2026 sous forme de preprint arXiv (2605.09387), conçu pour l'apprentissage continu de contraintes symboliques dans les agents incarnés. Son objectif central : combler l'écart fondamental entre l'incertitude probabiliste des grands modèles de langage (LLM) et les exigences de déterminisme strict requises dans le monde physique. Le framework dissocie explicitement deux dimensions : la faisabilité physique, améliorée par des retours d'exécution en boucle fermée, et les spécifications de sécurité, ancrées dans des contraintes dures déterministes formant une défense pré-action. Évalué sur le benchmark SafeAgentBench, NEXUS affiche des taux de succès supérieurs aux approches existantes, refuse efficacement les instructions non sûres, résiste aux attaques adversariales, et améliore progressivement son efficacité de planification par accumulation de connaissances symboliques. La pertinence du cadre réside dans son traitement architectural d'un problème structurel : les LLM, malgré leurs performances en planification, restent des systèmes probabilistes susceptibles de produire des comportements dangereux en environnement physique contraint. NEXUS transforme les artefacts symboliques, jusqu'ici utilisés comme de simples interfaces statiques dans les travaux antérieurs, en vecteurs d'évolution de la connaissance. L'ancrage déterministe des risques est particulièrement utile pour les intégrateurs industriels : un agent peut apprendre à reconnaître et refuser des séquences d'actions dangereuses, y compris face à des instructions adversariales délibérément construites. Pour les décideurs envisageant le déploiement d'agents autonomes en entrepôts ou en production, la distinction entre défense réactive et défense pré-action constitue un avantage concret sur le plan de la certification et de la traçabilité. Ce travail s'inscrit dans la continuité de cadres comme SayCan (Google DeepMind) ou Code as Policies, qui ont posé les bases de la planification incarnée par LLM mais traitaient la sécurité comme une contrainte externe figée. NEXUS la rend évolutive via l'apprentissage continu, ce qui le distingue architecturalement. SafeAgentBench, utilisé pour la validation, s'impose progressivement comme référence pour évaluer la robustesse sécuritaire des agents incarnés. Il convient de noter qu'il s'agit à ce stade d'un preprint sans déploiement industriel annoncé ni validation terrain confirmée. La séparation faisabilité/sécurité que propose NEXUS pourrait néanmoins influencer les prochaines générations de middleware robotique, notamment dans les contextes où la traçabilité réglementaire des décisions autonomes est requise.

UELe cadre NEXUS, en rendant les décisions autonomes traçables et auditables via des contraintes symboliques déterministes, pourrait faciliter la mise en conformité avec l'AI Act pour les intégrateurs européens déployant des agents autonomes en environnement industriel.

RecherchePaper

1 source

4arXiv cs.RO

Planification robotique sous contraintes de ressources face à une incertitude mixte

Des chercheurs présentent le CMDPST (Consumption Markov Decision Process with Set-valued Transitions), un cadre formel inédit permettant à un robot de planifier ses actions en tenant compte simultanément de deux types d'incertitudes : le bruit probabiliste mesurable et les inconnues structurellement non-quantifiables, tout en garantissant que le système ne tombe jamais à court de ressources opérationnelles (batterie, capacité de charge, quota de déplacements). Publiée sur arXiv en mai 2026 (réf. 2605.05797), la contribution couple ce modèle à une spécification de tâche exprimée en LTLf (logique temporelle linéaire sur traces finies), un formalisme permettant d'encoder des objectifs complexes avec des contraintes temporelles précises. Les auteurs proposent deux algorithmes de synthèse de stratégie : une méthode directe par déroulage d'états et une version optimisée par élagage de l'espace d'états, plus efficace en temps de calcul. Les expériences sont conduites sur un réseau de transport en entrepôt simulé, sans validation sur hardware réel à ce stade. La contribution adresse un angle mort récurrent dans la planification robotique industrielle : la plupart des approches existantes traitent soit l'incertitude probabiliste via les MDP classiques, soit les contraintes de ressources, rarement les deux ensemble. Dans les déploiements AMR (autonomous mobile robots) d'entrepôt, où une flotte doit honorer des missions tout en gérant niveaux de batterie et pannes imprévisibles, cette dualité est pourtant critique. Le cadre CMDPST offre aux intégrateurs une garantie formelle : la stratégie synthétisée ne laissera jamais un robot en panne sèche, même face à des perturbations non modélisées. C'est un argument solide pour des environnements industriels où l'interruption de service a un coût direct et mesurable. Ce type de planification sous contraintes mixtes s'inscrit dans un corpus plus large incluant la vérification probabiliste de modèles (outils PRISM, Storm) et la planification formelle par MDP. Les acteurs de la logistique automatisée comme Exotec (France) ou Hai Robotics, dont les flottes AMR évoluent dans des environnements partiellement inconnus, sont directement concernés par ces avancées théoriques. Côté alternatives académiques, le reinforcement learning robuste et le model predictive control probabiliste existent, mais sans les garanties formelles d'épuisement de ressources que revendique cette approche. La prochaine étape attendue est une implémentation sur robot physique pour évaluer concrètement le gap sim-to-real.

UEExotec (France) est explicitement citée comme acteur directement concerné par ces avancées théoriques, ses flottes AMR en entrepôt étant précisément le cas d'usage visé par les garanties formelles de non-épuisement des ressources du cadre CMDPST.

RecherchePaper

1 source