RecherchearXiv cs.RO 20 juillet 2026

Exploration collaborative économe en énergie pour une équipe UAV-UGV

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Une équipe de chercheurs présente un cadre de coordination énergétique pour l'exploration collaborative d'environnements inconnus par un duo drone (UAV) et robot terrestre (UGV). La contrainte de vol du drone est modélisée comme une autonomie de vol maximale : le drone effectue une série de tournées d'exploration bornées en énergie, pendant que le robot au sol explore lui aussi le terrain et sert simultanément de station de recharge mobile. Un mécanisme de rendez-vous sous budget de temps partagé garantit que les deux véhicules se retrouvent à la fin de chaque tournée, avant que le drone n'atteigne sa limite d'autonomie. Pour planifier les trajets, les auteurs construisent une carte de routes air-sol faiblement couplée via un PRM (probabilistic roadmap) stratifié et sensible à la densité de l'environnement, puis formulent la sélection des tournées comme des problèmes d'orienteering couplés, visant à maximiser le gain d'information tout en respectant la contrainte de rendez-vous. Les trajets générés passent uniquement par des arêtes de la carte validées pour éviter les collisions. La méthode a été testée en simulation, comparée à des approches de référence, et validée par des expériences réelles. Le papier, publié sur arXiv (2603.22507), est une version révisée d'un travail antérieur.

Cette approche s'attaque à un verrou classique de l'exploration robotique autonome : l'autonomie limitée des drones, qui restreint la portée et la durée des missions de cartographie ou de recherche en zone inconnue. En couplant la rapidité et le point de vue aérien du drone à l'endurance du robot terrestre faisant office de station de charge mobile, le système vise à prolonger les missions sans intervention humaine, un enjeu clé pour la recherche et sauvetage, l'inspection d'infrastructures ou la surveillance en environnement GPS-dénié. La formulation en problème d'orienteering couplé, plutôt qu'en simple planification indépendante de chaque véhicule, permet d'arbitrer explicitement entre gain d'information et contrainte de rendez-vous énergétique, un compromis rarement traité de façon aussi intégrée dans la littérature sur les équipes hétérogènes air-sol.

Les systèmes multi-robots air-sol combinant PRM et théorie des graphes pour la planification de trajectoire existent depuis plusieurs années, mais la plupart traitent la gestion énergétique et la coordination de rendez-vous séparément, ou supposent une recharge illimitée. Ce travail se distingue en couplant explicitement roadmap, contrainte énergétique et logique de rendez-vous dans une seule formulation d'optimisation, et en la validant au-delà de la simulation par des essais matériels réels, une étape que beaucoup d'approches académiques similaires ne franchissent pas. Les suites naturelles concernent le passage à l'échelle vers des flottes de plusieurs drones et robots terrestres, ainsi que la robustesse face à des environnements dynamiques ou partiellement cartographiés.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Coordination par relais pour la collecte et livraison multi-robots économe en énergie

Une équipe de chercheurs a publié sur arXiv (identifiant 2509.14127, version 2, septembre 2025) un cadre de planification baptisé VCST-RCP (Voronoi-Constrained Steiner Tree Relay Coordination Planning), conçu pour coordonner des flottes homogènes de robots mobiles dans des missions de livraison multi-colis depuis un dépôt unique vers des destinations dispersées. L'algorithme opère en deux phases: la construction d'un réseau de relais sparse combinant des interfaces d'échange dérivées de diagrammes de Voronoï à une optimisation par arbre de Steiner, puis la génération des plannings de collecte, relais et livraison sous contraintes de capacité de charge et de temps de service. Sur des expériences menées à plusieurs échelles, VCST-RCP réduit la distance totale parcourue par la flotte de 31% en moyenne, avec des pics proches de 50%, par rapport à l'algorithme d'affectation Hungarian assignment, et surpasse significativement OR-Tools CVRP, le solveur de référence de Google. La significativité statistique est établie à p inférieur à 10^-3, et le gain d'efficacité de livraison, mesuré en colis par kilomètre parcouru, dépasse 50%. Ces résultats intéressent directement les opérateurs de flottes AMR (robots mobiles autonomes) en intralogistique et en livraison de dernier kilomètre, où la distance parcourue est directement corrélée au coût énergétique et à l'usure matérielle. L'étude d'ablation incluse dans les travaux est particulièrement instructive: elle démontre que l'optimisation du placement des points de relais génère des gains substantiellement supérieurs à ceux obtenus par simple repartitionnement spatial, établissant le design des relais comme levier dominant de la performance système. Cela remet en question l'hypothèse implicite répandue chez les intégrateurs, selon laquelle le transport direct source-destination constitue la référence optimale par défaut. La scalabilité démontrée à différentes tailles de flotte est un argument supplémentaire pour une adoption industrielle. Le problème MRPD (Multi-Robot Pickup and Delivery) est un classique de l'optimisation combinatoire en robotique, mais les architectures relay-based à grande échelle restent peu explorées. Hungarian assignment et OR-Tools CVRP, les deux références battues dans cette étude, sont précisément les solveurs utilisés par les éditeurs de WMS et les intégrateurs de flottes dans des environnements comme ceux d'Exotec (Roubaix), 6 River Systems ou Locus Robotics. Ce travail reste cependant un preprint arXiv, sans validation sur plateforme réelle annoncée: les gains en simulation sont solides, mais la transition sim-to-real, notamment face à la congestion dynamique et aux pannes robot en cours de mission, reste à prouver. Les extensions naturelles incluent des flottes hétérogènes et des dépôts multiples.

UEL'algorithme VCST-RCP, s'il est validé en environnement réel, pourrait réduire de ~30% les coûts énergétiques des flottes AMR d'acteurs européens comme Exotec (Roubaix) qui utilisent actuellement Hungarian assignment ou OR-Tools CVRP comme solveurs de référence.

RecherchePaper

1 source

2arXiv cs.RO

Planification robuste et évolutive UAV-UGV pour la surveillance aérienne sous contraintes d'énergie et de précédence

Une équipe de chercheurs propose un algorithme de planification pour des missions de surveillance aérienne confiées à plusieurs binômes composés chacun d'un drone (UAV) et d'un robot terrestre (UGV). Le drone doit visiter une série de points de surveillance dans un ordre imposé, tandis que le robot terrestre joue deux rôles : station de recharge mobile et vecteur de transport, puisqu'il emmène le drone d'une tournée aérienne à la suivante. L'autonomie du drone est modélisée par son endurance, c'est-à-dire la durée maximale de vol sur batterie pleine. À partir des positions initiales et finales des équipes, l'objectif est de minimiser le temps total de mission tout en respectant les limites énergétiques, l'ordre de visite requis et des perturbations bornées sur les temps de trajet en cours d'exécution. Les auteurs annoncent un algorithme en temps polynomial, des garanties de faisabilité, une analyse de complexité et des comparaisons numériques. Le travail est publié sur arXiv (2610.12670v1) et aucun chiffre de performance n'est donné dans le résumé. L'intérêt tient à la combinaison de trois contraintes rarement traitées ensemble : l'énergie, la précédence et la robustesse aux aléas. Beaucoup de planificateurs multi-robots supposent des temps de trajet exacts ou ignorent les relations d'ordre entre tâches. Or les inspections d'infrastructures, les patrouilles de sites industriels ou les relevés agricoles imposent souvent des séquences : contrôler d'abord un équipement, puis le suivant. La garantie de faisabilité sous perturbations bornées est un argument pour un opérateur, car elle évite qu'un retard de quelques minutes invalide le plan. Autre nouveauté revendiquée : le plan détermine conjointement les itinéraires et leur calendrier, ce qui autorise les équipes à ralentir volontairement pour respecter l'ordre. Le problème de fond étant NP-difficile, la solution est une heuristique à garanties de faisabilité, pas un optimum. On ne sait pas non plus, à ce stade, quel écart avec l'optimal ni quelle taille d'instance les tests couvrent, et il s'agit de résultats numériques, sans essai sur matériel réel. Ce travail prolonge la littérature sur les systèmes coopératifs drone-véhicule terrestre, héritière des problèmes de type « flying sidekick » et de tournées de véhicules avec stations de recharge mobiles. Les travaux antérieurs fixaient généralement les itinéraires avant de calculer les horaires, ou ne tenaient pas compte de l'ordre imposé des points. Le texte ne cite ni partenaire industriel, ni produit, ni calendrier de déploiement, ni acteur européen : il relève de la recherche académique en amont, utile surtout aux intégrateurs qui conçoivent des logiciels d'orchestration de flottes hétérogènes. Les prochaines étapes naturelles seraient la validation en conditions réelles, la prise en compte de vents et d'obstacles, et la comparaison avec des solveurs exacts sur des instances de grande taille.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

3arXiv cs.RO

DF-ExpEnse : exploration filtrée par diffusion pour un affinage économe en données

Des chercheurs présentent DF-ExpEnse, une méthode d'exploration publiée en juin 2026 sur arXiv (preprint 2606.19656) qui vise à améliorer l'efficacité en termes d'échantillons lors du fine-tuning de politiques de contrôle génératives pré-entraînées. La technique s'appuie sur les capacités de modélisation multimodale de la politique générative, typiquement une politique de diffusion, pour construire un ensemble de candidats d'actions expressif et évaluable efficacement. Un ensemble de critiques (ensemble of critics) sélectionne ensuite l'action qui équilibre la qualité d'exécution avec un fort intérêt exploratoire. En contexte de flotte robotique, DF-ExpEnse intègre un mécanisme de communication inter-agents permettant une exploration collaborative distribuée. Les expériences portent sur des tâches de manipulation et de locomotion, et montrent des gains constants en efficacité d'échantillonnage par rapport au fine-tuning par défaut et à d'autres schémas de sélection d'action. L'efficacité en termes d'échantillons est l'un des verrous principaux du fine-tuning par renforcement de politiques robotiques génératives : chaque interaction avec l'environnement réel est coûteuse, lente et potentiellement dangereuse. En améliorant la qualité des données collectées en ligne, DF-ExpEnse réduit le nombre d'épisodes nécessaires pour atteindre un niveau de performance cible, ce qui représente un gain opérationnel concret dans des contextes industriels. L'aspect flotte est particulièrement pertinent pour des déploiements à l'échelle : l'exploration collaborative entre robots permet d'amortir le coût d'exploration sur un parc entier, plutôt que de le répéter agent par agent. La méthode étant compatible avec les stratégies de fine-tuning RL existantes, son intégration dans des pipelines déjà établis reste relativement directe. Ce travail s'inscrit dans un courant de recherche actif autour du fine-tuning de politiques de diffusion robotiques, domaine structuré ces dernières années par des travaux comme Diffusion Policy (Chi et al., 2023), Pi-0 de Physical Intelligence, ou DPPO. Le passage de l'entraînement offline à l'adaptation online en conditions réelles reste l'un des axes les plus disputés de la robotique apprise, avec des groupes à Stanford, Berkeley, CMU, et des entreprises comme Physical Intelligence ou Figure AI actifs sur des variantes de ce problème. DF-ExpEnse est pour l'heure un preprint non encore évalué par les pairs ; son site projet présente des démonstrations expérimentales, mais aucun déploiement industriel ni partenariat commercial n'est annoncé à ce stade.

RechercheActu

1 source

4arXiv cs.RO

Optimisation de ROS 2 pour une navigation économe en énergie : enseignements empiriques sur la configuration de Costmap 2D

Une équipe de chercheurs publie sur arXiv (identifiant 2609.12971, nouvelle soumission) une étude empirique sur l'efficacité énergétique de la navigation robotique sous ROS 2, centrée sur le module Costmap 2D du stack de navigation Nav2. Elle a mené une expérience contrôlée dans deux scénarios simulant un entrepôt, un petit et un grand, avec des dispositions d'obstacles variables et plusieurs configurations de Costmap 2D testées sur des essais répétés. Les mesures portent sur la consommation d'énergie, le profil de puissance, la charge CPU, l'usage mémoire et la performance de navigation du robot mobile. Résultat principal : le paramétrage doit être adapté à l'environnement précis, certains réglages produisant de bonnes performances à faible consommation tandis que d'autres dégradent nettement les deux ; l'abstract ne fournit toutefois aucun chiffre de gain en pourcentage ni de détail sur le robot testé. Pour les intégrateurs qui déploient des flottes de robots mobiles autonomes sous ROS 2, devenu le standard de facto de la navigation en entrepôt et en logistique, ce travail rappelle que la flexibilité de configuration de Nav2 est une arme à double tranchant : les mêmes paramètres par défaut peuvent être optimaux dans un environnement et pénalisants dans un autre en matière d'autonomie énergétique. Alors que l'industrie cherche surtout des gains côté matériel (batteries, moteurs) pour prolonger le temps de fonctionnement, l'étude déplace une partie du problème vers la couche logicielle, un levier généralement ignoré des décideurs B2B mais qui pèse directement sur les coûts d'exploitation et la fréquence de recharge des flottes. Elle contredit l'idée qu'une configuration ROS 2 par défaut suffit à un déploiement à grande échelle et suggère qu'un audit des paramètres de navigation devrait faire partie du processus de mise en production, au même titre que le choix des capteurs. ROS 2 et son stack Nav2 se sont imposés ces dernières années comme l'infrastructure logicielle de référence de la robotique mobile académique et industrielle, en remplacement progressif de ROS 1, désormais en fin de vie. L'efficacité énergétique de la navigation reste un axe de recherche récent comparé aux travaux sur la précision de trajectoire, la littérature ayant surtout traité la consommation sous l'angle matériel plutôt que logiciel. Publiée comme nouvelle soumission arXiv, cette contribution repose sur des essais contrôlés en environnement simulé d'entrepôt, sans partenaire industriel ni robot commercial nommé, et n'a pas encore été validée par les pairs ni déployée en conditions réelles. Les auteurs ne précisent pas de suite programmée, mais ce type de résultats ouvre la voie à des outils d'auto-tuning de Nav2 adaptés au contexte de déploiement, une piste que les mainteneurs du projet et les fournisseurs d'AMR pourraient explorer.

UELes intégrateurs européens de flottes AMR sous ROS 2/Nav2, très répandu dans la logistique et l'entrepôt en UE, pourraient s'inspirer de cette étude pour auditer leurs configurations Costmap 2D.

RecherchePaper

1 source