Fonctions de barrière de contrôle sur graphe conditionnées par les capacités pour une navigation sûre sans apprentissage préalable d'équipes hétérogènes de robots mobiles

Des chercheurs proposent CC-HGCBF (Capability-Conditioned Heterogeneous Graph Control Barrier Function), une méthode de contrôle sécurisé décentralisé pour des flottes de robots mobiles hétérogènes, décrite dans un preprint arXiv (2610.41214v1). Elle vise à permettre le transfert « zero-shot » vers des modèles de robots jamais vus à l'entraînement. Le cadre définit la sécurité dans un espace opérationnel commun, un point de référence du second ordre, ce qui donne une représentation géométrique partagée entre robots tout en conservant leur dynamique propre et leurs limites de commande admissibles. Sa pièce centrale est le Radial Capability Field (RCF), une représentation compacte, de dimension fixe, de l'ensemble des vitesses atteignables par chaque robot sur un horizon fini, selon son état. La barrière de sécurité partagée et la politique décentralisée sont conditionnées par ce champ, et non par une identité de robot prédéfinie. L'entraînement conjoint repose sur un étiquetage proactif de la sécurité et une supervision par CBF-QP neuronal. Les tests portent sur des équipes mixtes de modèles connus et inconnus, puis sur des robots physiques, sans réentraînement.

L'enjeu est pratique pour les intégrateurs de flottes mixtes, par exemple des AMR différentiels, des plateformes omnidirectionnelles et des véhicules à cinématique contrainte, qui cohabitent dans un même entrepôt. Les méthodes GCBF existantes supposent souvent une dynamique homogène. Celles qui encodent la classe du robot distinguent les types connus, mais elles ne modélisent pas les capacités de mouvement qui dépendent de l'état et elles généralisent mal aux nouveaux modèles. Décrire un robot par ce qu'il peut faire à un instant donné, plutôt que par ce qu'il est, permettrait d'intégrer un nouveau modèle ou une variante aux limites de commande modifiées sans nouvelle phase d'entraînement ni requalification complète. Le résumé reste toutefois qualitatif, sans taux de collision, nombre de robots, vitesses ni comparaison chiffrée. L'ampleur des essais physiques (nombre de modèles, densité du trafic) n'est pas précisée, et les garanties de sécurité d'une barrière apprise restent empiriques, pas formelles.

Ce travail prolonge la ligne GCBF, qui a fait de la sécurité multi-robot décentralisée un problème d'apprentissage sur graphe, avec des barrières neuronales apprises et des contrôleurs de type CBF-QP. Sa limite historique était l'hypothèse d'homogénéité. Les approches par identité de classe ou de modèle ont ensuite traité l'hétérogénéité, mais seulement sur des types vus à l'entraînement. Le preprint arrive à un moment où les flottes mixtes se banalisent en logistique et en industrie. Il s'agit d'une contribution de recherche, sans produit ni pilote annoncé. La suite logique serait une validation à plus grande échelle, avec davantage de robots, des environnements dynamiques et la prise en compte du bruit de perception, puis une comparaison avec les méthodes de planification et de coordination utilisées dans les gestionnaires de flotte industriels.