Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
D4orm : trajectoires multi-robots par déformations débruitées avec diffusion tenant compte de la dynamique
RecherchearXiv cs.RO 

D4orm : trajectoires multi-robots par déformations débruitées avec diffusion tenant compte de la dynamique

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

Le laboratoire Prorok de l'université de Cambridge a publié une nouvelle version (v3) de son article arXiv 2503.12204, présentant D4orm, une méthode de génération de trajectoires multi-robots sans collision et physiquement réalisables. Contrairement aux approches par apprentissage, D4orm ne comporte aucune composante entraînée : elle débruite itérativement des trajectoires bruitées à la manière d'un modèle de diffusion, en s'appuyant uniquement sur un modèle dynamique du robot pour simuler des trajectoires faisables et sur une fonction de fitness guidée par approximation de gradient Monte Carlo. Testée sur des équipes de robots à roues différentielles et holonomes allant jusqu'à 16 unités en 2D et 3D, elle va près de deux fois plus vite que MPPI, une référence d'optimisation boîte noire, sur un cas holonome 2D à 16 robots. Les chercheurs ont aussi déployé les trajectoires calculées en zero-shot, sans réentraînement, sur huit drones multirotors réels, et publié le code et une vidéo sur GitHub (proroklab/d4orm).

Pour les intégrateurs de flottes de robots (entrepôts, essaims de drones), la démonstration montre qu'une optimisation sans apprentissage ni données d'entraînement peut égaler, voire dépasser, des baselines établies comme MPPI en coordination multi-agents, tout en tirant parti du calcul GPU parallèle pour un raffinage en temps réel. Le déploiement zero-shot sur huit drones physiques répond à une critique récurrente du secteur, l'écart persistant entre simulation et réalité en planification multi-robots : la méthode a fonctionné sans étape d'adaptation supplémentaire. Cela positionne D4orm comme alternative légère aux pipelines d'apprentissage lourds, pour des usages où robustesse et vitesse priment sur la généralisation apprise.

La méthode s'inscrit dans un mouvement plus large qui détourne les modèles de diffusion, popularisés en génération d'images, vers la planification robotique, déjà explorée pour des bras manipulateurs uniques et la conduite autonome. Le préfixe arXiv 2503 indique une soumission initiale en mars 2025, cette version 3 étant une révision de l'article d'origine. Il s'agit d'une publication académique en open source, pas d'un produit commercial : aucun partenaire industriel ni calendrier de commercialisation n'est annoncé. Les suites plausibles, non confirmées par les auteurs, porteraient sur l'extension à des flottes plus nombreuses et à des dynamiques hybrides combinant robots terrestres et aériens.

Impact France/UE

Le laboratoire Prorok de l'université de Cambridge, acteur académique européen, publie une méthode open source de planification multi-robots sans apprentissage.

Dans nos dossiers

arXiv cs.RO

À lire aussi

Robots comme tokens : un transformeur de diffusion unifié pour la génération de trajectoires multi-robots coordonnées
1arXiv 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
Diffusion pour la planification de trajectoires multi-robots à long horizon dans des environnements partagés avec des humains
2arXiv 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
MDCPP : planification dynamique de trajectoires de couverture multi-robots pour l'adaptation de la charge de travail
3arXiv cs.RO 

MDCPP : planification dynamique de trajectoires de couverture multi-robots pour l'adaptation de la charge de travail

Une équipe de recherche publie sur arXiv (arXiv:2509.23705v2, version révisée) un article intitulé « MDCPP: Multi-Robot Dynamic Coverage Path Planning for Workload Adaptation », qui propose une méthode de planification de couverture pour flottes de robots mobiles capable de s'adapter aux vitesses de déplacement variables qu'imposent des tâches de détection ou d'interaction. Le système apprend un champ de charge de travail modélisé par un mélange de gaussiennes à partir d'observations partielles, prédit le temps de service cellule par cellule, puis répartit en continu les zones non couvertes via une allocation distribuée sous contrainte de capacité. Les auteurs démontrent la terminaison finie et l'optimalité locale par paires de chaque cycle d'allocation synchronisé, bornent la dégradation du temps de complétion (makespan) due aux erreurs d'estimation, et posent des conditions suffisantes de couverture complète. Un banc d'essai de 600 simulations compare MDCPP à quatre approches, le balayage classique, LS-MCPP, la réaffectation réactive et un oracle de référence, avant une validation matérielle limitée à trois robots terrestres sans pilote (UGV) soumis à des effets réels de localisation, de motorisation et de contrôle sans fil. L'enjeu dépasse l'exercice académique: la quasi-totalité des algorithmes de couverture multi-robots suppose une vitesse constante, hypothèse qui s'effondre dès qu'un robot doit ralentir pour scanner, pulvériser ou inspecter certaines zones plus densément que d'autres, un cas fréquent en agriculture de précision, nettoyage industriel ou inspection d'entrepôts. Le benchmark montre que le gain de la prédiction de charge de travail est surtout significatif dans les scénarios fortement hétérogènes, où MDCPP améliore le makespan agrégé par rapport aux méthodes non prédictives, un signal utile pour les intégrateurs arbitrant entre planification statique et adaptation dynamique. Le passage du simulateur à trois UGV physiques constitue une validation partielle mais concrète au-delà de la simulation, même si l'échelle testée reste très en deçà d'un déploiement industriel et ne permet pas d'extrapoler directement les gains à des flottes de plusieurs dizaines d'unités. Le papier s'inscrit dans la lignée des travaux sur le coverage path planning multi-robots, champ de recherche mature dont les références incluent le balayage géométrique et des variantes récentes comme LS-MCPP, auxquelles MDCPP ajoute une couche prédictive fondée sur l'apprentissage du champ de charge plutôt qu'une simple réaction à la charge observée. La mention « replace » sur arXiv indique une version révisée d'un préprint déjà soumis, sans qu'aucun laboratoire, financement ou calendrier de commercialisation ne soit précisé dans le résumé. Aucune suite n'est annoncée, mais la limitation assumée du banc d'essai matériel à trois véhicules laisse présager, comme étape logique suivante, un passage à l'échelle vers des flottes plus larges et des environnements extérieurs moins contrôlés avant toute application industrielle réelle.

RecherchePaper
1 source
Guidage des modes au niveau de la trajectoire pour la planification de mouvement contrôlable de robots multiples par diffusion
4arXiv cs.RO 

Guidage des modes au niveau de la trajectoire pour la planification de mouvement contrôlable de robots multiples par diffusion

Une équipe de chercheurs publie sur arXiv (2609.36530) une méthode de planification de mouvement par modèles de diffusion, pensée pour conserver plusieurs solutions faisables tout en tenant compte d'indications grossières fournies en amont. Le principe est de guider la génération dans l'espace des trajectoires « propres », c'est-à-dire reconstruites à chaque pas de la diffusion inverse, plutôt que dans l'espace bruité. Cette trajectoire reconstruite sert d'espace commun pour deux types d'informations. Les coûts de planification, comme l'évitement d'obstacles, sont intégrés par raffinement à base de gradient. Un a priori partiel, par exemple un tronçon de trajectoire ou une région souhaitée, est injecté progressivement aux niveaux de bruit correspondants, avec une force de guidage décroissante au fil des pas. Pour plusieurs robots, il suffit d'ajouter un coût de collision entre agents. Le résumé annonce des essais sur des tâches mono et multi-robots, avec synthèse de trajectoires contrôlable, solutions faisables variées et coordination sûre. Il ne donne aucun chiffre : ni taux de succès, ni nombre de robots, ni temps de calcul, ni matériel utilisé. L'enjeu est technique mais concret pour la coordination de flottes. Un planificateur classique renvoie souvent une seule trajectoire, alors qu'un opérateur ou un système de supervision veut pouvoir dire « passe plutôt par ici » sans figer le résultat. Un guidage trop strict par l'a priori détruit la diversité qui fait l'intérêt des diffusions, et un guidage trop faible ignore l'intention de l'opérateur. Ici, le relâchement progressif de la contrainte cherche le compromis : l'a priori fixe le mode global de la solution dans les premières étapes, puis le modèle affine les détails librement. Pour un intégrateur d'AMR (robots mobiles autonomes) ou de cellules multi-bras, cela pourrait faciliter l'injection de règles de circulation ou de préférences humaines dans un planificateur génératif. Le résumé ne prouve pas que cela tienne hors laboratoire. Il ne dit rien des garanties de sécurité, de la latence en temps réel ni du passage à l'échelle avec le nombre d'agents, trois points décisifs pour un déploiement industriel. Ce travail s'inscrit dans la série de méthodes qui appliquent les modèles de diffusion à la planification de trajectoires, popularisée par des approches comme Diffuser et Diffusion Policy. Ces méthodes ajoutent du guidage par coût, mais restent en difficulté pour combiner des a priori partiels et de la multimodalité. Les alternatives classiques, comme la planification par échantillonnage, l'optimisation de trajectoire ou les approches par conflits pour le multi-agent, offrent davantage de garanties formelles mais peu de génération multimodale pilotable. Il s'agit d'une prépublication (v1) et rien n'indique à ce stade de code publié, de comparaison chiffrée ou de test sur robots réels. La suite logique serait une validation sur matériel, une comparaison avec les planificateurs multi-agents établis et une évaluation du coût de calcul.

RecherchePaper
1 source