Optimisation de flux de robots d'entrepôt par GNN / MARL

L’idée

Dans un entrepôt simulé, des dizaines de robots doivent circuler sans se gêner et livrer au plus vite. Le problème est fondamentalement multi-agents : chaque robot décide pour lui, mais la performance est collective.

L’approche

• Modélisation de l’entrepôt en graphe (GNN) pour capturer la structure spatiale et les interactions entre robots.
• Apprentissage par renforcement multi-agents (MARL) pour apprendre des politiques de déplacement coordonnées.

Projet mené dans le cadre du master en Intelligence Artificielle à l’UQAC (2025).