Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Atelier interdisciplinaire sur l'intelligence mécanique : rapport de synthèse
RecherchearXiv cs.RO 

Atelier interdisciplinaire sur l'intelligence mécanique : rapport de synthèse

1 source couvre ce sujet·Source originale ↗·
Résumé IASource uniqueImpact UE

Les 30 et 31 mai 2024, la National Science Foundation (NSF) a accueilli dans ses locaux un atelier interdisciplinaire de deux jours consacré à l'intelligence mécanique (MI, Mechanical Intelligence). L'événement a réuni 38 chercheurs académiques invités et 8 responsables de programmes NSF, soit 46 participants au total. Le format privilégiait les discussions en petits groupes (4 à 5 personnes) et en groupes élargis (9 à 10 personnes), chaque session aboutissant à des notes consignées dans des diaporamas partagés et présentées en clôture le second jour. Le rapport issu de ce workshop vient d'être déposé sur arXiv (2604.16381).

L'intelligence mécanique désigne la capacité de systèmes matériels, biologiques ou robotiques à encoder des fonctions cognitives, réactivité, adaptabilité, mémoire, apprentissage, directement dans leur structure physique, sans recourir à du calcul électronique ou à du code logiciel. C'est une rupture conceptuelle avec l'intelligence computationnelle classique : plutôt que de traiter l'information dans un processeur centralisé, le comportement intelligent émerge de la morphologie, de la compliance ou des propriétés des matériaux eux-mêmes. Pour les intégrateurs et concepteurs de systèmes robotiques, cette approche ouvre une voie vers des robots plus robustes, moins énergivores et capables d'opérer dans des environnements non structurés sans dépendre d'une boucle de contrôle lourde.

Ce workshop s'inscrit dans un intérêt croissant pour la robotique morphologique et la soft robotics, des champs où des institutions européennes comme l'EPFL, l'Università di Pisa ou des startups françaises proches de l'écosystème Inria jouent un rôle actif. La MI fait écho aux travaux sur les actionneurs compliant et aux recherches sur le sim-to-real gap : si l'intelligence est partiellement distribuée dans la mécanique, les besoins en simulation précise diminuent. Le rapport de synthèse, produit collectivement par les participants, constitue une feuille de route potentielle pour orienter les futurs appels à projets NSF dans ce domaine, et pourrait influencer des financements analogues côté ERC ou ANR dans les prochaines années.

Impact France/UE

L'EPFL, l'Università di Pisa et l'écosystème Inria sont actifs dans le champ couvert ; les conclusions du rapport pourraient orienter de futurs appels ERC et ANR en robotique morphologique et soft robotics.

Dans nos dossiers

arXiv cs.RO

À lire aussi

Quantifier l'intelligence mécanique des robots à pattes grâce à la théorie de l'information
1arXiv cs.RO 

Quantifier l'intelligence mécanique des robots à pattes grâce à la théorie de l'information

Des chercheurs proposent un cadre mathématique fondé sur la théorie de l'information pour mesurer ce qu'ils appellent l'intelligence mécanique des robots à pattes, c'est-à-dire la part du contrôle que la structure physique du robot assume à la place du logiciel. L'étude, publiée sur arXiv sous la référence 2609.19588v1, traite la dynamique du corps du robot à la fois comme un processus de calcul et comme un canal de communication, et développe des métriques quantifiant en bits la façon dont l'information circule à travers les modes mécaniques et les coordonnées articulaires. Les auteurs comparent deux approches de conception très répandues dans l'industrie des robots à pattes : les actionneurs série-élastiques, qui intègrent une compliance explicite, et les transmissions proprioceptives à faible rapport de réduction, qui transmettent plus directement les forces au sol. Le cadre est validé sur trois systèmes de complexité croissante : un modèle linéaire simplifié de la transmission d'une jambe, une simulation non linéaire d'une seule patte, puis des quadrupèdes simulés pilotés par une politique de contrôle apprise, confrontés à un terrain accidenté. Pour les ingénieurs et intégrateurs qui conçoivent des robots à pattes, ce travail offre un outil quantitatif là où le choix entre compliance mécanique et contrôle logiciel relevait jusqu'ici largement de l'intuition ou de règles empiriques. En chiffrant combien de "calcul" une transmission élastique ou une jambe à faible réduction retire effectivement à la politique de commande, l'étude permet d'objectiver un arbitrage central dans la conception des actionneurs de robots à pattes et, potentiellement, humanoïdes : jusqu'où déléguer l'intelligence du mouvement au matériel plutôt qu'à l'algorithme. Ce n'est pas une démonstration produit ni une annonce commerciale mais un travail de fond méthodologique, qui s'inscrit dans les débats actuels sur le calcul incarné et sur la part réelle jouée par le corps physique dans des politiques apprises censées gérer l'essentiel du contrôle. Le concept d'intelligence mécanique circule depuis plusieurs années dans la robotique bio-inspirée, la robotique souple et les essaims de robots, mais il est resté jusqu'à présent largement qualitatif, faute de mesure rigoureuse. Cette publication s'attaque directement à ce manque en s'appuyant sur les robots à pattes modernes comme banc d'essai, du fait de la richesse de leur littérature technique sur la compliance et les transmissions. Les auteurs présentent ce travail comme une base pour des études plus larges sur les mécanismes robotiques et leur rôle dans le calcul incarné, sans annoncer à ce stade d'application matérielle, de partenaire industriel ni de calendrier de déploiement.

RecherchePaper
1 source
Synthèse d'opérateurs de Koopman hamiltoniens à port pour les systèmes mécaniques
2arXiv cs.RO 

Synthèse d'opérateurs de Koopman hamiltoniens à port pour les systèmes mécaniques

Des chercheurs ont publié sur arXiv en septembre 2026 un article (référence 2609.17249v1, catégorie "new") qui propose un cadre pour rendre les modèles de Koopman appris à partir de données compatibles avec les lois de conservation d'énergie des systèmes mécaniques régis par les équations d'Euler-Lagrange. Les modèles de Koopman linéarisent des dynamiques robotiques non linéaires pour accélérer prédiction et commande, mais appris uniquement sur des trajectoires, ils peuvent produire une croissance artificielle d'énergie et diverger lors de prédictions récursives. En travaillant en coordonnées de moment généralisé, les auteurs isolent l'actionnement mécanique comme un port connu et indépendant de l'état, conservé explicitement dans la dynamique projetée, et entraînent une architecture neuronale contrainte qui apprend conjointement les fonctions de projection et un générateur de Koopman port-hamiltonien rendu passif par construction. Une discrétisation de Cayley au point milieu préserve exactement, en temps discret, l'équilibre entre énergie stockée et dissipée, et les auteurs démontrent analytiquement ce bilan ainsi que les garanties de stabilité du prédicteur, validées ensuite par simulation et essais expérimentaux montrant de meilleurs gains en précision, en efficacité des données et en suivi de trajectoire en boucle fermée par rapport aux méthodes de Koopman de référence, gains qui s'accentuent pour les systèmes de dimension plus élevée. Le travail cible une faiblesse connue des approches Koopman purement pilotées par les données, utilisées en commande prédictive (MPC) linéaire pour promettre des calculs rapides en robotique: propagés sur plusieurs pas de temps, ces modèles peuvent devenir instables ou diverger énergétiquement, ce qui fragilise leur usage en boucle fermée sur du matériel réel. En imposant la structure port-hamiltonienne directement dans l'architecture plutôt que via une pénalité de régularisation ou une correction a posteriori, les auteurs offrent une garantie de stabilité structurelle et non plus seulement statistique, un argument direct pour les intégrateurs qui doivent certifier le comportement de bras robotiques ou de systèmes à jambes en temps réel sur de l'électronique embarquée. Le gain revendiqué en efficacité des données, une précision comparable avec moins de trajectoires d'apprentissage, réduirait aussi le coût de collecte réelle, et nuance l'idée qu'un modèle Koopman purement empirique suffirait à commander des systèmes mécaniques complexes sans garde-fou physique explicite. Le cadre s'inscrit dans la lignée des travaux sur l'opérateur de Koopman en robotique, popularisé pour linéariser des dynamiques non linéaires au profit de la commande prédictive, et sur les réseaux "Deep Koopman" qui apprennent les fonctions de projection directement depuis des trajectoires; les approches précédentes préservaient l'énergie via des pénalités de coût ou des projections après apprentissage, jugées insuffisantes car elles ne garantissent pas la passivité en toute circonstance. En imposant la structure dès la conception du réseau, les auteurs se rapprochent des travaux sur les réseaux hamiltoniens et lagrangiens appliqués à la dynamique physique. Le papier reste à un stade de recherche, validé en simulation et en laboratoire sans plateforme robotique commerciale ni partenaire industriel nommé, les auteurs indiquant que l'avantage grandit avec la dimension du système, ce qui ouvre la voie à des extensions vers des robots comportant davantage de degrés de liberté.

RecherchePaper
1 source
Vers l'intelligence des mains dextériques en robotique : un état de l'art
3arXiv cs.RO 

Vers l'intelligence des mains dextériques en robotique : un état de l'art

Une équipe de chercheurs a publié en mai 2026 sur arXiv (identifiant 2605.13925) une revue systématique de l'état de l'art des mains robotiques dextres, couvrant l'ensemble de la chaîne de recherche : mécanique et actionnement, perception tactile, méthodes de contrôle et d'apprentissage, jeux de données et protocoles d'évaluation. Le papier structuré en quatre axes examine les compromis fondamentaux entre capacité de force, compliance mécanique, bande passante de contrôle et complexité d'intégration. Il recense les principales architectures de transmission (câbles, tendons, engrenages), les modalités sensorielles embarquées (capteurs de force, peau artificielle, vision tactile type GelSight), et retrace l'évolution chronologique des paradigmes de contrôle : du contrôle impédanciel classique vers les approches par apprentissage par renforcement, imitation, et plus récemment les Visual-Language-Action models (VLA) appliqués à la manipulation en contact riche. L'intérêt principal de cette synthèse pour les équipes R&D et les intégrateurs industriels est qu'elle tente de résoudre un problème structurel du domaine : l'hétérogénéité des hypothèses expérimentales rend les comparaisons entre travaux quasi impossibles. Les auteurs pointent explicitement que les résultats publiés varient selon l'embodiment de la main, la configuration sensorielle, le type de tâche et le protocole d'évaluation retenu, ce qui obscurcit la trajectoire réelle du secteur. En consolidant datasets, pratiques de benchmarking et métriques d'évaluation dans un cadre commun, le survey fournit une grille de lecture pour juger si les progrès annoncés relèvent d'avancées méthodologiques réelles ou d'artefacts de setup. C'est particulièrement utile dans un contexte où les démos vidéo soigneusement sélectionnées et les claims "sim-to-real solved" se multiplient sans validation robuste sur des tâches industrielles répétables. Ce travail s'inscrit dans une vague de consolidation académique portée par l'essor des mains humanoïdes commerciales : Figure (main intégrée sur Figure 02 et 03), Tesla Optimus, Agility Robotics ou encore les systèmes de Sanctuary AI ont tous relancé l'intérêt pour la manipulation dextre après deux décennies de progrès limités post-DLR Hand et Shadow Hand. Côté recherche, les laboratoires Carnegie Mellon, Stanford, ETH Zurich et, en Europe, des acteurs comme Enchanted Tools (France) et des spin-offs universitaires allemands poussent des approches hybrides hardware-learning. Le survey identifie comme chantiers ouverts prioritaires : la généralisation hors distribution (objets inconnus, matériaux déformables), la robustesse sensorielle en conditions industrielles dégradées, et la co-optimisation hardware-software encore trop rare. Aucun calendrier de publication étendue n'est annoncé ; le preprint est disponible en accès libre sur arXiv.

UELe survey cite explicitement Enchanted Tools (France) et des spin-offs universitaires allemands comme acteurs actifs sur la manipulation dextre hybride hardware-learning, en faisant une ressource de référence directement pertinente pour les équipes R&D françaises du secteur.

RecherchePaper
1 source
Revue complète de l'intelligence artificielle physique générative
4arXiv cs.RO 

Revue complète de l'intelligence artificielle physique générative

Une revue de littérature mise en ligne sur arXiv (référence 2609.18111v1) dresse un panorama de ce que ses auteurs appellent l'intelligence artificielle physique générative, des systèmes qui associent modèles de fondation et corps physiques pour percevoir, raisonner et agir de façon autonome. Ils distinguent cinq familles : les Robot Foundation Models, pour transférer des compétences entre plateformes robotiques différentes ; les modèles Vision Language Action, pour la perception multimodale et la commande de bout en bout ; les Large Behavior Models, pour générer des mouvements proches du geste humain ; les Diffusion Policy Models, fondés sur la diffusion, pour produire des séquences d'actions cohérentes dans le temps ; et les World Foundation Models, qui simulent la physique pour générer des données d'entraînement. Les exemples cités couvrent les véhicules autonomes, l'automatisation industrielle, la robotique médicale et les systèmes humanoïdes. Pour les intégrateurs et décideurs du secteur, l'apport tient à la mise en ordre d'un paysage saturé de revendications concurrentes, en montrant que ces cinq approches se complètent plutôt qu'elles ne s'opposent : un World Foundation Model peut fournir les données synthétiques qui entraînent un VLA ou un modèle de diffusion, un Robot Foundation Model porte une politique apprise d'une plateforme vers une autre, un Large Behavior Model apporte les a priori de mouvement qui rendent un geste crédible. Cette lecture tempère le discours souvent binaire sur la résolution du sim-to-real ou la capacité des VLA à généraliser seuls, en rappelant que les gains de performance observés restent portés par la combinaison de plusieurs briques technologiques plutôt que par une architecture unique. Il s'agit d'un travail de synthèse académique et non de l'annonce d'un produit ou d'un déploiement : aucune entreprise, aucun robot ni aucun chiffre de série n'est associé à cette publication, à la différence des communiqués habituels du secteur. Les auteurs inscrivent leur cadre dans la continuité des recherches sur l'IA incarnée et l'apprentissage de politiques robotiques, en le prolongeant vers des environnements connectés à l'internet des objets où des agents doivent coopérer avec des capteurs et des actionneurs en périphérie de réseau. Ils pointent plusieurs axes de recherche encore ouverts : apprentissage économe en données, transfert simulateur-réel, architectures compatibles avec le calcul embarqué, et cadres de sécurité, sans annoncer de calendrier ni de prototype précis pour ces prochaines étapes.

RecherchePaper
1 source