RecherchearXiv cs.RO 15 septembre 2026

Planification de mouvement multi-robots non étiquetés : de meilleurs compromis de séparation

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs publient sur arXiv (référence 2603.19502v2, soumission de remplacement) un nouvel algorithme pour la planification de mouvement multi-robots non étiquetée (MRMP), appliqué à des robots en forme de disque unitaire évoluant dans un environnement polygonal avec obstacles. Le problème consiste à faire migrer un ensemble de robots vers des positions cibles interchangeables sans collision, en minimisant la longueur totale des trajectoires. Les auteurs démontrent des algorithmes polynomiaux à facteur d'approximation constant sous deux régimes de séparation : une distance minimale entre robots (ρ) de 2 2/3 combinée à une distance minimale aux obstacles (ω) de 1 2/3, ou alternativement ρ≈3,291 et ω≈1,354. Ils fournissent aussi une variante monotone, où chaque robot progresse sans jamais reculer, exigeant ω≈1,614 et ρ=4, avec preuve qu'aucun plan monotone n'existe en dessous de ce seuil de ω, ni aucun plan faiblement monotone sous ω=1,354. Un compromis supplémentaire atteint une séparation quasi optimale de ρ=2 au prix d'un facteur d'approximation linéaire et d'une contrainte ω=2.

Sans lien direct avec un produit ou un déploiement commercial, ce résultat intéresse les concepteurs de flottes de robots mobiles autonomes en entrepôt logistique, où densifier le nombre de robots par mètre carré tout en garantissant des trajectoires sans collision reste un enjeu économique concret. À rebours des approches par apprentissage (renforcement, modèles vision-langage-action) qui dominent l'actualité robotique récente, ce travail apporte des garanties formelles prouvées mathématiquement plutôt que des performances mesurées sur benchmarks empiriques, un atout pour les intégrateurs devant certifier la sécurité de systèmes multi-robots denses.

Le travail généralise deux résultats de référence en planification géométrique de mouvement : celui de Banyassady et al., présenté à SoCG 2022, qui garantissait la faisabilité dans des polygones simples sous des distances départ-départ et cible-cible d'au moins 4 et départ-cible d'au moins 3, sans garantie d'optimalité ; et celui de Solovey et al., présenté à RSS 2015, quasi optimal mais sous des conditions plus strictes (distance mutuelle d'au moins 4, distance aux obstacles d'au moins racine de 5, soit environ 2,236). Les nouveaux auteurs étendent aussi certains résultats à la variante étiquetée du problème, avec une borne serrée démontrée sur la séparation aux obstacles. Le papier reste une contribution théorique en géométrie algorithmique, sans implémentation logicielle publique ni partenariat industriel annoncé à ce stade.

Dans nos dossiers

IA physique & VLA arXiv cs.RO

À lire aussi

1arXiv cs.RO

AO-ARC : planification de mouvement multi-robots presque sûrement asymptotiquement optimale avec ARC

Une équipe de recherche a publié sur arXiv (référence 2606.27495) AO-ARC, un algorithme de planification de mouvement multi-robots (MRMP) dit "anytime", c'est-à-dire capable de fournir une première solution valide immédiatement, puis de l'améliorer de façon continue sans délai fixé. L'algorithme combine le meta-algorithme AO-x, qui convertit des solveurs de faisabilité en algorithmes anytime, avec la méthode ARC (Adaptive Robot Coordination) appliquée itérativement sur des instances MRMP bornées, sous une métrique de makespan, le temps nécessaire à l'ensemble des robots pour atteindre leurs cibles. Les auteurs affirment que AO-ARC atteint des temps de première solution comparables aux solveurs de faisabilité de l'état de l'art, tout en convergeant plus rapidement et plus régulièrement que les méthodes anytime existantes à mesure que le nombre de robots augmente, avec une preuve formelle d'optimalité asymptotique. L'évaluation porte sur des scénarios 2D à différents niveaux de complexité de coordination et sur un scénario 3D avec bras manipulateurs, représentatif d'applications industrielles réelles. L'enjeu pratique est significatif : la planification multi-robots est NP-difficile en général, et le passage à l'échelle (10, 50, 100 robots) reste le talon d'Achille des méthodes existantes, notamment dans les entrepôts automatisés ou les cellules robotiques denses. La propriété anytime est particulièrement critique en déploiement réel, où un système ne peut pas attendre une solution optimale avant d'agir. La métrique makespan, en optimisant le temps de fin de la tâche collective plutôt que la somme des distances individuelles, est directement corrélée au débit industriel. Le mécanisme de couplage adaptatif d'ARC, choisir dynamiquement quand planifier des robots conjointement ou indépendamment, est préservé tout en maintenant une borne de coût cohérente sur les décompositions, ce qui est la difficulté théorique centrale que ce travail prétend résoudre. ARC, le solveur sous-jacent, avait déjà démontré des performances compétitives sur des benchmarks MRMP en exploitant ce couplage sélectif. AO-ARC s'inscrit dans une lignée de recherches visant à combiner garanties théoriques et efficacité pratique, face à des méthodes concurrentes comme CBS (Conflict-Based Search), ECBS ou les variantes de dRRT*, qui peinent à combiner rapidité de première solution et qualité asymptotique à grande échelle. Ce travail reste un preprint arXiv non encore évalué par les pairs, sans déploiement annoncé ni partenaire industriel mentionné, les benchmarks utilisés, bien que représentatifs, ne constituent pas une validation terrain.

RecherchePaper

1 source

2arXiv cs.RO

Planification de mouvement multi-robot et multi-objectif avec compétences stochastiques

Des chercheurs proposent une méthode de planification de trajectoires pour plusieurs robots partageant un même espace de travail, qui intègre des compétences de manipulation stochastiques. Ces compétences ont un temps d'exécution variable et des trajectoires continues incertaines. Le travail, publié sur arXiv sous la référence 2610.07784, formule le problème comme un processus de décision markovien (MDP) défini sur une feuille de route composite multimodale, construite par échantillonnage. Pour les compétences stochastiques, la résolution du MDP produit une politique réactive. Chaque robot contrôlable ajuste alors ses mouvements en temps réel selon l'avancement des manipulations menées par les autres robots. Le code des planificateurs est disponible en accès libre sur le site de l'auteur, vhartmann.com/stochastic-skills. Le résumé ne donne aucun chiffre de performance, aucun nombre de robots testés et aucun site de déploiement. Il s'agit d'un préprint de recherche, sans produit ni pilote industriel. Le problème visé est concret pour les intégrateurs de cellules robotisées multi-bras ou de flottes de manipulateurs mobiles. Une prise, une insertion ou un geste de manipulation appris dure rarement le même temps d'une exécution à l'autre, surtout avec une politique pilotée par un modèle de type VLA. Les approches existantes se répartissent en trois familles. Les unes se limitent à un seul robot. D'autres reposent sur des chemins en boucle ouverte. Les dernières font un ordonnancement a posteriori, qui fige la coordination avant l'exécution. Pour absorber l'incertitude, ces méthodes doivent prévoir des marges de sécurité larges, ce qui allonge les temps de cycle et réduit le débit. Les auteurs affirment que traiter l'incertitude dès la planification évite ce pessimisme et permet une coordination dynamique robuste. Cette conclusion reste à vérifier : le résumé ne chiffre pas le gain face aux références conservatrices, et les résultats peuvent venir de simulation ou de scénarios limités. Ce travail s'inscrit dans la planification multi-robots à objectifs multiples, un champ ancien. Les planificateurs par échantillonnage de type feuille de route et les méthodes de planification de tâches et de mouvements (TAMP) y dominent. Ces méthodes supposent surtout des compétences déterministes ou des durées connues. Or les entrepôts et les usines déploient de plus en plus de robots dans des volumes partagés, avec des gestes appris dont la durée varie. Le décalage entre planificateur et exécution devient donc un frein pratique. Les prochaines étapes à surveiller sont la validation sur du matériel réel avec plusieurs bras, des comparaisons chiffrées en temps de cycle, et l'étude du passage à l'échelle à mesure que le nombre de robots augmente. Le coût de résolution d'un MDP sur un espace composite croît vite avec ce nombre, et c'est la principale limite probable de l'approche.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

3arXiv cs.RO

FPTAS pour la planification de mouvement de robots multiples polygonaux

Des chercheurs publient sur arXiv (référence 2610.20244, version 1) les premiers schémas d'approximation entièrement polynomiaux (FPTAS) pour la planification de mouvement multi-robots en environnement polygonal. Le cadre est le suivant : un domaine polygonal à n sommets, k robots en translation, chacun modélisé par un polygone de complexité constante, une configuration de départ et une configuration d'arrivée. Il s'agit de trouver un plan sans collision, minimal selon une fonction de coût. L'algorithme couvre trois objectifs, pour tout nombre fixe k de robots : min-sum (distance totale parcourue par l'ensemble des robots), min-max (distance maximale parcourue par un robot) et min-makespan (durée totale, avec une vitesse maximale de 1). Il se généralise à toute dimension fixe d, avec environnement et robots polytopiques. Il s'agit d'un résultat théorique : ni prototype, ni benchmark, ni déploiement n'est annoncé. L'apport est surtout conceptuel, mais il comble un vrai vide. Jusqu'ici, on savait garantir une solution proche de l'optimum seulement dans des cas restreints. Cela clôt une question ouverte posée dans deux articles du SODA : Agarwal, Halperin, Sharir et Steiger (SODA'24) avaient obtenu un FPTAS pour k=2 robots carrés unitaires, et Agarwal, Holmgren et Steiger (SODA'26) un algorithme bicritère pour k fixe de carrés ou disques unitaires. Un FPTAS permet de s'approcher de l'optimum avec une erreur arbitraire, pour un temps de calcul polynomial en 1/ε. Les auteurs affirment aussi que leur méthode est nettement plus simple que les précédentes, ce qui est un atout pour toute future implémentation. Il faut toutefois rester prudent : la complexité dépend de façon exponentielle de k, et la planification multi-robots à k fixe reste très éloignée des flottes de dizaines ou centaines d'AMR d'un entrepôt. Les intégrateurs n'en tireront donc rien à court terme, mais la communauté dispose d'une référence solide pour les petits groupes de robots à géométrie arbitraire, par exemple deux bras ou deux robots mobiles en espace très contraint. Ce travail prolonge la lignée de la géométrie algorithmique sur le problème du « piano mover » et de ses variantes multi-robots, dont on sait la difficulté croissante avec le nombre de robots. Les résultats exacts sont coûteux, d'où l'intérêt des schémas d'approximation. En pratique, l'industrie utilise surtout des planificateurs par échantillonnage (RRT, PRM) ou des méthodes de recherche multi-agents (CBS, MAPF), efficaces mais sans garantie d'optimalité approchée. Le prochain jalon logique serait une implémentation et une évaluation expérimentale, ainsi que la réduction de la dépendance en k. Le preprint n'est pas encore relu par les pairs.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

4arXiv cs.RO

Planification de mouvement multi-robots décentralisée par diffusion informée par simulation

Des chercheurs présentent SID (Simulation-Informed Diffusion), un cadre décentralisé de planification de mouvement pour flottes multi-robots, publié sur arXiv (2605.27697) en mai 2026. Le problème ciblé est fondamental en robotique mobile collaborative : chaque robot doit générer des trajectoires sans collision à partir de ses seules observations locales, sans capteur global ni communication fiable. L'approche repose sur des modèles de diffusion sensibles aux contraintes (CADM, Constraint-Aware Diffusion Models) : dans une première passe, CADM simule les trajectoires futures des robots voisins à partir de leurs états observés ; dans une seconde passe, le même modèle planifie la trajectoire propre de chaque robot sous contraintes de sécurité issues de ces simulations. Un mécanisme de communication minimaliste complète le dispositif, ne déclenchant la coordination qu'en zones de forte congestion. Les expériences montrent que SID surpasse les méthodes de référence en termes d'efficacité de planification et de respect des contraintes, et passe à l'échelle jusqu'à 108 robots simultanés évoluant parmi 160 obstacles. La limite adressée est bien documentée dans les systèmes AMR industriels : planificateurs classiques (RVO, ORCA) et approches d'apprentissage raisonnent tous sur un instantané statique de l'environnement, ce qui devient un goulot d'étranglement au-delà d'une vingtaine d'agents en densité élevée. L'apport de SID est de traiter prédiction des voisins et planification propre comme un problème unifié, résolu par le même modèle de diffusion, évitant ainsi la propagation d'erreurs entre modules séparés. La communication conditionnelle représente également un avantage pratique pour les déploiements sur réseaux contraints, un point d'intérêt direct pour les intégrateurs logistiques opérant des flottes AMR à grande échelle. Les modèles de diffusion appliqués à la robotique connaissent un essor marqué depuis 2024, avec des travaux comme Pi-0 (Physical Intelligence) ou GR00T N2 (NVIDIA) ayant démontré leur efficacité pour la manipulation. SID s'inscrit dans cette tendance mais cible la coordination décentralisée, angle moins couvert que la manipulation. La compétition directe inclut les approches MARL (multi-agent reinforcement learning) et les planificateurs hybrides comme PRIMAL ou DHC. À ce stade, SID reste une preuve de concept en simulation ; aucun déploiement sur hardware physique n'est annoncé. La prochaine étape naturelle serait une validation sur AMR réels en conditions d'entrepôt, qui constituerait le vrai test du sim-to-real gap encore ouvert pour ce type d'approche générative.

RecherchePaper

1 source