Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Coordination multi-robots adaptative et ouverte à travers des environnements, partenaires et échelles inédits
RecherchearXiv cs.RO 

Coordination multi-robots adaptative et ouverte à travers des environnements, partenaires et échelles inédits

1 source couvre ce sujet·Source originale ↗·
Résumé IASource uniqueImpact UE

Une équipe de recherche publie sur arXiv (2607.04972v1) un nouveau cadre nommé HOLA, pour Hypergraphic Open-ended Learning Algorithm, destiné à coordonner des équipes de robots capables de s'adapter simultanément à des environnements inconnus, des partenaires inconnus et des tailles d'équipe variables. Contrairement aux approches classiques qui supposent une composition d'équipe fixe (le "closed-world assumption"), les chercheurs modélisent la coopération via un jeu sous forme hypergraphique, une construction théorique des jeux qui capture les relations coopératives à l'échelle de l'équipe entière plutôt que seulement des interactions par paires, à la différence des architectures de réseaux de neurones sur graphes. L'algorithme HOLA entraîne les agents en élargissant progressivement la diversité des partenaires et des environnements plutôt qu'en optimisant pour une configuration figée. Testé sur des tâches de poursuite coopérative, le système a été validé sur des essaims multi-drones et multi-quadrupèdes, avec des déploiements réels sur les plateformes Crazyflie (drones du fabricant suédois Bitcraze) et Zsibot L1 (quadrupèdes), sans réglage fin supplémentaire lors du transfert du simulateur au matériel physique.

Ce résultat compte pour l'industrie de la robotique en essaim et multi-agents parce qu'il attaque de front un angle mort connu du secteur: la plupart des systèmes multi-robots démontrés en recherche restent calibrés pour une équipe et un environnement fixés à l'avance, ce qui limite leur usage en conditions réelles où les partenaires, leur nombre et le terrain changent en permanence. Un transfert sim-to-réel direct et sans fine-tuning, s'il se confirme à plus grande échelle, réduit un coût d'ingénierie important pour les intégrateurs qui déploient des flottes hétérogènes de drones ou de robots à pattes.

Le travail s'inscrit dans la lignée de l'apprentissage par renforcement multi-agents et des méthodes d'apprentissage "open-ended" par diversification progressive des adversaires et partenaires, popularisées notamment dans les jeux de population type league training. Les auteurs annoncent avoir surpassé toutes les méthodes de référence sur les trois axes d'adaptabilité testés (environnement, partenaires, échelle), ouvrant la voie à des essais sur des flottes plus larges et des plateformes robotiques supplémentaires.

Impact France/UE

Le système est validé sur les drones Crazyflie du fabricant suédois Bitcraze, une plateforme robotique européenne utilisée pour ces travaux de recherche avancée en coordination multi-agents.

Dans nos dossiers

arXiv cs.RO

À lire aussi

Diffusion pour la planification de trajectoires multi-robots à long horizon dans des environnements partagés avec des humains
1arXiv cs.RO 

Diffusion pour la planification de trajectoires multi-robots à long horizon dans des environnements partagés avec des humains

Des chercheurs publient sur arXiv (référence 2607.09911, soumis le 14 juillet 2026) un nouveau framework baptisé Multi-Robot Rolling Diffusion (MRRD), conçu pour la planification de trajectoires de flottes de robots évoluant dans des environnements partagés avec des humains, comme des foules denses. Le système combine trois mécanismes : un schéma à horizon glissant qui s'adapte à la fenêtre de prédiction limitée du mouvement humain, une inférence par diffusion parallélisée capable de générer des trajectoires réalistes à grande échelle, et une recherche basée sur la résolution de conflits pour éviter les collisions entre robots. MRRD intègre aussi un conditionnement temporel dit "d'urgence", permettant de produire des trajectoires à vitesse variable, ainsi que des termes de guidage différenciés pour équilibrer prudence sociale autour des humains et coordination efficace entre robots. Dans les tests menés en environnement encombré, le framework passe à l'échelle jusqu'à 15 robots en temps réel, avec des taux de sécurité et de réussite de mission supérieurs aux méthodes de référence existantes. L'enjeu dépasse la simple prouesse technique : les modèles de diffusion produisent des trajectoires réputées pour leur fluidité et leur ressemblance au comportement humain, mais souffraient jusqu'ici d'une limite structurelle, une durée de trajectoire fixe et une latence de calcul trop élevée pour un déploiement temps réel. En résolvant ce compromis, MRRD s'attaque directement à l'un des points de friction qui freinaient l'adoption de la génération par diffusion dans la robotique de flotte, un domaine où AMR (robots mobiles autonomes) et humains doivent cohabiter en entrepôt, en usine ou en espace public. Pour les intégrateurs qui déploient des flottes en environnement partagé, ce type d'avancée conditionne directement la capacité à faire cohabiter davantage de robots sans dégrader la sécurité perçue par les opérateurs humains. Le travail s'inscrit dans une lignée de recherche active sur la planification de trajectoires multi-robots, où les approches classiques (basées sur l'optimisation ou le graphe) peinent à modéliser des comportements socialement acceptables face à des humains imprévisibles. Les auteurs ne précisent pas d'affiliation industrielle ni de partenaire de déploiement dans le résumé ; il s'agit à ce stade d'un résultat de recherche évalué en simulation, dont la prochaine étape logique serait une validation sur robots physiques en conditions réelles.

RecherchePaper
1 source
Estimation de traversabilité auto-supervisée et agnostique au robot pour des environnements ouverts
2arXiv cs.RO 

Estimation de traversabilité auto-supervisée et agnostique au robot pour des environnements ouverts

Une équipe de chercheurs présente COTRATE (Continuous Online TRAversability EsTimation), un framework d'apprentissage en ligne pour l'estimation de traversabilité des terrains par des robots mobiles, publié sur arXiv en mai 2026 (arXiv:2605.28442). Le système apprend de façon auto-supervisée à partir de données non étiquetées collectées par le robot en temps réel. COTRATE fonctionne en deux étapes : un module d'évaluation du terrain exploitant les signaux proprioceptifs et inertiels génère des scores de traversabilité robustes, qui supervisent ensuite un réseau de traversabilité visuelle via une fonction de perte par alignement (alignment loss). Pour limiter l'oubli catastrophique propre à l'apprentissage continu, les auteurs proposent une stratégie de sélection de features basée sur la diversité, s'appuyant sur une mémoire de relecture compacte. Le système a été évalué sur un dataset d'environ 50 000 images collectées avec deux plateformes robotiques sur 11 types de terrains extérieurs, et benchmarké sur des tâches de navigation dans trois environnements extérieurs représentatifs. Le code, le dataset et les modèles pré-entraînés sont disponibles publiquement. La traversabilité est un problème central pour les robots mobiles opérant en environnement non structuré : savoir si un sol est praticable, à quelle vitesse et avec quel risque de chute ou de blocage conditionne directement la sécurité et l'efficacité des missions. Les approches existantes butaient sur un double écueil : soit elles reposaient sur des scores proprioceptifs artisanaux, spécifiques à une plateforme et donc non transférables, soit elles pré-calculaient des clusters sur des données antérieures sans possibilité d'adaptation en ligne. COTRATE lève les deux limitations simultanément : il est robot-agnostic, avec un transfert de connaissances démontré entre plateformes à cinématiques différentes, et il apprend en continu sans coût mémoire ou calcul prohibitif, rendant le déploiement embarqué crédible. C'est un signal pertinent pour les intégrateurs de robots extérieurs dans l'agriculture, l'inspection d'infrastructure ou la défense, secteurs où les conditions terrain varient et où annoter des données à la main reste hors de portée à l'échelle. L'estimation de traversabilité auto-supervisée est un champ actif depuis plusieurs années, porté notamment par des laboratoires travaillant sur les robots quadrupèdes comme ANYmal (ANYbotics) ou Spot (Boston Dynamics) ainsi que sur les UGV de type Clearpath Robotics. Les méthodes antérieures les plus citées dans ce domaine, dont certaines issues d'ETH Zurich ou de CMU, reposaient généralement sur des données pré-collectées ou des heuristiques proprioceptives figées. COTRATE se positionne comme une solution plus générale, bien que la publication soit à ce stade un preprint arXiv sans validation en peer review et qu'aucun partenaire industriel ni déploiement terrain en production ne soit mentionné. Les étapes naturelles seraient une validation sur des plateformes commerciales en conditions réelles prolongées et une intégration dans des stacks de navigation open-source comme Nav2 ou le framework Elevation Mapping de la communauté ETH.

UEImpact indirect via la communauté de recherche européenne (ETH Zurich cité comme référence clé) et pertinence pour les intégrateurs EU en agriculture et inspection d'infrastructure, mais aucun acteur français ni déploiement européen mentionné.

RecherchePaper
1 source
Robots multiples : navigation socialement cohérente via planification découplée et coordination des trajectoires
3arXiv cs.RO 

Robots multiples : navigation socialement cohérente via planification découplée et coordination des trajectoires

Article : Une équipe de recherche présente un système de navigation multi-robots visant à rendre les déplacements en environnement humain non seulement sûrs et efficaces, mais aussi prévisibles et conformes aux conventions sociales, un facteur clé pour l'acceptation par les usagers. Le framework proposé est partiellement décentralisé et découple la planification globale de trajectoire de la coordination fine entre robots. La première brique est une version modifiée de l'algorithme A* qui intègre directement des normes sociales macroscopiques dans sa fonction de coût, poussant chaque robot à emprunter des chemins jugés socialement acceptables plutôt que purement optimaux en distance. Ces trajectoires planifiées sont ensuite partagées entre les robots de la flotte pour construire collectivement un graphe social des itinéraires établis, ce qui renforce la cohérence des chemins choisis dans le temps et réduit l'effort de planification pour les déplacements futurs. Sur cette base, la coordination des trajectoires entre robots est formulée comme un programme convexe en variables mixtes-entières, permettant de calculer efficacement des trajectoires sans collision, avec une capacité annoncée à bien passer à l'échelle sur de grandes flottes et à supporter l'attribution dynamique de tâches. Pour l'industrie de la robotique mobile et les intégrateurs de flottes d'AMR (robots mobiles autonomes) en entrepôt, magasin ou hôpital, ce travail s'attaque à un angle mort courant des architectures actuelles : la plupart des planificateurs "human-aware" opèrent à court terme et reportent tout le poids de la cohérence comportementale sur le planificateur local, ce qui produit des trajectoires réactives, changeantes d'un passage à l'autre, et donc imprévisibles pour les humains qui partagent l'espace. En déplaçant la contrainte sociale au niveau de la planification globale, l'approche promet des comportements de flotte plus stables et lisibles dans la durée, un argument qui pèse directement sur le confort perçu et l'acceptabilité des déploiements en environnements partagés à forte densité humaine. Elle illustre aussi une tendance de fond du secteur : traiter la coordination multi-robots non plus comme un problème purement combinatoire de sans-collision, mais comme un problème conjoint d'optimisation technique et de normes sociales. Le papier s'inscrit dans la lignée des travaux sur la navigation "human-aware", qui cherchent depuis plusieurs années à dépasser les planificateurs purement géométriques hérités de la robotique classique. La nouveauté ici est la séparation explicite entre planification de chemin socialement contrainte et coordination de trajectoire par optimisation convexe, une architecture partiellement décentralisée pensée pour scaler sur des flottes de taille importante. Le texte, publié sur arXiv, ne précise pas de déploiement industriel réel ni de partenaire commercial identifié à ce stade ; il s'agit d'une contribution de recherche dont les résultats sont validés en simulation ou en conditions contrôlées selon les standards habituels de ce type de publication, avant d'éventuels essais sur plateformes réelles.

RecherchePaper
1 source
DeReCo : découpler l'apprentissage de la représentation et de la coordination pour le transport coopératif décentralisé multi-robots adaptatif à l'objet
4arXiv cs.RO 

DeReCo : découpler l'apprentissage de la représentation et de la coordination pour le transport coopératif décentralisé multi-robots adaptatif à l'objet

Une revue académique (pas d'annonce produit ni de déploiement commercial), donc j'adapte le cadre en conséquence. Des chercheurs présentent DeReCo (Decoupling Representation and Coordination learning), un nouveau framework d'apprentissage par renforcement multi-agent (MARL) pour le transport coopératif décentralisé d'objets par plusieurs robots. Le problème ciblé : généraliser cette coopération à des objets de formes et de propriétés physiques très variées, sous exécution décentralisée, où chaque robot ne dispose que d'observations partielles. L'approche classique optimise conjointement, de bout en bout, la représentation de l'objet et la politique de coordination en randomisant formes et propriétés durant l'entraînement, une méthode coûteuse en échantillons car les erreurs de représentation, dues à l'observabilité partielle, déstabilisent l'apprentissage de la coordination, tandis que la non-stationnarité propre au MARL dégrade en retour la qualité des représentations. DeReCo découple les deux tâches via un entraînement en trois étapes : apprentissage centralisé de la coordination avec accès à des informations privilégiées sur l'objet, reconstruction des représentations dépendantes de l'objet à partir des observations locales seules, puis retrait progressif de ces informations privilégiées pour aboutir à une exécution totalement décentralisée. En simulation, DeReCo dépasse les méthodes de référence sur trois objets d'entraînement, se généralise à six objets inédits présentant des masses et coefficients de friction différents, et obtient de meilleurs résultats que les baselines sur deux objets inédits testés en conditions réelles avec de vrais robots. Pour l'industrie robotique, ce travail s'attaque à un verrou concret : la manipulation coopérative multi-robots reste aujourd'hui largement cantonnée à des objets connus à l'avance ou à des scénarios d'entraînement peu variés, ce qui limite son déploiement en logistique, en entrepôt ou sur chantier, où les charges à déplacer diffèrent sans cesse en poids, en forme et en friction. En démontrant qu'un découplage architectural, plutôt qu'un entraînement bout en bout monolithique, améliore à la fois l'efficacité d'apprentissage et la généralisation à des objets jamais vus, DeReCo apporte une piste méthodologique réutilisable au-delà du transport d'objets, pour tout système multi-agent décentralisé confronté à des tâches non stationnaires. Le test sur robots réels, même limité à deux objets inédits, est le point le plus significatif : il confirme que les gains obtenus en simulation ne s'évaporent pas au passage au monde réel, un écart (sim-to-real gap) qui reste l'un des principaux points de friction du secteur. Ce papier, disponible sur arXiv sous une version révisée (2603.08111v2), s'inscrit dans un courant de recherche plus large sur l'apprentissage par renforcement multi-agent appliqué à la robotique coopérative, où la difficulté majeure reste de faire coexister observabilité partielle, communication limitée entre agents et diversité des tâches. La stratégie en trois étapes de DeReCo, avec informations privilégiées en phase d'entraînement puis retrait progressif, rappelle les techniques de type teacher-student déjà utilisées en locomotion de robots quadrupèdes et humanoïdes pour combler l'écart entre simulation et déploiement réel. Les auteurs limitent pour l'instant leurs validations réelles à un nombre restreint d'objets et ne précisent pas le nombre de robots impliqués ni le matériel utilisé, ce qui laisse ouverte la question du passage à l'échelle vers des flottes plus larges ou des objets de très grande taille, typiques des usages industriels visés à terme.

RecherchePaper
1 source