Optimisation par contact pour la planification de mouvements sans collision de un million de robots

Une équipe de chercheurs publie sur arXiv un algorithme de planification de trajectoires pour flottes de robots, baptisé SCI (sequential contact insertion), capable de calculer des trajectoires sans collision pour un million de robots en quelques minutes. Pour des flottes de plusieurs milliers d'unités, le calcul prend une fraction de seconde. Le problème traité est classique: chaque robot est modélisé par une dynamique de double intégrateur (les contrôleurs bas niveau gèrent la physique réelle à l'exécution), avec un objectif d'énergie minimale, des contraintes d'évitement de collision et des bornes sur la position, la vitesse et l'accélération. Sur les cas que la méthode de référence, une programmation convexe séquentielle (SCP) sur grille temporelle fixe, parvient à résoudre, SCI affiche des accélérations médianes de plusieurs ordres de grandeur à précision de solution équivalente. Il s'agit d'un résultat numérique de recherche, sans essai sur matériel ni déploiement annoncé.

La difficulté tient aux contraintes de séparation, qui couplent les trajectoires entre elles et rendent le problème non convexe. Les approches usuelles discrétisent et optimisent des trajectoires entières, ce qui devient très coûteux quand la flotte grossit. SCI exploite la structure des trajectoires optimales: celles-ci s'organisent autour de contacts, instants où deux robots atteignent la distance minimale autorisée. L'algorithme part de trajectoires sans contraintes, insère un contact à chaque violation de séparation, puis ajuste conjointement les temps et les états de ces contacts via un système algébrique couplé. Entre deux contacts, les trajectoires sont reconstruites analytiquement, sans discrétisation.

L'intérêt pour l'industrie est surtout le passage à l'échelle. Les spectacles de drones, la logistique d'entrepôt ou les opérations autonomes terrestres, aériennes et maritimes manquent d'outils centralisés capables de replanifier de très grandes flottes en temps quasi réel. Si les gains se confirment, un planificateur central redevient envisageable là où l'on contournait le problème par des méthodes décentralisées ou heuristiques, au prix d'optimalité. Des réserves s'imposent toutefois: la comparaison porte sur une seule méthode de référence et uniquement sur les problèmes que celle-ci sait traiter. Le modèle idéalisé (double intégrateur, communication parfaite, absence d'incertitude de perception) laisse ouvert l'écart avec des flottes réelles, où retards, perturbations et dynamiques non modélisées pèsent lourd. Aucune validation sur robots physiques n'est rapportée.

Ce travail s'inscrit dans la lignée de la planification multi-agents, où dominent l'optimisation convexe séquentielle, le MAPF discret et les approches par contrôle prédictif distribué. Il vise un point faible de ces familles: le coût qui croît avec la longueur des trajectoires et le nombre d'agents. La suite logique serait d'étendre la méthode à des dynamiques plus réalistes, à des environnements avec obstacles et à des tests sur matériel. À ce stade, c'est une préimpression non évaluée par les pairs.