Des recherches récentes en robotique montrent qu'un algorithme d'optimisation hybride peut améliorer considérablement la planification de trajectoire pour plusieurs robots autonomes évoluant dans des espaces partagés, comme les entrepôts. Cette approche affine l'Algorithme d'Optimisation du Pélican (POA) en y intégrant une cartographie chaotique pour une meilleure distribution initiale de la population et des stratégies de perturbation inspirées de l'algorithme des lucioles pour éviter les optima locaux.
Cet algorithme amélioré, souvent testé en simulation pour des robots basés sur la localisation et la cartographie simultanées visuelles (VSLAM), vise à résoudre le problème complexe de la planification de trajectoires sans collision et efficaces pour des flottes. L'objectif est de maximiser le taux de réussite global de l'évitement d'obstacles (OA) et de minimiser le temps ou la distance totale de déplacement pour des tâches collaboratives en logistique intérieure.
Des études, dont une publiée dans 'Scientific Reports' en 2024, confirment que de tels hybrides métaheuristiques peuvent surpasser les algorithmes standards en vitesse de convergence et en qualité de solution pour la planification de trajectoire multi-robots (MRPP). L'intégration de cartes chaotiques permet d'explorer l'espace de recherche plus exhaustivement au départ, tandis que les perturbations inspirées des lucioles empêchent l'algorithme de se fixer sur des trajectoires sous-optimales.
L'application principale se situe dans les entrepôts et usines automatisés, où une coordination efficace des robots est cruciale pour le débit. Bien que prometteuse en simulation, le déploiement réel se heurte à des défis comme les obstacles dynamiques, le bruit des capteurs et la nécessité de performances de calcul en temps réel, qui restent des domaines de recherche en ingénierie actifs.
