SenseSwarm : exploration en essaim par estimation neuronale de la structure et anticipation partagée du monde pour une cartographie rapide

Des chercheurs présentent SenseSwarm, une méthode d'exploration par essaim de robots décentralisé qui vise à connaître une plus grande part d'un bâtiment inconnu à chaque instant, avant même que les robots ne l'aient parcourue. Le système exécute un prédicteur de carte léger de 709 000 paramètres sur la carte d'occupation partagée de l'essaim, puis réinjecte la structure prédite dans un champ de guidage stigmergique, c'est-à-dire une signalisation indirecte via l'environnement partagé. Le prédicteur est affiné sur les observations multi-fronts propres à l'essaim, étape que les auteurs jugent indispensable: un prédicteur entraîné pour un seul robot s'effondre sur ce type de vues. Le banc d'essai réunit douze plans d'étages réels issus de HouseExpo, du campus HKUST et de KTH, jusqu'à 24 000 m², avec 1 620 simulations couvrant neuf méthodes de coordination, des essaims de 32 à 512 robots et trois graines aléatoires. Sur la couverture physique, l'essaim reste proche d'un planificateur glouton par frontières, comme attendu. Sur la reconstruction de carte, toutes les références non prédictives mettent 1,3 à 1,9 fois plus de temps pour atteindre 80 % de carte connue, et SenseSwarm conserve à temps égal une avance moyenne d'environ 670 m², jusqu'à 1 359 m².

L'intérêt tient à ce que le gain ne vient pas d'une exploration physique plus rapide, mais d'une carte plus complète au même instant. Pour des applications comme la reconnaissance après sinistre, l'inspection de bâtiments ou la planification de mission, c'est la connaissance de la structure qui compte, pas seulement la surface parcourue. L'étude montre aussi que la façon d'intégrer la prédiction pèse autant que le modèle: le même prédicteur appliqué robot par robot atteint une vitesse comparable, mais avec un taux de contacts entre robots 6,9 fois plus élevé à 512 unités, ce qui signifie plus de congestion et de collisions potentielles. Le prédicteur n'étant calculé qu'une fois par carte partagée, son coût reste plat de 32 à 512 robots, un point favorable au passage à l'échelle. Les résultats viennent toutefois uniquement de simulation, sans validation sur matériel réel, et le décalage simulation-réalité reste donc entier.

Ces travaux s'inscrivent dans la lignée de l'exploration par frontières et des approches stigmergiques inspirées des insectes sociaux, déjà connues pour leur robustesse décentralisée mais limitées à la seule information observée. La tendance récente consiste à y ajouter des modèles appris capables d'anticiper les zones non vues, jusqu'ici pensés surtout pour un robot isolé. SenseSwarm déplace cette idée vers l'échelle de l'essaim, face à des références comme le planificateur glouton par frontières. Les prochaines étapes naturelles seraient des essais sur plateformes physiques, des environnements dynamiques et des contraintes de communication réalistes, que les auteurs n'évaluent pas dans cette première version publiée sur arXiv.