💻 computer science

HECTOR: Human-centric Hierarchical Coordination and Supervision of Robotic Fleets under Continual Temporal Tasks

Cet article propose HECTOR, un cadre hiérarchique centré sur l'humain qui permet une supervision efficace et une coordination dynamique de flottes robotiques à grande échelle grâce à une architecture à trois couches conçue pour gérer des tâches temporelles continues et incertaines via une interaction flexible entre l'humain et la flotte.

Auteurs originaux : Shen Wang, Yinhang Luo, Jie Li, Meng Guo

Publié 2026-05-15

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Shen Wang, Yinhang Luo, Jie Li, Meng Guo

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous êtes le chef d'orchestre d'un orchestre massif, mais au lieu de violons et de flûtes, vous dirigez 80 robots différents. Certains robots ressemblent à des camions de livraison, d'autres à des drones, et d'autres encore à des bras robotisés. Ils doivent travailler ensemble pour accomplir des tâches complexes comme livrer des colis, patrouiller dans une zone ou secourir des personnes.

Le problème est que si vous essayiez de dire à chaque robot exactement quoi faire, vous seriez submergé. Si vous essayiez de les programmer tous en même temps sans aucune aide humaine, ils pourraient se perdre lorsque la situation change (comme l'apparition d'une nouvelle urgence).

Ce papier présente HECTOR, un système intelligent conçu pour être le « manager intermédiaire » entre vous (l'opérateur humain) et la flotte de robots. Considérez HECTOR comme un capitaine d'équipe ultra-organisé qui traduit vos ordres à grande échelle en instructions spécifiques pour les robots, tout en vous permettant d'intervenir et de modifier le plan à tout moment selon vos besoins.

Voici comment HECTOR fonctionne, décomposé en trois couches simples :

1. La « Radio bidirectionnelle » (Interaction humaine)

Dans de nombreux anciens systèmes, vous programmiez soit les robots avant leur démarrage (sans pouvoir rien changer), soit vous deviez les contrôler un par un. HECTOR est différent. Il utilise un « protocole » spécial (un ensemble de règles de communication) qui vous permet de parler à l'ensemble de la flotte en une seule fois.

Ce que vous pouvez faire : Vous pouvez dire « Lancez une nouvelle mission », « Annulez celle-là », « Rendez cette tâche plus urgente », ou même « Prenez ces robots spécifiques et donnez-les à cette équipe ».
L'interface : Imaginez un tableau de bord avec une carte. Vous pouvez cliquer, taper ou même utiliser votre voix pour donner des ordres. Le système vous montre instantanément où sont les robots, ce qu'ils font et quand ils termineront. C'est comme un jeu vidéo en direct où vous pouvez mettre en pause, changer les règles et voir les personnages s'adapter instantanément.

2. Le « Constructeur d'équipes » (Attribution des tâches)

Une fois que vous avez donné un ordre, HECTOR ne choisit pas les robots au hasard. Il agit comme un entraîneur intelligent formant des équipes pour un tournoi sportif.

Le défi : Certaines tâches nécessitent un robot porteur lourd, tandis que d'autres ont besoin d'un drone rapide. Certaines tâches nécessitent 3 robots travaillant ensemble, tandis que d'autres en nécessitent 10.
La solution : HECTOR examine tous les robots disponibles et les nouvelles tâches. Il détermine la meilleure façon de les regrouper en « escouades ». Il se demande : « Qui possède les bonnes compétences ? Qui est le plus proche ? Qui n'est pas occupé ? »
L'« horizon glissant » : Au lieu de planifier toute la journée pour chaque robot d'un coup (ce qui serait trop lent et rigide), HECTOR planifie les prochaines étapes, laisse les robots les exécuter, puis planifie immédiatement le prochain lot. C'est comme conduire une voiture : vous ne planifiez pas l'itinéraire pour tout le voyage en restant dans votre allée ; vous regardez quelques miles plus loin, vous conduisez, puis vous regardez encore quelques miles plus loin. Cela maintient le système rapide et prêt aux changements.

3. Le « Coach local » (Collaboration des robots)

Une fois une escouade formée, les robots doivent travailler ensemble sur le terrain. HECTOR leur donne différentes stratégies selon la situation :

Scénario A (Carte connue) : Si les robots savent exactement où se trouvent les cibles (comme livrer à 10 maisons connues), ils calculent l'itinéraire le plus rapide pour les visiter toutes sans entrer en collision.
Scénario B (Recherche et sauvetage) : Si les robots cherchent quelque chose dont ils ne connaissent pas l'emplacement (comme trouver des survivants dans un champ de décombres), ils se séparent pour couvrir la zone. Dès qu'ils trouvent une « sous-tâche » (un survivant), ils assignent instantanément le robot le plus proche pour aider, tandis que les autres continuent de chercher.
Scénario C (Cibles mobiles) : Si les cibles se déplacent (comme poursuivre un véhicule en mouvement), les robots communiquent constamment entre eux pour se relayer sur qui poursuit qui, garantissant qu'ils ne perdent jamais la cible.

Pourquoi est-ce une grande avancée ?

Le papier a testé ce système avec 80 robots et 30 missions complexes impliquant des centaines de minuscules sous-tâches.

Vitesse : Il était beaucoup plus rapide que les autres méthodes. Alors que d'autres systèmes prenaient des minutes pour se réorganiser lorsque les choses changeaient, HECTOR l'a fait en moins d'une seconde.
Fiabilité : Il a réussi à accomplir 100 % des missions, même lorsque les chercheurs simulaient des pannes de robots ou des pertes de repères.
Contrôle humain : Il a prouvé qu'un humain peut gérer efficacement une immense flotte en donnant des ordres de haut niveau (comme « Priorisez ceci ! ») sans se perdre dans les détails du mouvement de chaque robot.

En résumé : HECTOR est un système qui permet à un humain de diriger une grande équipe diversifiée de robots. Il gère les mathématiques ennuyeuses de « qui fait quoi », forme les meilleures équipes à la volée et permet à l'humain d'intervenir pour changer le plan de jeu instantanément, ce qui le rend parfait pour des situations chaotiques comme les secours en cas de catastrophe ou les livraisons à grande échelle.

Résumé technique : HECTOR – Coordination et supervision hiérarchiques centrées sur l'humain de flottes robotiques

1. Énoncé du problème

L'article aborde le défi de la coordination de flottes robotiques hétérogènes à grande échelle (par exemple, drones aériens sans pilote et véhicules terrestres sans pilote) dans des environnements dynamiques et partiellement inconnus, sous des tâches temporelles continues. Bien que les flottes robotiques offrent une efficacité grâce à la collaboration, le contrôle humain direct de chaque unité est irréaliste. Les approches existantes échouent souvent à combler simultanément trois lacunes critiques :

Interaction dynamique en ligne : La plupart des méthodes supposent des ensembles de tâches statiques et prédéfinis, négligeant la nécessité pour les opérateurs d'ajouter, d'annuler ou de reprioriser des missions en temps réel.
Passage à l'échelle sous incertitude : La planification centralisée traditionnelle (par exemple, la programmation linéaire en nombres entiers mixtes) souffre d'une explosion combinatoire, tandis que les méthodes décentralisées manquent souvent de garanties pour des contraintes temporelles complexes ou échouent à gérer des nombres et des emplacements de sous-tâches incertains.
Intégration de l'humain dans la boucle : Les cadres actuels traitent souvent l'interaction humaine comme une réflexion après coup ou la limitent à de petites équipes, manquant de protocoles pour une supervision et une intervention de haut niveau dans des opérations à grande échelle.

L'objectif principal est de synthétiser des plans collectifs minimisant le temps de réponse moyen aux missions tout en satisfaisant les spécifications de logique temporelle linéaire (LTL), les contraintes de capacité et les demandes dynamiques de l'opérateur (nouvelles missions, annulations, changements de priorité et réattributions manuelles).

2. Méthodologie : Le cadre HECTOR

La solution proposée, HECTOR, utilise une architecture hiérarchique à trois couches pour découpler la coordination globale de l'exécution locale, permettant ainsi une évolutivité et une interaction humaine robuste.

Couche I : Protocole d'interaction Humain-Flotte

Cette couche établit une interface bidirectionnelle et multimodale (texte, voix, modèles) permettant aux opérateurs d'émettre quatre types de demandes en ligne :

$\kappa_1$ (Nouvelle mission) : Émission de nouvelles spécifications sc-LTL (LTL sûre syntaxiquement) avec des nombres et des emplacements de sous-tâches incertains.
$\kappa_2$ (Annulation) : Suppression de missions incomplètes sans perturber les tâches en cours.
$\kappa_3$ (Modification) : Mise à jour des délais et des priorités des missions existantes.
$\kappa_4$ (Réaffectation) : Attribution manuelle de robots spécifiques à des missions spécifiques.
Le protocole mappe ces demandes vers un module de décomposition de tâches et une interface de visualisation, assurant une boucle de rétroaction fermée sur l'état de la flotte et la faisabilité du plan.

Couche II : Attribution de tâches et formation d'équipes à horizon glissant

Cette couche gère l'allocation globale des missions aux équipes en utilisant un arbre de recherche guidé par automate plutôt qu'un produit synchrone complet des modèles de robots et des automates de tâches (ce qui serait prohibitif en termes de calcul).

Décomposition et attribution simultanées : L'algorithme explore un arbre où les nœuds représentent des plans d'équipe partiels et les états atteignables courants des automates de mission. Il détermine simultanément le nombre optimal d'équipes ( $K$ ), leur composition et la séquence des tâches.
Fonction de valeur et bornage : Une fonction de valeur heuristique $\chi(\nu)$ équilibre la durée totale, le coût et l'avancement de la mission. Les nœuds sont élagués en utilisant une relation de dominance basée sur un profil de performance $\zeta(\nu)$ , assurant que la recherche se concentre sur les fronts non dominés.
Horizon glissant : Pour gérer les mises à jour dynamiques, le planificateur opère avec un horizon fini $H$ . Il se met en pause lorsque $H$ tâches sont attribuées et reprend lors de déclencheurs de replanification (par exemple, achèvement d'une tâche, nouvelles demandes ou infeasibilité).
Formation d'équipes consciente de la redondance : Une fois les tâches attribuées à des équipes abstraites, une formulation de programmation linéaire en nombres entiers mixtes (MILP) attribue des robots spécifiques. Cette étape intègre une marge de redondance ( $\alpha$ ) pour tenir compte de l'incertitude des sous-tâches et des défaillances potentielles de robots, assurant une appartenance d'équipe disjointe tout en satisfaisant les contraintes de capacité.

Couche III : Coordination locale au sein des équipes

Étant donné les tâches attribuées à une équipe, cette couche coordonne l'exécution des sous-tâches et la génération de trajectoires en fonction de la nature des sous-tâches :

Statique et connue : Résout un problème de routage multi-véhicules (MVRP). Pour les robots non-holonômes, il utilise des primitives de mouvement (par exemple, courbes de Dubins) et une recherche hybride-A* pour optimiser conjointement les trajectoires et la séquence des tâches.
Statique et inconnue : Utilise une stratégie d'Exploration et Coordination Simultanées (SEC). Les robots couvrent collaborativement la région pour révéler les sous-tâches, insérant dynamiquement les sous-tâches découvertes dans les plans locaux afin de minimiser la perturbation de la durée totale.
Dynamique et connue : Utilise un algorithme de Formation de Coalition Dynamique Distribuée (DCF). Les robots mettent à jour leurs appartenances à des coalitions en fonction des estimations de coûts locales et de la communication entre pairs pour suivre des cibles mobiles, assurant des coalitions disjointes et des charges de travail équilibrées.

3. Contributions clés

L'article revendique deux contributions principales :

Un cadre flexible et évolutif : HECTOR permet aux opérateurs d'interagir avec et de coordonner des flottes hétérogènes à grande échelle dans des environnements incertains. Il gère explicitement l'interdépendance entre les missions de logique temporelle de haut niveau et la faisabilité du mouvement de bas niveau.
Traitement explicite des aspects pratiques : Le cadre intègre des capacités hétérogènes, des utilités de collaboration paramétrables, des contraintes temporelles et la variabilité dans la distribution des sous-tâches. Il introduit un protocole spécifique pour l'intervention humaine en ligne qui évite la nécessité d'une reconstruction complète du système lors de changements de mission.

4. Résultats expérimentaux

Des simulations approfondies avec boucle humaine ont été menées avec 80 robots hétérogènes exécutant 30 missions (450 sous-tâches) dans un environnement dynamique.

Performance par rapport aux références : HECTOR a atteint un temps de réponse total aux missions de 184,4 s, surpassant significativement la MILP centralisée (327,8 s) et les méthodes basées sur l'échantillonnage (286,0 s). Il a maintenu un taux de réussite de 100 %, tandis que les méthodes ignorant l'incertitude (par exemple, SAMP-Subtask, Flow) sont tombées à 86–96 %.
Efficacité computationnelle : Le temps de planification moyen était de 0,46 s (maximum 0,76 s), démontrant l'efficacité de l'approche hiérarchique par rapport à la référence à horizon infini (Inf-H), qui a souffert de temps de planification allant jusqu'à 415,8 s.
Évolutivité et robustesse : Des tests avec jusqu'à 170 robots et 100 tâches ont montré que les temps de planification restaient inférieurs à 2,0 s même avec des taux de défaillance de robots de 10 %. Le système a récupéré avec succès des défaillances en réaffectant des ressources sans perdre le succès de la mission.
Validation haute fidélité : Une simulation basée sur ROS avec 12 UAVs dans un scénario de secours en cas de catastrophe a confirmé la capacité du cadre à gérer les dynamiques réelles, les contraintes de courbure et les interventions d'opérateurs en temps réel (annulations, réattributions, changements de délais).

5. Signification et revendications

L'article positionne HECTOR comme une évolution nécessaire dans les systèmes multi-robots, comblant le fossé entre la planification de logique temporelle théorique et le déploiement pratique à grande échelle.

Pertinence pratique : Il répond au « besoin pratique » pour les opérateurs de gérer des flottes dans le secours en cas de catastrophe, la surveillance et la livraison, où les tâches évoluent et où les incertitudes sont inhérentes.
Efficacité par la hiérarchie : En découplant la formation d'équipes, l'attribution de tâches et la coordination locale, la méthode évite la complexité doublement exponentielle de la synthèse globale tout en conservant des garanties de correction.
Conception centrée sur l'humain : Contrairement aux systèmes entièrement autonomes, HECTOR prend explicitement en charge une « communication allégée » et une surveillance de haut niveau, permettant aux opérateurs d'intervenir efficacement sans être submergés par les détails de bas niveau.
Limites : Les auteurs notent modestement que le travail actuel ne traite pas des tâches « dynamiques et inconnues » (où les emplacements et les nombres de sous-tâches sont à la fois inconnus et changent simultanément), car cela nécessiterait une combinaison de stratégies d'exploration et de coalitions dynamiques non entièrement explorées ici. De plus, les contraintes de communication (latence, perte de paquets) sont reconnues comme des domaines à affiner à l'avenir.