Scensory : perception olfactive robotique en…

1arXiv cs.RO

SocioGesture : perception adaptative en temps réel des gestes sociaux pour l'interaction homme-robot

Des chercheurs présentent SocioGesture, un système de perception gestuelle sociale conçu pour l'interaction humain-robot en temps réel, décrit dans un article publié sur arXiv le 4 septembre 2026 (arXiv:2609.04545v1). L'objectif est de faire reconnaître à un robot non seulement des commandes explicites, mais aussi des signaux sociaux comme une invitation, un refus ou un signe d'indisponibilité, à partir de capteurs embarqués imparfaits, sujets aux occlusions partielles et aux changements de point de vue. Le système repose sur une représentation compacte du squelette corps-mains avec score de confiance, couplée à un modèle léger à deux flux qui fusionne le mouvement du corps et l'articulation des mains pour une reconnaissance à faible latence directement sur le robot. Pour renforcer la robustesse, les chercheurs entraînent le modèle avec une méthode de corruption volontaire du squelette simulant des mains manquantes, des bras occultés ou des points-clés instables dans le temps, sans alourdir le coût de calcul à l'inférence. Testé sur un jeu de données de gestes sociaux collecté en environnements mixtes intérieur-extérieur, SocioGesture atteint une bonne reconnaissance sur des sujets non vus à l'entraînement, améliore nettement la robustesse face aux occlusions structurées, et tourne en temps réel sur un dispositif de calcul embarqué (edge). Cette avancée cible un angle mort concret de la robotique de service et industrielle: la plupart des systèmes actuels traitent les gestes comme des commandes isolées, mais ignorent les signaux sociaux implicites qui régulent une interaction naturelle en environnement partagé avec des humains, ce qui limite l'acceptabilité et la fluidité des robots déployés en espace public ou en usine. En prouvant qu'un modèle léger peut tourner en embarqué avec robustesse face à l'occlusion, un problème récurrent en conditions réelles, sans démonstration vidéo sélective ni matériel de calcul déporté, l'étude apporte un signal utile aux intégrateurs qui cherchent à dépasser le stade de la démo contrôlée en laboratoire. Le mécanisme d'apprentissage continu, qui met de côté les séquences ambiguës pour un étiquetage différé et permet d'étendre le vocabulaire gestuel sans dégrader les classes déjà apprises, répond aussi à un frein classique au déploiement long terme des robots sociaux. Le travail s'inscrit dans la lignée des recherches en HRI (human-robot interaction) cherchant à rapprocher la perception gestuelle des conditions réelles de terrain, plutôt que des jeux de données propres en studio, une problématique partagée par les laboratoires travaillant sur les modèles vision-langage-action (VLA) et la navigation sociale de robots mobiles ou d'AMR. L'article ne mentionne ni partenariat industriel, ni date de déploiement pilote, ni comparaison chiffrée directe avec des systèmes concurrents commerciaux: il s'agit à ce stade d'une contribution de recherche publiée en preprint, dont la prochaine étape logique serait une validation sur des plateformes robotiques commerciales et des comparaisons benchmark publiques.

RecherchePaper

1 source

2arXiv cs.RO

Peau miroir : visualisation en temps réel de l'intention tactile du robot sur sa peau robotique

Des chercheurs présentent Mirror Skin, un concept de communication tactile pour l'interaction physique homme-robot, décrit dans un article déposé sur arXiv (2512.11472). Inspiré des céphalopodes capables de projeter des motifs visuels sur leur propre peau, le système affiche en temps réel, directement sur la région de la peau robotique qui va entrer en contact, une représentation visuelle de la partie du corps humain concernée. L'objectif est de répondre à trois questions simultanément : qui initie le contact, où il va se produire précisément sur le robot, et quand il devient imminent. La conception a été guidée par une étude structurée menée avec des experts du domaine, puis validée par un prototype fonctionnel de preuve de concept. Deux séries de tests utilisateurs, l'une en réalité virtuelle, l'autre sur le prototype physique réel, montrent des gains significatifs en précision d'interprétation de l'intention tactile et en temps de réponse, ainsi qu'une amélioration perçue de l'expérience utilisateur. L'enjeu dépasse la simple curiosité de laboratoire : la communication de l'intention tactile est un verrou de sécurité pour toute interaction physique homme-robot, qu'il s'agisse de cobots industriels, de robots d'assistance ou d'humanoïdes appelés à travailler à proximité immédiate d'opérateurs. Les signaux actuels, LED clignotantes, sons, écrans génériques, manquent selon les auteurs de spécificité spatiale et de profondeur sémantique pour indiquer précisément où et quand un contact va survenir. En démontrant qu'un affichage localisé sur la peau elle-même améliore mesurablement la compréhension et la réactivité humaines, ces travaux apportent un argument concret pour repenser les interfaces de sécurité des robots collaboratifs, au-delà des indicateurs lumineux ou sonores standards utilisés aujourd'hui dans l'industrie. Le travail s'inscrit dans le courant de la robotique bio-inspirée, qui puise dans le camouflage dynamique et la signalisation visuelle des céphalopodes pour concevoir des surfaces robotiques communicantes. Il reste à ce stade un prototype de recherche validé en environnement contrôlé, sans annonce de partenaire industriel ni de calendrier d'intégration sur une plateforme commerciale. Les auteurs présentent ce travail comme une première démonstration de faisabilité, ouvrant la voie à des évaluations sur des robots humanoïdes ou collaboratifs complets plutôt qu'un prototype localisé.

RecherchePaper

1 source

3arXiv cs.RO

TACTFUL : exploration tactile pour la localisation et l'identification d'objets en environnements confinés

Des chercheurs ont publié sur arXiv (preprint 2606.24712) TACTFUL, un framework d'exploration tactile sans vision permettant à un robot multi-doigts d'explorer autonomement des espaces de travail confinés, de détecter des objets par contact physique et de les identifier via reconstruction tactile. Le système apprend une politique unique qui alterne entre exploration globale de l'espace de travail et raffinement local de surface, piloté par un calendrier de récompense dynamique. Fait remarquable : l'entraînement se fait entièrement sur du matériel réel, sans recours à la simulation. Les résultats annoncés atteignent 77% de taux de réussite avec une erreur moyenne de reconstruction de 1,5 cm, surpassant les approches de référence testées sur des objets du monde réel. L'intérêt de cette approche réside dans son fonctionnement sans aucune caméra. La grande majorité des systèmes robotiques actuels dépend de la vision (RGB-D, LiDAR, vision stéréo), ce qui les rend inopérants dans des environnements occultés ou très confinés : intérieur de machines, conduits, espaces sous carrosserie. En démontrant que la perception tactile seule peut localiser et identifier des objets, TACTFUL ouvre une voie complémentaire pour les intégrateurs travaillant en maintenance industrielle, inspection en aveugle ou chirurgie mini-invasive. L'entraînement sur matériel réel est également significatif : il évite le gap sim-to-real qui fragilise souvent les politiques apprises en simulation, un problème récurrent dans la robotique de manipulation fine. La perception tactile robotique reste un domaine de niche face à l'hégémonie de la vision par ordinateur. Des laboratoires comme MIT CSAIL, Stanford et CMU ont exploré les capteurs de pression et les peaux artificielles, mais l'exploration autonome structurée sans vision était peu documentée à cette échelle. Ce preprint s'inscrit dans une tendance vers des robots capables d'opérer sans capteurs optiques, un besoin croissant dans l'inspection industrielle et la robotique de service. À ce stade, il s'agit d'une contribution académique sans annonce de déploiement commercial. Les suites naturelles incluent l'intégration avec des mains robotiques commerciales (Allegro Hand, Shadow Hand) ou des bras humanoïdes, et des tests sur une plus grande variété d'objets pour consolider le taux de réussite de 77%, qui reste à confirmer hors conditions de laboratoire.

RecherchePaper

1 source

4arXiv cs.RO

OGPO : optimisation de politique générative en une étape pour le contrôle de robots en temps réel

Des chercheurs publient OGPO (One-Step Generative Policy Optimization), un cadre d'apprentissage pour le contrôle robotique en temps réel, dont la version 2 vient d'être diffusée sur arXiv (2601.20701). Il vise un problème précis : les politiques de contrôle fondées sur la diffusion ou le flow matching génèrent les actions en plusieurs étapes d'échantillonnage, ce qui limite leur usage dès que la latence compte. Réduire ce nombre d'étapes à un seul dégrade d'ordinaire la qualité de représentation et la performance sur la tâche. Les auteurs décrivent un compromis à trois pôles entre vitesse, fidélité et performance. OGPO associe une architecture légère au principe d'« interval velocity » pour une inférence en une étape sans distillation, tandis qu'une technique de « représentation spreading » évite la dégradation des représentations. Une phase d'apprentissage par renforcement (RL) on-policy affine ensuite cette politique rapide et stable. Sur les benchmarks RoboMimic et OpenAI Gym, la méthode égale ou dépasse des références multi-étapes, avec une inférence 5 à 20 fois plus rapide et une fréquence de contrôle supérieure à 120 Hz. Un déploiement physique sur un bras Franka Emika Panda est présenté comme validation. L'intérêt tient à la place des politiques génératives dans la robotique actuelle. Diffusion et flow matching sont devenus des choix courants pour représenter des comportements multimodaux, y compris dans plusieurs architectures VLA (vision-langage-action). Leur coût d'inférence impose pourtant des compromis : fréquences de contrôle basses, découpage des actions en blocs (chunking), ou matériel de calcul embarqué plus lourd. Une politique à plus de 120 Hz sans distillation, si les résultats tiennent, rapprocherait ces méthodes des boucles de contrôle réactives, utiles pour la manipulation fine ou le contact. L'ajout du RL on-policy répond à une limite connue de l'apprentissage par imitation, dont la performance reste bornée par la qualité des démonstrations. Les réserves sont claires : RoboMimic et Gym sont des benchmarks académiques, la validation réelle se limite à un seul bras et le résumé ne détaille ni les tâches physiques, ni le taux de réussite, ni le matériel de calcul. Le gain de 5 à 20 fois dépend des références choisies. Ce travail s'inscrit dans une course à l'accélération des politiques génératives. Diffusion Policy a imposé le paradigme, les approches de flow matching comme Pi-0 l'ont repris à plus grande échelle, et plusieurs équipes explorent la distillation en peu d'étapes ou le fine-tuning par RL de ces politiques. OGPO prend une voie sans distillation, en combinant vitesse et amélioration par renforcement. Il s'agit ici d'une publication de recherche, sans produit ni déploiement industriel annoncé. La suite dépendra des preuves sur des tâches plus variées, sur des robots différents et, surtout, de son intégration dans de grands modèles VLA. Une page de projet accompagne l'article.

RecherchePaper

1 source

Scensory : perception olfactive robotique en temps réel pour l'identification conjointe et la localisation de source

À lire aussi

SocioGesture : perception adaptative en temps réel des gestes sociaux pour l'interaction homme-robot

Peau miroir : visualisation en temps réel de l'intention tactile du robot sur sa peau robotique

TACTFUL : exploration tactile pour la localisation et l'identification d'objets en environnements confinés

OGPO : optimisation de politique générative en une étape pour le contrôle de robots en temps réel