Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Coordination des tâches et exécution de trajectoires par démonstrations few-shot pour systèmes multi-robots
RecherchearXiv cs.RO 

Coordination des tâches et exécution de trajectoires par démonstrations few-shot pour systèmes multi-robots

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

Des chercheurs proposent DDACE (Demonstration-Driven Action Coordination and Execution), un cadre d'apprentissage capable de coordonner plusieurs robots a partir d'un très petit nombre de démonstrations seulement, selon un article publie sur arXiv (version révisée, v2). Le problème cible est connu dans la robotique multi-agents : apprendre a la fois quand chaque robot doit agir (dépendances temporelles entre taches) et comment il doit se déplacer (trajectoire spatiale) devient instable des que les données sont rares, car les deux aspects sont habituellement appris ensemble par des modèles bout-en-bout. DDACE sépare explicitement ces deux problèmes. Les démonstrations sont d'abord traitées par clustering spectral pour en extraire la structure de coordination et construire des graphes d'interaction entre robots. Un Temporal Graph Network se charge ensuite de prédire les dépendances d'actions et leur séquencement, pendant que des modèles de processus gaussiens génèrent les trajectoires géométriques, paramétrées par la progression de la tache et capables de s'adapter a de nouvelles configurations de départ et d'arrivée. Les auteurs rapportent des tests en simulation ainsi que des expériences sur robots réels, avec une meilleure stabilité et une meilleure cohérence des trajectoires que des approches d'imitation bout-en-bout classiques en régime de données limitées.

L'enjeu dépasse l'exercice académique : la coordination multi-robots a partir de peu d'exemples est un frein concret au déploiement de cellules industrielles collaboratives ou de flottes d'AMR, ou collecter des milliers de démonstrations par scenario reste couteux. En introduisant un biais structurel plutôt qu'un apprentissage purement bout-en-bout, DDACE questionne l'hypothèse dominante selon laquelle les architectures end-to-end massives suffisent a généraliser en data-scarce régime, une piste distincte de la tendance actuelle centrée sur les gros modèles VLA mono-robot type Pi-0 ou GR00T N2.

Le papier s'inscrit dans une littérature qui cherche des alternatives modulaires a l'imitation pure, combinant clustering, graphes temporels et processus gaussiens plutôt qu'un unique réseau de bout en bout. Il s'agit a ce stade d'une publication de recherche avec validations simulées et réelles limitées, sans indication de partenaire industriel ni de calendrier de transfert vers un produit ; le matériel complémentaire est disponible sur le site du projet associe.

Dans nos dossiers

NVIDIA GR00TarXiv cs.RO

À lire aussi

Résumé technique : estimation asynchrone et distribuée de trajectoires pour systèmes multi-robots
1arXiv cs.RO 

Résumé technique : estimation asynchrone et distribuée de trajectoires pour systèmes multi-robots

Un rapport technique publié le 1er juillet sur arXiv (2607.01106) présente un nouvel algorithme de descente par coordonnées par blocs pour l'estimation distribuée de trajectoires dans les systèmes multi-robots. Le scénario type: une équipe d'agents (capteurs ou robots observateurs) suit collectivement l'état d'une flotte de robots sur une fenêtre glissante, en résolvant une approximation du problème d'estimation par maximum a posteriori (MAP). Les auteurs démontrent que cette approximation introduit une erreur négligeable tout en supprimant jusqu'à 96,9% des communications nécessaires entre agents, un gain obtenu en tolérant l'asynchronie des échanges et des calculs plutôt qu'en imposant une synchronisation stricte. Ils prouvent aussi une convergence exponentielle des estimations vers la solution optimale. En simulation, la méthode réduit l'erreur jusqu'à 64% par rapport à un algorithme distribué de référence, et des essais sur robots mobiles réels montrent une robustesse à des délais de communication variant sur trois ordres de grandeur. L'enjeu dépasse la simple prouesse mathématique: la plupart des algorithmes d'estimation distribuée publiés jusqu'ici supposent des communications synchrones entre agents, une hypothèse rarement vérifiée sur le terrain où le réseau, les pannes de capteurs ou la charge de calcul introduisent des délais imprévisibles. Un algorithme qui reste stable et précis malgré l'asynchronie et qui divise drastiquement le trafic réseau ouvre la voie à des flottes de robots ou de drones plus nombreuses, moins dépendantes d'une infrastructure de communication fiable et moins gourmandes en bande passante, un critère clé pour les applications d'inspection, de logistique en essaim ou de surveillance multi-capteurs où le lien radio est instable. Ce travail s'inscrit dans la lignée des recherches sur l'estimation collaborative d'état (SLAM multi-robots, fusion de capteurs distribuée) qui cherchent depuis plusieurs années à décentraliser les calculs pour éviter un serveur central unique, point de défaillance critique. Il s'agit ici d'un rapport technique déposé en preprint, non encore validé par relecture par les pairs ni testé à grande échelle industrielle: les expériences citées restent limitées à des robots mobiles en laboratoire. Les prochaines étapes attendues concernent le passage à l'échelle sur des flottes plus importantes et l'intégration dans des piles logicielles de navigation multi-robots existantes.

RecherchePaper
1 source
Robots multiples : navigation socialement cohérente via planification découplée et coordination des trajectoires
2arXiv 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
Robots comme tokens : un transformeur de diffusion unifié pour la génération de trajectoires multi-robots coordonnées
3arXiv cs.RO 

Robots comme tokens : un transformeur de diffusion unifié pour la génération de trajectoires multi-robots coordonnées

Des chercheurs ont publié sur arXiv (2606.15550) Roken, pour "Robots as Tokens", un transformeur de diffusion unifié capable de générer simultanément des trajectoires coordonnées pour plusieurs robots mobiles. Contrairement aux approches dominantes, qui soit se limitent à la planification monorobot, soit enchaînent les trajectoires de façon séquentielle avant d'appliquer des post-traitements itératifs pour résoudre les conflits inter-robots, Roken produit l'ensemble des trajectoires en une seule passe feed-forward. Chaque robot est représenté comme un token discret dans le modèle, ce qui lui permet d'interagir naturellement avec les autres via la self-attention, et de se référer aux tokens de carte pour percevoir l'environnement par cross-attention. Des tâches auxiliaires fondées sur le théorème de Bayes fournissent une supervision spatio-temporelle multi-échelle pour apprendre la distribution conditionnelle. À l'inférence, le modèle supporte indifféremment la planification monorobot, la génération coordonnée multi-robot et la génération conditionnelle (en fixant certains tokens comme conditions). Les expériences, menées en simulation dans des environnements encombrés variés, montrent des taux de succès élevés sur des tâches de navigation avec contraintes de connectivité, dépassant le planificateur classique qui avait servi à générer les données d'entraînement. L'intérêt principal de Roken réside dans sa scalabilité et sa généralisation : le modèle est entraîné sur des équipes de tailles mixtes et se généralise à des équipes et des environnements non vus lors de l'entraînement, y compris en observation partielle. Pour les intégrateurs de flottes AMR ou les systèmes multi-agents en entrepôt, cette capacité à planifier pour N robots sans replanification itérative représente un gain de latence significatif. Que le modèle surpasse son propre générateur de données d'entraînement est notable, mais il faut souligner que toutes les expériences sont en simulation ; le transfert sim-to-real reste non démontré, ce qui est le verrou habituel pour ce type d'approche. Ce travail s'inscrit dans une vague de recherche qui transpose les succès des modèles génératifs (diffusion, transformeurs) du langage et de la vision vers la planification robotique. Des travaux comme Pi-0 (Physical Intelligence) ou GR00T N2 (NVIDIA) explorent des architectures similaires pour le contrôle mono-robot, mais la coordination multi-agents via des tokens partagés reste un territoire peu défriché. Roken propose une formalisation élégante du problème, mais son évaluation reste entièrement simulée à ce stade. Les prochaines étapes naturelles seraient une validation sur robots réels et une comparaison avec des planificateurs multi-agents classiques comme CBS (Conflict-Based Search) sur des métriques standardisées.

RecherchePaper
1 source
Trajectoires de navigation apprises par graphes pour robots sociaux
4arXiv cs.RO 

Trajectoires de navigation apprises par graphes pour robots sociaux

Des chercheurs proposent un nouveau framework d'apprentissage par imitation pour la navigation robotique en environnement social, décrit dans un article publié sur arXiv (2607.00028v1). L'approche combine deux briques : un réseau auxiliaire basé sur des graphes qui encode l'état de la foule en modélisant les interactions entre le robot et chaque piéton via un mécanisme d'attention, et un module de navigation qui capture la dynamique temporelle des trajectoires. Ce module intègre des prédictions d'état encodées et s'appuie sur un objectif d'apprentissage au niveau de la trajectoire complète, plutôt qu'étape par étape, pour limiter l'accumulation d'erreurs typique des méthodes d'imitation classiques. Les auteurs indiquent que leur framework surpasse les référentiels existants à la fois en simulation et sur un jeu de données réel, selon plusieurs métriques sociales (respect de l'espace personnel, fluidité des trajectoires, réactivité aux mouvements piétons). L'enjeu pour l'industrie de la robotique mobile autonome est concret : les robots de livraison, d'accueil ou d'assistance déployés en environnement humain doivent naviguer sans perturber les piétons, un problème encore mal résolu. Les méthodes par apprentissage par renforcement exigent des fonctions de récompense conçues à la main, qui réduisent le comportement social à des critères statiques et peinent à reproduire les nuances du comportement piéton réel. À l'inverse, l'apprentissage par imitation pur entraîne directement sur des données réelles mais ignore généralement la dimension interactionnelle et souffre de dérive cumulative des erreurs sur des trajectoires longues. En combinant représentation par graphe et objectif temporel, ce travail cherche à réconcilier fidélité aux données réelles et modélisation explicite des interactions sociales. Ce travail s'inscrit dans une littérature de recherche active sur la navigation socialement compliante, où RL et IL sont traditionnellement opposés faute de méthode combinant leurs forces respectives. Il s'agit d'un article de recherche déposé sur arXiv, sans mention d'implémentation industrielle, de partenaire ou de calendrier de déploiement : la validation reste limitée à des benchmarks de simulation et un jeu de données réel, sans démonstration sur robot physique en conditions opérationnelles.

RecherchePaper
1 source