RecherchearXiv cs.RO 27 octobre 2026

MATE-BT : un cadre à base d'arbres de comportement pour l'autonomie de mission hiérarchiquement décentralisée d'équipes multi-robots hétérogènes

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs proposent MATE-BT (Mission, Allocation, and Task Execution with Behavior Trees), un cadre logiciel publié sur arXiv pour piloter des équipes de robots hétérogènes exécutant une mission prédéfinie. L'architecture sépare trois couches : l'exécution de la mission, l'allocation des tâches et l'exécution locale de chaque tâche. Un robot « leader » actif, embarqué à bord, gère la progression de la mission et l'affectation des cibles au niveau de l'équipe. Si ce leader tombe en panne, son autorité est transférée à un autre robot capable de tenir ce rôle. Les méthodes d'affectation décentralisées sont interchangeables sous forme de plugins, et chaque robot adapte son comportement par planification et action via des arbres de comportement (behavior trees). Les tests combinent des simulations Webots et des expériences sur robots réels, où tout le calcul tourne à bord. Les mesures en matériel dans la boucle valident l'exécution sur Jetson Orin Nano et Raspberry Pi 5. Le système conserve un temps de réponse d'environ 130 ms avec 30 robots et 120 cibles, en ne mettant à jour que les couches concernées, sans régénérer tout le plan.

L'intérêt tient à la résilience. Dans beaucoup de systèmes multi-robots, le coordinateur central reste un point de défaillance unique : sa perte stoppe la mission. Ici, les auteurs démontrent la continuité de mission malgré l'arrivée de nouvelles cibles et des pannes, y compris celle du leader actif. Pour un intégrateur de flottes mixtes en logistique, inspection ou agriculture, le fait que le calcul tienne sur des cartes à bas coût comme le Raspberry Pi 5 abaisse la barrière matérielle, sans dépendance au cloud. Les comparaisons de quatre plugins d'affectation montrent des compromis qui dépendent du scénario entre durée de mission et distance totale parcourue, ce qui indique qu'aucun algorithme ne domine. Il faut toutefois rester prudent : le résumé ne précise ni le nombre ni le type de robots physiques, et les 130 ms ont été mesurés avec 30 robots, vraisemblablement en simulation ou en matériel dans la boucle, pas en flotte réelle de cette taille. Il s'agit d'un résultat de recherche, pas d'un produit déployé.

Les arbres de comportement sont devenus un standard de fait en robotique pour structurer l'autonomie réactive, notamment via l'écosystème ROS 2. Les approches d'allocation décentralisée de tâches (enchères, consensus) existent depuis longtemps, mais elles gèrent rarement la reprise du rôle de coordination après une panne. MATE-BT s'inscrit dans cette lignée en visant une mise à jour partielle plutôt qu'une replanification globale. Ce travail reste un preprint non évalué par les pairs, et rien n'indique de pilote industriel ni de calendrier de mise à disposition du code. Les prochaines étapes naturelles seraient des essais avec des flottes physiques plus grandes, des environnements plus perturbés et une comparaison directe avec les architectures centralisées utilisées par les acteurs de la logistique robotisée.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

MOSAIC : une autonomie modulaire et évolutive pour la coordination intelligente d'équipes robotiques hétérogènes

Des robots mobiles explorent des environnements hostiles, espace ou zones sinistrées, mais restent aujourd'hui largement dépendants d'un télépilotage humain continu, ce qui limite le nombre de machines déployables et exige une liaison de communication à faible latence quasi permanente. Des chercheurs présentent MOSAIC, un framework d'autonomie scalable pour l'exploration scientifique multi-robots, construit autour d'une abstraction de mission unifiée fondée sur des points d'intérêt (POI) et plusieurs couches d'autonomie, permettant à un seul opérateur de superviser toute une flotte. Le système alloue dynamiquement les tâches d'exploration et de mesure selon les capacités propres de chaque robot, en exploitant la redondance et la spécialisation au niveau de l'équipe pour maintenir l'opération en continu. La validation a eu lieu lors d'une expérience de terrain en environnement analogue spatial, simulant un scénario de prospection lunaire, avec une équipe hétérogène de cinq robots supervisée par un seul opérateur humain. Malgré la défaillance complète d'un des robots en cours de mission, l'équipe a accompli 82,3% des tâches assignées, avec un taux d'autonomie de 86%, tandis que la charge de travail de l'opérateur est restée à 78,2%. Ces résultats comptent parce qu'ils s'attaquent directement au goulot d'étranglement classique des missions robotiques en environnement extrême : la dépendance à la téléopération continue, coûteuse en bande passante et en attention humaine, et fragile dès qu'un délai de communication apparaît (cas typique des missions lunaires ou martiennes). Démontrer qu'une flotte hétérogène peut absorber la panne totale d'un robot et continuer à remplir sa mission sans réallocation manuelle constante est un signal concret pour les intégrateurs travaillant sur la résilience des systèmes multi-robots, que ce soit pour le spatial, la surveillance industrielle ou l'intervention post-catastrophe. Cela illustre aussi une tendance de fond : le report de la charge cognitive du pilotage individuel vers la supervision de mission à haut niveau, un des verrous identifiés depuis longtemps pour faire passer la robotique de terrain de la démonstration à l'opération à grande échelle. Le papier, révisé sur arXiv (version 3, catégorie replace), s'inscrit dans la lignée des recherches en robotique spatiale et en gestion d'équipes multi-robots hétérogènes, un champ où la littérature reste dominée par des simulations ou des tests en petite échelle plutôt que des validations de terrain réalistes. Les auteurs en tirent des enseignements pratiques sur l'interopérabilité entre robots, l'architecture réseau et la composition d'équipe, autant d'éléments destinés à nourrir la conception de futures missions d'exploration multi-robots, sans qu'un calendrier de déploiement opérationnel ne soit pour l'instant annoncé.

RecherchePaper

1 source

2arXiv cs.RO

Un cadre multi-robot évolutif pour des boucles de perception-action-communication décentralisées et asynchrones

Une équipe de recherche a mis à jour sur arXiv (référence 2309.10164, version 3) un article décrivant un système décentralisé de perception, action et communication (PAC) destiné à coordonner des flottes de robots évoluant en extérieur à grande échelle. Le cœur du système s'appuie sur un réseau de neurones sur graphe (GNN) qui propage l'information de robot en robot, saut par saut, à travers le réseau de la flotte, ce qui permet une collaboration globale alors que chaque unité ne perçoit et ne communique que localement. L'architecture est entièrement asynchrone : les quatre modules, perception, communication inter-robots, agrégation des messages et action, fonctionnent chacun à leur propre fréquence, les informations circulant entre eux via des mémoires tampons plutôt que via une horloge commune. Le système est implémenté sous forme de nœuds ROS2 hautement extensibles, conçus comme une infrastructure de base réutilisable pour des essaims robotiques déployables sur le terrain. Les auteurs le valident par des essais réels en extérieur avec jusqu'à 20 quadricoptères, et par des simulations construites à partir de données réelles impliquant jusqu'à 100 robots. Ce travail s'attaque à un problème central pour l'industrie robotique : la plupart des démonstrations d'essaims publiées reposent sur une coordination centralisée ou sur des simulations qui ne passent pas à l'échelle une fois confrontées aux contraintes réelles de perception bruitée, de communication intermittente et de latence sur le terrain. En montrant qu'une architecture purement décentralisée et asynchrone, sans horloge globale ni serveur central, conserve scalabilité, résilience et répétabilité jusqu'à plusieurs dizaines d'unités réelles et une centaine en simulation, les auteurs apportent un argument concret en faveur du contrôle multi-robot par apprentissage sur graphe. Pour les intégrateurs qui envisagent des déploiements en essaim de drones ou de robots terrestres (inspection d'infrastructures, agriculture de précision, surveillance de sites étendus), cela ouvre une voie technique crédible pour dépasser les limites classiques des systèmes swarm sans sacrifier la robustesse à l'échelle. Il faut toutefois noter que les essais réels restent limités à 20 robots, la barre des 100 unités n'ayant été franchie qu'en simulation, ce qui laisse ouverte la question du passage à l'échelle en conditions réelles. Cette publication s'inscrit dans la lignée des recherches sur le contrôle multi-agent décentralisé, un domaine qui cherche depuis plusieurs années à faire coopérer de grandes flottes de robots sans dépendre d'une infrastructure de communication centralisée, vulnérable en environnement extérieur ; elle constitue la troisième version d'un article initialement publié en 2023 sous la référence arXiv 2309.10164, intégrant vraisemblablement des résultats étendus par rapport à la version d'origine. Le champ concurrence plusieurs familles d'approches, des méthodes de consensus distribué classiques aux architectures d'apprentissage par renforcement multi-agent, le choix d'un GNN pour diffuser l'information de proche en proche constituant ici la spécificité des auteurs. Aucun partenariat industriel ni calendrier de déploiement commercial n'est mentionné : il s'agit d'une contribution de recherche académique, dont l'infrastructure ROS2 ouverte et extensible pourrait néanmoins servir de brique de base à des acteurs souhaitant construire des systèmes d'essaims opérationnels, pour des drones comme pour d'autres classes de robots mobiles.

RecherchePaper

1 source

3arXiv cs.RO

InstAgent : un système d'exploitation à base d'agents, à auto-amélioration récursive, pour la collaboration de robots hétérogènes

InstAgent est un système d'exploitation d'agents, présenté sur arXiv (2610.23098), qui vise à faire collaborer des équipes de robots hétérogènes, c'est-à-dire des machines aux capacités complémentaires en perception, mobilité et manipulation. Le système organise le comportement de l'équipe sous forme d'arbres de comportement (behavior trees, BT) dits agentiques. Ces arbres décrivent explicitement l'attribution des capacités, les dépendances entre robots et les contrôles de passation de tâche (handoff). Un mécanisme d'auto-amélioration récursive (RSI) met à jour ces programmes de collaboration à partir des retours d'exécution et conserve les révisions réussies pour les tâches suivantes. Une mémoire spatio-temporelle multimodale partagée fournit le contexte nécessaire à la planification et à la validation des passations. Les auteurs ont testé l'ensemble sur 20 tâches multi-robots réelles, avec trois modèles de haut niveau, et rapportent des gains constants en taux de réussite, en achèvement dès la première tentative et en efficacité d'exécution. Le résumé ne donne ni chiffres précis, ni liste des robots utilisés, ni identité des trois modèles. L'intérêt tient à trois verrous que les auteurs jugent mal traités par les systèmes existants : conserver les corrections faites pendant l'exécution comme expérience réutilisable, maintenir une mémoire de contexte fiable dans l'espace et le temps, et modéliser explicitement les dépendances entre robots. Pour un intégrateur, ce dernier point compte beaucoup. Dans un site mêlant AMR, bras fixes et robots mobiles manipulateurs, les échecs surviennent souvent aux interfaces, au moment où un robot remet un objet ou un état du monde à un autre. Traiter ces handoffs comme des conditions vérifiables dans un arbre de comportement, plutôt que comme des enchaînements implicites générés par un LLM, va dans le sens de la fiabilité exigée en production. Il faut toutefois rester prudent : 20 tâches de laboratoire restent un échantillon étroit, et sans taux absolus, sans détail sur les baselines ni sur la variété des plateformes, la portée industrielle reste à démontrer. Le choix de tester avec trois modèles suggère néanmoins que l'approche ne dépend pas d'un seul fournisseur. Ce travail s'inscrit dans la montée des architectures où des modèles de fondation servent de planificateur de haut niveau au-dessus de compétences de bas niveau, par opposition aux politiques VLA de bout en bout. Les arbres de comportement, standards de la robotique mobile et du jeu vidéo, offrent ici un cadre lisible et auditable, ce qui les distingue de la planification purement textuelle. L'idée d'amélioration récursive, où le système réécrit ses propres programmes à partir de l'expérience, rejoint les agents à bibliothèques de compétences apparus en environnement virtuel. À ce stade, il s'agit d'une préprint de recherche, sans produit, sans déploiement client ni calendrier annoncé. La suite logique sera la publication du code, de métriques détaillées et d'essais sur des flottes plus grandes et plus longues.

RecherchePaper

1 source

4arXiv cs.RO

MA-LIPP : planification coopérative de trajectoires informatives multi-agents sensible à la charge pour équipes de robots hétérogènes

Une équipe de recherche présente MA-LIPP (Multi-Agent Load-Aware Informative Path Planning), une méthode de planification de trajectoire pour des équipes hétérogènes de robots devant collecter des échantillons physiques sur le terrain et les ramener en laboratoire. Le système coordonne les robots via des "dead drops" asynchrones : un robot dépose des échantillons en un point que récupère, plus tard, un second robot, sans rendez-vous synchrone entre les deux. Les auteurs formalisent le problème comme un programme quadratique en variables mixtes-entières (MIQP) exact, complété par une heuristique de recherche à grand voisinage par paires (Pairwise Large-Neighborhood Search, LNS) pour les cas réels de plus grande taille. Sur des instances allant jusqu'à 12 robots, cette heuristique égale l'optimum exact dans 95,5% des cas certifiés et réduit la variance postérieure pondérée de 16,1 à 19,8% par rapport à une méthode séquentielle de référence. Le travail, publié sur arXiv (2609.21167), reste une contribution algorithmique validée en simulation, sans déploiement matériel annoncé. Le verrou que cible MA-LIPP est structurel en robotique de terrain : dans la planification informative sous contrainte de charge (LIPP) à robot unique, la même machine doit à la fois détecter les points d'intérêt et transporter tous les échantillons collectés, ce qui multiplie les retours au dépôt et limite fortement la zone couverte. Répartir les rôles entre robots précis dédiés à l'échantillonnage et robots à forte capacité dédiés au transport lève ce goulot d'étranglement, mais complexifie la coordination : il faut décider quand, où, quoi et à qui transférer la charge. Pour les intégrateurs de robotique de terrain, en surveillance environnementale, géologie ou inspection de sites dangereux, ce résultat indique qu'une coordination asynchrone bien formalisée peut accroître significativement la couverture spatiale sans synchronisation coûteuse entre robots, un argument en faveur des flottes hétérogènes plutôt que des robots généralistes isolés. Ce travail prolonge les recherches sur l'Informative Path Planning, qui guide un robot vers les emplacements maximisant l'information recueillie sur un champ inconnu comme une contamination ou une composition du sol, et ses variantes "load-aware" intégrant le coût croissant du transport à mesure que les échantillons s'accumulent. L'apport de MA-LIPP est d'étendre ce cadre au multi-robot en traitant les échanges asynchrones de charge comme des variables de décision à part entière plutôt que comme une contrainte annexe. Les deux méthodes proposées, le MIQP exact pour certifier l'optimalité sur des instances réduites et l'heuristique LNS pour passer à l'échelle, ouvrent la voie à une validation en conditions réelles, non détaillée dans l'abstract, qui devra probablement traiter l'autonomie énergétique et la tolérance aux pannes de robots en mission.

RecherchePaper

1 source