RecherchearXiv cs.RO 15 septembre 2026

Allocation décentralisée des tâches multi-robots sous communication dégradée : performance, fiabilité et calcul comparés

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Sur le fond, il s'agit d'un article scientifique de benchmark (pas d'annonce produit), sans acteur FR/EU identifiable dans le texte fourni ; j'ai rédigé le résumé en conséquence.

Un benchmark publié sur arXiv (2609.13711) compare six algorithmes décentralisés d'allocation de tâches pour flottes de robots, CBAA, ACBBA, PI, HIPC, DMCHBA et DGA, dans un scénario appelé Collaborative Visit. L'étude principale repose sur 500 instances appariées de dix cibles chacune, testées sur 25 conditions de communication allant d'un canal idéal à des dégradations simulées par pertes de type Bernoulli, pertes Gilbert-Elliott et évanouissement de Rayleigh. Sur les 24 conditions dégradées du cœur de l'étude, DGA et DMCHBA affichent la distance de trajet minimax moyenne la plus faible, 24,49 et 24,78 pas de simulation respectivement, tandis que HIPC devance de justesse DGA sur le critère de distance totale minimisée, 66,95 pas contre 67,22. DMCHBA se distingue par la charge de communication la plus faible, 2,08 messages échangés par pas et par équipe. En pré-allocation sur dix cibles, seuls HIPC et DMCHBA restent stables et exploitables dans toutes les conditions testées, alors qu'ACBBA, PI et DGA perdent en fiabilité à mesure que le réseau se dégrade. Sous communication idéale, le temps de calcul médian du protocole complet va de 4,88 millisecondes pour DMCHBA à 1,346 seconde pour DGA, et des campagnes complémentaires testent la sensibilité à la taille de la grille, à la densité de robots et à une charge allant jusqu'à 50 cibles.

Pour les intégrateurs qui doivent choisir un algorithme d'allocation embarqué sur des robots autonomes, flottes logistiques, drones d'inspection ou de recherche et sauvetage, le message central est qu'aucune méthode ne domine sur tous les critères à la fois. DGA produit les trajets les plus courts, mais son temps de calcul, plus de 250 fois supérieur à celui de DMCHBA, peut le disqualifier pour un déploiement embarqué en temps réel sur du matériel à ressources limitées. HIPC et DMCHBA apparaissent en revanche comme les seuls choix robustes quand la communication se dégrade, un scénario courant sur le terrain mais rarement testé dans les publications qui évaluent ces algorithmes en conditions idéales. Le travail contredit ainsi l'hypothèse d'un algorithme universellement supérieur et déplace la décision vers un arbitrage d'ingénierie explicite entre qualité de trajet, robustesse réseau et budget de calcul.

Ce benchmark s'inscrit dans la lignée des algorithmes d'enchères par consensus initiés par CBBA il y a plus d'une décennie, dont CBAA et ACBBA sont des dérivés directs, aux côtés d'approches plus récentes comme PI, HIPC, DMCHBA et DGA. Il reste un travail de recherche mené en simulation, sans déploiement industriel annoncé. Les auteurs notent que les classements obtenus en configuration statique divergent de ceux mesurés en calcul intégré à l'exécution à mesure que la charge de tâches augmente, ce qui ouvre la voie à des validations complémentaires sur du matériel robotique réel plutôt que sur des grilles simulées.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Agir face à l'invisible : filtrage collaboratif sans communication pour l'allocation décentralisée de tâches multi-robots

Des chercheurs ont présenté sur arXiv (2605.25584) un cadre théorique et algorithmique baptisé Zero-Knowledge MRTA (ZK-MRTA), conçu pour l'allocation de tâches dans des équipes de robots sans aucune communication inter-agent, sans modèle de tâche préalable et sans coordinateur central. Dans ce régime, chaque robot ne dispose que d'une vue partielle et bruitée du flux public des résultats de ses coéquipiers. L'algorithme proposé, SwarmCF, exploite une structure cachée de faible rang (low-rank) qui gouverne l'adéquation entre chaque robot et chaque type de tâche, en appliquant du filtrage collaboratif en ligne, le même principe mathématique que les systèmes de recommandation Netflix ou Spotify. Les expériences montrent que SwarmCF récupère environ 80 % des performances d'un système centralisé avec communication complète, et maintient cet avantage même sous contention de capacité 1 (chaque tâche assignée à un seul robot à la fois). L'enjeu théorique est substantiel: les auteurs prouvent formellement que tout algorithme sans structure est coincé au plancher d'erreur de la moyenne a priori sur les paires (robot, tâche) jamais tentées, tandis que SwarmCF atteint une complexité d'échantillonnage par robot en Theta(d) au lieu de Theta(n), où d est le rang de la structure latente et n le nombre total de tâches, typiquement d est très inférieur à n. Cette séparation est catégorielle, pas un simple facteur constant. Pour les intégrateurs de flottes robotiques (entrepôts AMR, inspection industrielle, agriculture), cela signifie qu'une flotte hétérogène peut s'auto-organiser sur des tâches inédites sans infrastructure de communication, ce qui réduit la complexité système et améliore la résilience aux pannes réseau. Le scaling est positif: la compétence par robot sur les tâches non vues augmente avec la taille de l'équipe. Le problème d'allocation multi-robots (MRTA) est étudié depuis les années 2000, avec des approches classiques comme les enchères distribuées (CBBA), les méthodes à base de marché ou les algorithmes de consensus qui supposent toutes un canal de communication fiable. ZK-MRTA s'attaque au cas extrême opposé, commun dans les déploiements industriels réels (réseaux dégradés, robots hétérogènes sans protocole commun) mais largement ignoré en théorie. Côté concurrence, des travaux récents sur le multi-armed bandit collaboratif ou le federated reinforcement learning adressent des problèmes voisins mais supposent soit une communication périodique, soit un modèle de récompense partagé. La prochaine étape naturelle serait de valider SwarmCF sur des flottes physiques, notamment dans des contextes entrepôts ou de manipulation, où le sim-to-real gap reste la principale inconnue pour les méthodes fondées sur l'observation passive de coéquipiers.

RecherchePaper

1 source

2arXiv cs.RO

Algorithme d'enchères-consensus par groupes pour l'allocation décentralisée de tâches en systèmes multi-robots

Des chercheurs présentent l'algorithme GACA (Grouping Auction-Consensus Algorithm), une nouvelle méthode décentralisée pour l'allocation de tâches entre robots (MRTA, multi-robot task allocation), détaillée dans un article publié sur arXiv le 18 août 2026. GACA reprend l'architecture en deux phases enchère-consensus du CBBA (Consensus-Based Bundle Algorithm), la référence décentralisée la plus utilisée dans le domaine, mais en refond entièrement le mécanisme d'enchère : plutôt que de faire miser les robots tâche par tâche, l'algorithme regroupe d'abord les tâches spatialement proches via un prétraitement par plus proche voisin, puis les agents négocient des actions au niveau du groupe entier, partiel, ou contesté. Les auteurs comparent GACA à CBBA sur la classe de problèmes MT-SR-IA, avec un programme linéaire en nombres entiers mixtes comme référence d'optimalité absolue. Sur quatre tailles d'essaim et 4 000 mondes de test, GACA atteint une optimalité médiane d'environ 97 %, contre 81 à 84 % pour CBBA, tout en convergeant en un nombre égal ou inférieur d'itérations. Un test de passage à l'échelle supplémentaire, portant sur 3 280 instances avec des essaims de 5 à 20 agents et des lots de 10 à 50 tâches, confirme que ces gains se maintiennent. L'enjeu dépasse la seule performance chiffrée : CBBA souffre d'un défaut structurel bien identifié dans la littérature, son critère d'enchère individuel est mal aligné avec l'objectif min-somme de minimiser la distance totale parcourue par l'équipe, ce qui produit des allocations sous-optimales dès que les tâches sont dispersées dans l'espace. En reformulant la mise aux enchères au niveau de groupes de tâches plutôt que de tâches isolées, GACA cible directement ce défaut sans sacrifier la décentralisation ni la robustesse aux pannes, des propriétés critiques pour les flottes d'AMR en entrepôt, les essaims de drones ou les opérations de recherche et sauvetage où aucune coordination centrale n'est disponible. Pour les intégrateurs et équipes robotique travaillant sur la coordination de flottes, ce résultat suggère qu'un gain d'optimalité substantiel est atteignable sans complexifier l'infrastructure de communication ni renoncer au temps de convergence. Le travail s'inscrit dans la lignée directe des algorithmes d'enchères consensuelles initiés par CBBA, largement adopté depuis plus d'une décennie comme base de référence pour l'allocation décentralisée de tâches. L'article ne mentionne pas de déploiement matériel réel ni de partenaire industriel : il s'agit d'une contribution algorithmique validée en simulation à grande échelle, avec un MILP comme borne d'optimalité, plutôt que d'un produit ou pilote commercial. Les auteurs ne précisent pas de calendrier de mise en œuvre sur robots physiques ni d'intégration dans une plateforme existante, ce qui positionne GACA comme une avancée de recherche à surveiller pour une future adoption dans des systèmes multi-robots réels plutôt qu'une solution prête à déployer.

RecherchePaper

1 source

3arXiv cs.RO

Allocation distribuée de tâches multi-robots sans communication sous observations partielles par filtrage multi-Bernoulli étiqueté

Des chercheurs proposent sur arXiv un cadre d'allocation de tâches multi-robots sans aucune communication entre machines, fondé uniquement sur des observations locales. Les tâches sont définies comme l'atteinte de positions cibles. Chaque robot estime la position de ses voisins avec un filtre de Bernoulli multi-objets étiqueté (Labeled Multi-Bernoulli, LMB), puis attribue les tâches de façon indépendante via une stratégie d'enchères gloutonne. Les estimations sont mises à jour en continu et les tâches sont réallouées pendant l'exécution. Les résultats reposent sur des simulations de Monte Carlo, qui indiquent une allocation coopérative efficace malgré le bruit de mesure (clutter) et l'incertitude d'observation. L'article ne donne ici ni nombre de robots, ni temps de cycle, ni comparaison chiffrée avec une méthode de référence. Il n'y a ni matériel réel ni déploiement. Pour les intégrateurs et les décideurs industriels, l'intérêt est d'abord conceptuel. Les flottes d'AMR et de robots mobiles en entrepôt dépendent presque toutes d'un orchestrateur central ou d'un réseau fiable. Or le Wi-Fi saturé, les zones d'ombre ou les environnements brouillés restent une cause fréquente de dégradation en exploitation. Une coordination qui tient sans lien radio réduirait ce point de défaillance unique. Il faut toutefois rester prudent. Une validation purement simulée ne dit rien de l'écart entre démonstration et réalité, c'est-à-dire du gap sim-to-real. Elle ne dit rien non plus de la qualité des capteurs embarqués ni de la montée en charge avec des dizaines de robots. Elle ne dit pas non plus ce que coûte le calcul d'un filtre LMB sur chaque machine. Ce travail ne concerne pas les humanoïdes ni les modèles VLA. Il relève de la couche de coordination de flottes. Ce travail prolonge deux lignes de recherche. L'une est l'allocation de tâches par enchères, courante en robotique distribuée. L'autre est le suivi multi-cibles par ensembles finis aléatoires, dont fait partie le filtre LMB. Il remplace l'échange explicite de messages par l'inférence sur les voisins. Il rejoint les approches de swarm robotics et de robotique décentralisée, plus anciennes que les architectures centralisées dominantes dans la logistique commerciale. Aucun pilote ni calendrier n'est annoncé. Les prochaines étapes logiques seraient des essais sur robots physiques, des tests avec des occultations réalistes et une comparaison avec des allocateurs centralisés.

RecherchePaper

1 source

4arXiv cs.RO

Un cadre multi-robot évolutif pour des boucles de perception-action-communication décentralisées et asynchrones

Une équipe de recherche a mis à jour sur arXiv (référence 2309.10164, version 3) un article décrivant un système décentralisé de perception, action et communication (PAC) destiné à coordonner des flottes de robots évoluant en extérieur à grande échelle. Le cœur du système s'appuie sur un réseau de neurones sur graphe (GNN) qui propage l'information de robot en robot, saut par saut, à travers le réseau de la flotte, ce qui permet une collaboration globale alors que chaque unité ne perçoit et ne communique que localement. L'architecture est entièrement asynchrone : les quatre modules, perception, communication inter-robots, agrégation des messages et action, fonctionnent chacun à leur propre fréquence, les informations circulant entre eux via des mémoires tampons plutôt que via une horloge commune. Le système est implémenté sous forme de nœuds ROS2 hautement extensibles, conçus comme une infrastructure de base réutilisable pour des essaims robotiques déployables sur le terrain. Les auteurs le valident par des essais réels en extérieur avec jusqu'à 20 quadricoptères, et par des simulations construites à partir de données réelles impliquant jusqu'à 100 robots. Ce travail s'attaque à un problème central pour l'industrie robotique : la plupart des démonstrations d'essaims publiées reposent sur une coordination centralisée ou sur des simulations qui ne passent pas à l'échelle une fois confrontées aux contraintes réelles de perception bruitée, de communication intermittente et de latence sur le terrain. En montrant qu'une architecture purement décentralisée et asynchrone, sans horloge globale ni serveur central, conserve scalabilité, résilience et répétabilité jusqu'à plusieurs dizaines d'unités réelles et une centaine en simulation, les auteurs apportent un argument concret en faveur du contrôle multi-robot par apprentissage sur graphe. Pour les intégrateurs qui envisagent des déploiements en essaim de drones ou de robots terrestres (inspection d'infrastructures, agriculture de précision, surveillance de sites étendus), cela ouvre une voie technique crédible pour dépasser les limites classiques des systèmes swarm sans sacrifier la robustesse à l'échelle. Il faut toutefois noter que les essais réels restent limités à 20 robots, la barre des 100 unités n'ayant été franchie qu'en simulation, ce qui laisse ouverte la question du passage à l'échelle en conditions réelles. Cette publication s'inscrit dans la lignée des recherches sur le contrôle multi-agent décentralisé, un domaine qui cherche depuis plusieurs années à faire coopérer de grandes flottes de robots sans dépendre d'une infrastructure de communication centralisée, vulnérable en environnement extérieur ; elle constitue la troisième version d'un article initialement publié en 2023 sous la référence arXiv 2309.10164, intégrant vraisemblablement des résultats étendus par rapport à la version d'origine. Le champ concurrence plusieurs familles d'approches, des méthodes de consensus distribué classiques aux architectures d'apprentissage par renforcement multi-agent, le choix d'un GNN pour diffuser l'information de proche en proche constituant ici la spécificité des auteurs. Aucun partenariat industriel ni calendrier de déploiement commercial n'est mentionné : il s'agit d'une contribution de recherche académique, dont l'infrastructure ROS2 ouverte et extensible pourrait néanmoins servir de brique de base à des acteurs souhaitant construire des systèmes d'essaims opérationnels, pour des drones comme pour d'autres classes de robots mobiles.

RecherchePaper

1 source