RecherchearXiv cs.RO 22 octobre 2026

HEHA : planification sous-optimale bornée pour le routage contraint et son usage en exploration multi-robots hétérogène d'environnements inconnus

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs proposent HEHA (Hierarchical Exploration with Heterogeneous Agents), un cadre de planification pour l'exploration autonome d'environnements inconnus par une flotte hétérogène: drones, robots à roues et robots à pattes, dont les capacités de franchissement diffèrent. Le système reprend une architecture hiérarchique récente qui sépare planification globale et locale. Sa contribution centrale est un algorithme de routage, RCH (Routing with Constraints and Heterogeneity). Il traite un problème de chemins hamiltoniens multiples sous contraintes (mHPP): répartir les zones à explorer entre les robots et fixer leur ordre de visite, en respectant la traversabilité propre à chaque machine. RCH trouve rapidement des solutions sous-optimales à garantie bornée, en minimisant le makespan, c'est-à-dire la longueur du plus long trajet parmi les agents. Le planificateur local tient aussi compte de l'hétérogénéité pour éviter les explorations redondantes. Selon les auteurs, RCH réduit le makespan jusqu'à 47% face à plusieurs méthodes de référence, et HEHA réduit le temps d'exploration jusqu'à 30% par rapport aux approches existantes.

L'enjeu est pratique. Les sites réels, comme les chantiers, les mines, les sites industriels sinistrés ou les opérations de recherche et sauvetage, appellent des équipes mixtes. Or une grande partie de la littérature suppose des robots identiques, ce qui contourne la vraie difficulté: un drone atteint des zones inaccessibles à un robot à roues, et un quadrupède franchit des obstacles qui bloquent un AMR. Le problème d'allocation doit être résolu de nouveau à chaque nouvelle zone découverte, donc la vitesse de calcul compte autant que la qualité de la solution. Les garanties de sous-optimalité bornée sont un argument solide pour un intégrateur qui exige un comportement prévisible. Les gains annoncés sont des maxima ("jusqu'à") et dépendent des scénarios et des références choisis. Le résumé ne précise pas si des essais ont eu lieu sur du matériel réel, et il s'agit d'un travail académique, sans produit ni déploiement commercial.

Ce travail s'inscrit dans l'essor de l'exploration multi-robot hiérarchique et des planificateurs de type mHPP, longtemps pensés pour des flottes homogènes. Il rejoint la tendance aux équipes mixtes air-sol, portées par la montée des robots à pattes et des drones autonomes. Il s'agit ici d'une version révisée (v2) du preprint arXiv 2510.04161. Les suites logiques sont une validation sur des flottes physiques, la prise en compte de communications limitées ou de pannes, et une intégration avec des couches de perception sémantique.

Impact France/UE

Pas d\'impact direct sur la France/UE

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

D-VLC : collaboration vision-langage décentralisée pour systèmes multi-robots incarnés hétérogènes en environnements inconnus

Un article de recherche publié sur arXiv (arXiv:2607.29009v1) présente D-VLC (Decentralized Vision-Language Collaboration), un framework destiné aux essaims de robots hétérogènes évoluant dans des environnements inconnus, sans carte préétablie. Contrairement aux approches classiques qui s'appuient sur une prise de décision centralisée et synchronisée, D-VLC combine un raisonnement décentralisé et asynchrone, un partage d'informations léger entre robots, une collaboration tenant compte des capacités spécifiques de chaque plateforme, et une interface d'action unifiée. Le système permet à des modèles vision-langage (VLM) généralistes de générer des actions adaptées à chaque robot, exécutées ensuite par des modules experts sans apprentissage ni entraînement spécifique à la tâche ou au robot. Testé sur plusieurs scénarios et plusieurs VLM différents, le framework atteint des taux de réussite supérieurs à 70%, avec un temps d'exécution réduit jusqu'à 55,8% par rapport à une méthode de référence gloutonne géométrique. Ce travail s'attaque à une limite bien identifiée des systèmes multi-robots pilotés par LLM ou VLM: leur dépendance à des cartes connues et à une coordination centralisée, qui freine leur généralisation à des flottes hétérogènes et à des tâches inédites. En s'affranchissant de ces contraintes, D-VLC apporte un argument concret au débat sur la capacité des VLM à raisonner et coordonner sans entraînement dédié, un enjeu central pour la logistique, l'entreposage automatisé et les essaims industriels mêlant robots à roues, bras manipulateurs et drones. Le gain de temps de complétion suggère un passage à l'échelle plus réaliste que les démonstrations centralisées habituelles, même si les résultats restent issus d'expériences en environnement contrôlé et non d'un déploiement industriel. D-VLC s'inscrit dans la vague récente de recherches combinant grands modèles de langage et perception visuelle pour la robotique collaborative, après plusieurs générations d'approches à base de règles jugées trop rigides pour des instructions sémantiques complexes. Aucun acteur industriel n'est associé à cette publication à ce stade: il s'agit d'un travail académique, dont la prochaine étape logique serait une validation sur des flottes physiques réelles, hétérogènes, au delà des scénarios expérimentaux actuels.

RecherchePaper

1 source

2arXiv cs.RO

Système de tâches et de planification min-max regret pour un robot multi-hétérogène en environnement partiellement connu

Une nouvelle étude publiée sur arXiv (2607.13403) propose un cadre de planification pour l'allocation de tâches dans des systèmes multi-robots hétérogènes (HMRS) évoluant en environnement partiellement connu. Le problème est formulé comme une optimisation min-max regret, avec une nouvelle représentation appelée Region-Binding Atomic Proposition (RbAP), qui encode directement l'incertitude sur les ressources dans la structure de l'automate utilisé pour exprimer les contraintes logiques temporelles des tâches. Pour résoudre ce problème, les auteurs introduisent un Extended Planning Decision Tree (E-PDT), couplé à une stratégie de Branch-and-Bound basée sur le regret (Regret-based BnB) qui élague dynamiquement les politiques sous-optimales. Contrairement aux approches classiques qui s'appuient sur des probabilités a priori ou une analyse de pire cas, cette méthode ajuste en continu l'arbitrage entre exploration des zones incertaines et exploitation des ressources déjà connues. L'équipe affirme une scalabilité quasi linéaire par rapport au nombre de robots et de types de robots, avec des gains significatifs en qualité de solution et en temps de calcul face à des méthodes de référence basées sur la programmation linéaire en nombres entiers mixtes (MILP), validés par des expériences numériques et des essais physiques. L'enjeu principal est la complexité exponentielle qui bloque aujourd'hui le déploiement de flottes de robots hétérogènes à grande échelle dès que les tâches impliquent des contraintes logiques complexes en environnement mal cartographié, un scénario courant en logistique, entrepôt ou intervention en zone partiellement explorée. Si les résultats se confirment au-delà du cadre académique, cela réduirait le compromis habituel entre robustesse théorique et coût de calcul, un frein connu pour les intégrateurs qui cherchent à faire monter en charge des flottes AMR mixtes sans tout recalculer à chaque mise à jour de la carte. Il faut toutefois noter que l'article reste un preprint arXiv de type recherche, sans indication du nombre de robots testés en conditions physiques réelles ni de partenaire industriel identifié, donc la portée pratique du gain de scalabilité annoncé reste à confirmer en dehors du banc d'essai des auteurs. Ce travail s'inscrit dans la lignée des recherches sur la planification multi-robots sous logique temporelle linéaire (LTL), un domaine où les méthodes MILP servent traditionnellement de référence malgré leur coût de calcul croissant avec la taille de la flotte. L'apport revendiqué ici est de sortir du dilemme entre méthodes probabilistes, qui nécessitent des priors souvent invérifiables sur le terrain, et méthodes pire-cas, jugées trop conservatrices. Les auteurs annoncent une preuve théorique de faisabilité et de complétude de leur approche, mais l'article ne précise pas de calendrier de suivi, de code source public ou de collaboration industrielle pour une validation à plus grande échelle.

RecherchePaper

1 source

3arXiv cs.RO

Planification assistée par éclaireur pour équipes de robots hétérogènes en environnements partiellement connus

Des chercheurs ont publié sur arXiv (arXiv:2605.22693) un cadre de planification appelé Scout-Assisted Planning (SAP), conçu pour des équipes robotiques hétérogènes évoluant dans des environnements partiellement cartographiés. Le problème ciblé est concret : lorsqu'un robot terrestre (UGV) progresse sur un réseau routier dont certaines voies sont bloquées, il ne le découvre qu'en s'y engageant physiquement, générant des détours coûteux. SAP intègre des drones éclaireurs (UAV) qui collectent de l'information en avance de phase pour guider les UGV. Pour cibler les reconnaissances les plus utiles, les auteurs introduisent l'Information Gain-based Action Pruning (IGAP), un mécanisme qui score chaque action de scouting selon son impact attendu sur le comportement du robot au sol. Comme le calcul exact de l'IGAP est prohibitif en temps réel, un modèle Graph Neural Network (GNN) est entraîné à prédire ces valeurs directement depuis la structure du graphe routier et l'état de croyance courant. Sur trois types d'environnements testés, SAP avec IGAP réduit le coût de déplacement des UGV de 31,9 à 37,7 % par rapport à la baseline Canadian Traveler Problem, et surpasse de 8 à 14 % les approches de guidage par proximité. Ces résultats pointent vers un verrou industriel réel : dans la logistique d'entrepôt, la réponse à sinistre, ou les opérations minières, un robot terrestre contraint de faire demi-tour mobilise du temps machine et perturbe les flux. L'apport de SAP est de rendre la décision de scouting dirigée par la valeur informationnelle plutôt que par la simple distance, un glissement non trivial. L'usage d'un GNN pour approximer l'IGAP est l'élément clé : il ramène le planning à des niveaux temps réel sans dégradation mesurable de la qualité de solution, ce qui ouvre la voie à un déploiement embarqué sur matériel contraint. La distinction entre guidage par information et guidage par proximité, avec 8 à 14 % d'écart, valide quantitativement que la sophistication algorithmique se traduit en gains opérationnels réels. Ce travail s'inscrit dans un courant de recherche actif sur la planification multi-robots hétérogènes, où drones et robots terrestres forment des binômes complémentaires. La formulation s'appuie sur le Canadian Traveler Problem, un cadre classique de navigation sous incertitude, et l'étend avec une couche d'apprentissage automatique. Les acteurs industriels proches de cette problématique incluent Boston Dynamics (Spot + drones), Exotec pour la logistique autonome en entrepôt, ou encore les consortiums de robotique minière australiens. La prochaine étape naturelle serait la validation sur plateforme physique réelle : les expériences rapportées restent simulées, et le sim-to-real gap sur des graphes routiers dynamiques reste un défi non résolu par cet article.

UERésultats encore simulés, mais la méthode pourrait bénéficier indirectement à des acteurs logistiques européens comme Exotec lors d'une éventuelle validation sur plateforme physique réelle.

RecherchePaper

1 source

4arXiv cs.RO

Exploration réactive d'environnements inconnus pour robots redondants par contrôle par modèle virtuel

Des chercheurs publient sur arXiv (2610.08110) une méthode d'exploration active pour bras robotiques redondants, c'est-à-dire dotés de plus de degrés de liberté que nécessaire pour atteindre une pose donnée, équipés d'une caméra embarquée au poignet (configuration « eye-in-hand »). L'approche cible les espaces confinés, occultés et partiellement connus. Elle repose sur un score original qui sélectionne directement un voxel cible dans l'espace non exploré, en combinant l'état courant du robot et le gain d'information attendu. Pour rejoindre ce voxel, le système recourt au Virtual Model Control, une technique qui simule des éléments mécaniques virtuels (ressorts, amortisseurs) pour garantir une conduite compliante. Elle permet un évitement d'obstacles réactif sur l'ensemble du bras, sans replanification de trajectoire. Les essais, menés en simulation et sur robot réel, en environnements confinés comme ouverts, atteignent plus de 90 % de couverture cartographique en moins de 120 secondes, sans aucune collision. Pour l'industrie, l'intérêt est de traiter conjointement perception active et contrôle du corps entier. Les tâches d'inspection ou de maintenance dans des zones étroites (intérieur de machines, baies, cuves, armoires techniques) exigent que le bras découvre son environnement tout en le traversant. Remplacer la replanification par un contrôle réactif réduit la latence et la charge de calcul, deux points critiques pour des applications embarquées. Le résultat est toutefois à nuancer : il s'agit d'une prépublication non évaluée par les pairs, et le résumé ne précise ni le nombre d'environnements, ni le robot utilisé, ni la comparaison avec des méthodes de référence. Le seuil de 90 % de couverture et la limite de 120 secondes ne disent rien de la répétabilité sur des scènes plus encombrées, ni de la robustesse face aux obstacles mobiles ou aux erreurs de perception. Ces travaux s'inscrivent dans la lignée de la planification de « next-best-view » et de la reconstruction active, dominées par des approches qui calculent des vues candidates puis planifient un chemin, souvent au prix d'un temps de calcul élevé. Le Virtual Model Control, issu de la commande de robots marcheurs et de manipulateurs compliants, offre ici une alternative plus légère. Face à elles, les approches d'apprentissage de bout en bout, comme les politiques VLA, restent peu orientées vers l'exploration géométrique garantie en espace confiné. La suite logique serait une validation sur des bras industriels ou collaboratifs, des scènes dynamiques et des benchmarks publics. Aucun partenaire industriel ni calendrier de transfert n'est annoncé à ce stade.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source