Algorithme de contrôle décentralisé pour l’exploration multi-agents avec communication restreinte

Decentralised control algorithm for multi-agent exploration with restricted communication

• Auteur / Autrice : Mathilde Jeannin
• Direction : Éric Goubault, Sylvie Putot
• Type : Thèse de doctorat
• Discipline(s) : Informatique, données, IA
• Date : Soutenance le 30/04/2026
• Etablissement(s) : Institut polytechnique de Paris
• Ecole(s) doctorale(s) : École doctorale de l'Institut polytechnique de Paris
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'informatique de l'École polytechnique (Palaiseau ; 1988-....) - Laboratoire d'informatique de l'École polytechnique [Palaiseau] / LIX
• Jury : Président / Présidente : Olivier Simonin
• Jury : Examinateurs / Examinatrices : Éric Goubault, Sylvie Putot, Cristina Stoica-Maniu, Abdel-Illah Mouaddib, Franck Djeumou
• Jury : Rapporteurs / Rapporteuses : Cristina Stoica-Maniu, Abdel-Illah Mouaddib
• DOI : 10.70675/d6a4a911z9c06z4550z906dz64908f4ad9a2

Mots clés

Mots clés contrôlés

Traitement réparti

Robots mobiles

Robots autonomes

Planification -- Informatique

Méthode de Monte-Carlo

Mots clés libres

Exploration 2D

Robotique distribuée

Communication

Communication

Distributed robotics

2D exploration

Résumé

Ces travaux de thèse s’inscrivent dans un contexte de mission d’exploration multi-robots. Cependant, à cause de l’environnement ou des technologies, la communication peut être instable et la connectivité entre les robots n’est jamais assurée. Ces travaux cherchent donc à développer et étudier une solution pour l’exploration d’un environnement inconnu à l’aide d’un algorithme de contrôle distribué avec communications restreintes. Ces travaux sont basés sur un outil de planification appelé DecMCTS proposé par Best et al. en 2019.Une première contribution est donc l’application de cet algorithme à un problème d’exploration. Celui-ci planifie, pour chaque robot, dans un Markov Décision Process (MDP) à l’aide d’un arbre, les action set états possibles pour simuler des futurs et en tirer la meilleure action à appliquer dans la réalité afin d’optimiser l’exploration. Les états sont calculés en utilisant la connaissance des séquences d’actions probables des autres robots qui leur a été communiquée plus tôt. Une seconde contribution remplace la marche aléatoire dans l’étape de simulation du MCTS local d’un robot, par un suivi de frontière permettant une exploration bien plus efficace, en particulier dans des cartes ”intérieur”. Ces travaux proposent aussi une stratégie de communication permettant de relayer les informations d’un robot à l’autre afin de compenser les limites de la communication.Des études expérimentales ont montre l’intérêt du DecMCTS étendu en comparaison avec quelques algorithmes de la littérature. Une étude d’ablation a permis de montrer que le relai des données n’a quasiment aucun impact sur l’exploration. Elle a cependant montré la robustesse du DecMCTS étendu face aux restrictions de communication, la pertinence de la phase de simulation du MCTS guidée par un suivi de frontière, ainsi que l’intérêt de l’utilisation des séquences d’actions des autres robots quelque soit leur ancienneté dans la planification.

This PhD research is set within the context of a multi-robot exploration mission. However, due to the environment or the technologies involved, communication can be unreliable and connectivity between robots isnot guaranteed. This research aims to develop and investigate a solution for exploring an unknown environment using a distributed control algorithm with limited communication.This work is based on a planning tool called DecMCTS proposed by Best et al. in 2019. A first contribution is therefore the application of this algorithm to an exploration problem. This algorithm plans,for each robot, within a Markov Decision Process(MDP) using a tree, the possible actions and statesto simulate future scenarios and chose the best action to apply in reality in order to optimise exploration.The states are calculated using knowledge of the probable action sequences of the other robots that was communicated to them earlier. A second contribution replaces the random walk of the simulation stage ofa robot’s local MCTS with a frontier-based method toenable much more efficient exploration, particularly in“indoor” maps. This work also proposes a communication strategy for relaying information from one robotto another to compensate for communication limitations. Experimental studies have demonstrated the benefitsof the extended DecMCTS compared with several algorithms found in the literature. An ablation study demonstrated that data relaying has virtually no impacton exploration. However, it highlighted the robustnessof the extended DecMCTS in the face of communication constraints, the relevance of the MCTS simulationphase guided by a frontier method, and the benefitsof using the action sequences of other robots in planning, even if they are outdated.