Cet article présente un cadre de planification en ligne et un nouvel ensemble de données de référence pour résoudre le problème de relocalisation multi-objets dans des environnements multispatiaux partiellement observables. Les solutions de relocalisation d'objets existantes, basées sur l'apprentissage par renforcement ou sur des méthodes de planification codées manuellement, manquent souvent d'adaptabilité à divers problèmes. Pour pallier ces limitations, cet article propose une approche de planification par processus de décision markovien hiérarchique orienté objet partiellement observable (HOO-POMDP). Cette approche comprend (a) un planificateur POMDP orienté objet générant des sous-objectifs, (b) un ensemble de politiques de bas niveau pour atteindre ces sous-objectifs, et (c) un système d'abstraction transformant le monde continu de bas niveau en une représentation adaptée à la planification abstraite. Pour permettre une évaluation rigoureuse du problème de relocalisation, nous présentons MultiRoomR, un benchmark complet présentant divers environnements multispatiaux (observabilité partielle de 10 à 30 %, chemins bloqués, cibles occultées et 10 à 20 objets répartis dans 2 à 4 pièces). Les résultats expérimentaux démontrent que le système proposé gère efficacement ces scénarios complexes malgré une perception imparfaite et obtient des résultats prometteurs à la fois sur les benchmarks existants et sur le nouvel ensemble de données MultiRoomR.
