RecherchearXiv cs.RO 10 septembre 2026

HiRAD : un système flexible de routage d'AGV à grande échelle

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Publié sur arXiv le 10 septembre 2026 (référence 2609.09752), HiRAD est un système de routage par apprentissage par renforcement hiérarchique pour flottes d'AGV en entrepôt, conçu pour l'espace continu plutôt que la grille. Il combine une représentation spatio-temporelle par pas de temps rendant le mouvement continu différentiable, une séparation entre choix de cap et contrôle de vitesse qui réduit l'espace d'action, et un pipeline de décision asynchrone événementiel abaissant la complexité d'inférence de O(n²) à O(n) et la latence par pas jusqu'à 71%. Sur des graphes aléatoires et deux cartes d'entrepôt simulées, HiRAD réduit le makespan de 45% à 63% par rapport aux méthodes comparées, sans partenaire industriel ni déploiement réel associé à ces résultats.

L'enjeu dépasse l'exercice académique: les solveurs classiques de Multi-Agent Pathfinding butent sur une explosion combinatoire et un temps de calcul super-quadratique, avec des modèles de mouvement en grille éloignés de la cinématique réelle des véhicules. Les approches RL récentes gagnent en flexibilité via des politiques décentralisées, mais exigent des millions d'épisodes d'entraînement et une observation complète de la carte à chaque étape, d'où des modèles lourds et une latence incompatible avec le contrôle temps réel industriel. En conciliant décomposition hiérarchique de l'action et architecture événementielle, HiRAD attaque directement ce compromis qui freinait jusqu'ici l'adoption du RL en logistique d'entrepôt à grande échelle, un sujet suivi de près par les intégrateurs et opérateurs de flottes AMR/AGV.

Le routage de flottes d'AGV est étudié depuis des décennies via des algorithmes exacts comme Conflict-Based Search ou la planification priorisée, limités par le même mur combinatoire dès que le nombre de véhicules ou la taille de l'entrepôt augmente. Les travaux récents en RL décentralisé ont ouvert une voie alternative, mais restaient pénalisés par des temps de convergence de plusieurs millions d'épisodes et une latence d'inférence trop élevée pour la production. HiRAD répond aux deux limites à la fois, sans dépendance annoncée à un fournisseur particulier, dans un marché où le français Exotec, Geek+ ou Locus Robotics déploient déjà des flottes commerciales. Le papier reste toutefois une contribution de recherche validée en simulation, sans pilote industriel ni calendrier de déploiement annoncé.

Dans nos dossiers

Exotec arXiv cs.RO

À lire aussi

1arXiv cs.RO

Vers un apprentissage robotique prédictif, aligné et à grande échelle

Le papier arXiv 2607.11270, publié le 14 juillet 2026, présente Lumo-2, un modèle latent monde-action développé pour la robotique conçu pour générer des actions en raisonnant sur la dynamique du monde dans un espace latent plutôt qu'en clonant du comportement observé. L'idée centrale est que la qualité de génération d'actions dépend de la géométrie de cet espace latent : les auteurs montrent que les objectifs classiques de tokenisation d'actions basés sur la reconstruction biaisent les représentations vers la fidélité du signal brut, ce qui désaligne la qualité de reconstruction et la performance de contrôle réelle. Pour corriger cela, ils proposent un alignement multi-étapes des modalités, où les représentations d'actions sont progressivement rapprochées de la dynamique du monde latente, de la vision et du langage. Le papier revendique des gains sur des tâches réelles de manipulation dexterous et à long horizon face à des modèles vision-langage-action (VLA) et monde-action (WAM) de référence, sans toutefois publier de chiffres précis de taux de réussite, de temps de cycle ou de comparaison nommée dans le résumé disponible : à ce stade, il s'agit d'une annonce de recherche, pas d'un produit déployé ni de résultats benchmarkés vérifiables publiquement. Si les résultats se confirment à l'échelle et hors distribution, cela renforcerait l'hypothèse selon laquelle le raisonnement prédictif structuré, et non la seule imitation de trajectoires, est la voie vers des politiques robotiques généralisables, un sujet clé alors que des labs et startups (Physical Intelligence avec Pi-0, NVIDIA avec GR00T N2, Figure avec Helix) cherchent tous à faire tenir leurs VLA face à des environnements réels imprévisibles plutôt qu'à des démonstrations scénarisées. Ce travail s'inscrit dans la lignée des modèles monde-action apparus depuis 2024-2025, qui tentent de combiner la prédiction vidéo façon world models avec la génération de commandes motrices. Aucun acteur français ou européen n'est cité dans cette publication, et aucune date de suivi, de code ouvert ou de déploiement industriel n'est mentionnée à ce stade.

RechercheActu

1 source

2arXiv cs.RO

FoldNet++ : un jeu de données synthétique à grande échelle pour le pliage et dépliage de t-shirts par un robot

Des chercheurs du laboratoire EPIC de l'université de Pekin publient FoldNet++, un jeu de données synthétique pour l'apprentissage du pliage et du dépliage de T-shirts par des robots, décrit dans un preprint arXiv (2609.12433v1). Il couvre 6 embodiments robotiques, 1 000 T-shirts virtuels et 1 000 environnements, pour un total de 120 000 épisodes annotes. En reprenant le pipeline FoldNet, les auteurs simulent physiquement des T-shirts aux apparences variées avec des points clés sémantiques annotes, puis génèrent, via un cadre base sur des règles unifie, des démonstrations de manipulation propres a chaque robot. Des politiques visuomotrices entraînées uniquement sur ces données synthétiques atteignent plus de 90% de réussite de bout en bout une fois déployées sur des environnements réels et des T-shirts jamais vus, dans des configurations initiales arbitraires. Le projet est publie a l'adresse pku-epic.github.io/FoldNetXX. Le linge constitue un cas d'école de la manipulation d'objets déformables, ou la géométrie change a chaque prise, ce qui rend l'apprentissage d'une politique généralisable bien plus difficile que pour des objets rigides. L'enjeu de FoldNet++ est de montrer qu'un entrainement purement synthétique, sans aucune donnée réelle, peut transférer efficacement vers le monde réel, une réponse potentielle au fosse simulation-réalité qui freine le secteur. Si ce taux de 90% se confirme sur des évaluations indépendantes, il offrirait aux intégrateurs de blanchisserie industrielle et de robotique domestique un moyen d'éviter la collecte couteuse de démonstrations réelles sur tissu. Le chiffre reste toutefois issu des auteurs eux-mêmes et mérite une vérification externe avant d'être généralisé. FoldNet++ prolonge le pipeline du précédent FoldNet, développe par la même équipe, en l'étendant a davantage de robots, de vêtements et de scènes. Cette démarche rejoint une tendance plus large en robotique manipulative, ou plusieurs laboratoires cherchent a démontrer qu'un volume massif de données simulées peut réduire la dépendance a la téléopération sur robot réel, historiquement couteuse et lente a collecter. Donnees et code étant mis en ligne via le site du projet, la suite logique passe par des benchmarks indépendants sur d'autres types de vêtements que le T-shirt et sur des robots non couverts par les six embodiments testes, avant toute intégration dans des lignes de production ou des robots domestiques commerciaux.

RecherchePaper

1 source

3arXiv cs.RO

AssemPlanner : un cadre de planification de tâches multi-agents pour les systèmes d'assemblage flexibles

Une équipe de chercheurs a publié le 12 mai 2026 sur arXiv (référence 2605.08831) un framework de planification de tâches pour systèmes d'assemblage flexibles baptisé AssemPlanner. Le système prend en entrée des descriptions de tâches en langage naturel et les convertit automatiquement en séquences d'opérations de production exécutables. Son architecture repose sur plusieurs agents spécialisés : SchedAgent, qui joue le rôle de moteur de raisonnement central, KnowledgeAgent, chargé de fournir les connaissances métier, LineBalanceAgent, responsable de l'équilibrage des lignes, ainsi qu'un graphe de scène représentant l'état physique de l'environnement. Le code source et les jeux de données sont publiés en accès libre sur GitHub, ce qui facilite la reproductibilité des résultats. L'intérêt industriel de cette approche réside dans la réduction du temps de reconfiguration d'une ligne d'assemblage lors du passage à un nouveau produit. Dans les systèmes actuels, cette phase mobilise plusieurs experts pendant des périodes significatives, ce qui constitue un frein majeur à la flexibilité de la production. En substituant une interface en langage naturel à la configuration manuelle, AssemPlanner vise à abaisser la barrière d'entrée pour les intégrateurs et les responsables de production. Le recours à l'approche ReAct (Reasoning + Acting) permet à SchedAgent d'ajuster dynamiquement ses décisions en fonction des retours des autres agents, contrairement aux pipelines statiques traditionnels qui nécessitent une reprogrammation explicite dès que les contraintes du procédé changent. Cela pourrait réduire concrètement les délais de mise en production pour les PME industrielles et les intégrateurs spécialisés en automatisation. AssemPlanner s'inscrit dans la dynamique plus large des systèmes multi-agents LLM appliqués à l'automatisation industrielle, un champ en expansion rapide depuis 2023. L'architecture ReAct, introduite par des chercheurs de Google et Princeton en 2022, est ici transposée dans un contexte de manufacturing réel plutôt que symbolique. Les approches concurrentes incluent les systèmes experts classiques, la planification par jumeaux numériques, et des frameworks comme TaskMatrix ou AutoGen adaptés à des verticaux industriels. Il convient de souligner que le papier reste une contribution académique : aucun déploiement en environnement de production réel n'est documenté à ce stade, et les performances annoncées devront être validées hors contexte contrôlé.

RechercheActu

1 source

4arXiv cs.RO

WorldContact : un modèle du monde centré sur le contact pour l'apprentissage robotique à grande échelle

Un article publié sur arXiv sous la référence 2609.19600v1 présente WorldContact, un modèle du monde ("world model") centré sur le contact, conçu pour la manipulation d'objets déformables comme les sacs de courses en plastique. Le système est construit à partir d'un nombre limité de trajectoires de haute qualité et prédit la dynamique des objets avec des pas de temps plus larges que le simulateur numérique classique dont il s'inspire, ce dernier nécessitant de très petits pas d'intégration pour capter les mouvements rapides et éviter l'interpénétration des surfaces. Les auteurs ont testé WorldContact sur 16 tâches de manipulation de sacs de courses. Sur un seul GPU Nvidia H100, les mesures de state-rollout montrent une accélération d'un facteur 10 par rapport au simulateur source, un chiffre qui exclut toutefois le rendu graphique et les entrées-sorties disque, ce qui limite sa comparabilité directe avec un temps d'exécution complet. Les données générées ont servi à affiner une politique vision-langage-action (VLA) existante, ensuite déployée sur un robot réel. Sur la tâche de levage de sac, le taux de réussite au premier essai passe de 65%, lorsque la politique est entraînée uniquement sur les données du simulateur d'origine, à 95% une fois le jeu de données enrichi par WorldContact. Ce résultat s'attaque à un goulot d'étranglement bien identifié dans la robotique de manipulation: l'expérience physique réelle nécessaire pour adapter un robot à un nouvel objet ou une nouvelle tâche reste coûteuse à collecter, et les objets déformables comme les tissus ou les emballages souples aggravent le problème car leur simulation fine est lente. Un modèle du monde dix fois plus rapide que la simulation physique classique, capable de produire des données d'entraînement synthétiques exploitables pour affiner une politique VLA, offre une piste concrète pour réduire ce coût. Le saut de 65% à 95% de succès sur un robot réel constitue une preuve empirique, quoique limitée à un seul type de tâche, que l'augmentation de données via world model peut combler une partie de l'écart entre simulation et réalité pour la manipulation déformable, un domaine où les politiques génériques peinent généralement à généraliser. L'étude s'inscrit dans la tendance croissante des modèles du monde appris comme alternative ou complément aux simulateurs physiques classiques en robotique, ces derniers étant pénalisés par leurs contraintes d'intégration numérique sur les phénomènes de contact rapide. L'abstract ne précise ni l'affiliation des auteurs ni de calendrier de déploiement au-delà de la validation expérimentale sur robot réel; les résultats, obtenus sur 16 tâches centrées sur un seul type d'objet, relèvent d'une preuve de concept plutôt que d'un système prêt à l'industrialisation, la généralisation à d'autres catégories d'objets déformables restant à démontrer.

RecherchePaper

1 source