RecherchearXiv cs.RO 19 mai 2026

Nori Bot : un manipulateur mobile sol-comptoir à moins de 1 000 dollars

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs ont mis en ligne en mai 2026 sur arXiv (2605.16537) les spécifications de Nori Bot, un manipulateur mobile bimanuel à 17 degrés de liberté (DOF) proposé à 947 dollars, soit environ 3% du coût des plateformes commerciales comparables. La plateforme cible trois limitations partagées par tous les systèmes open-source à moins de 1 000 dollars, dont XLeRobot (660 dollars), actuellement le moins cher disponible : un espace de travail figé en hauteur, un contrôle purement réactif, et la destruction des servomoteurs Feetech par blocage mécanique (stall burn-out). Nori Bot répond à ces trois points par un axe Z motorisé de 600 mm intégré sur le bus servo existant, par un Raspberry Pi 4 en client léger couplé au runtime agent proactif OpenClaw permettant de déclencher des tâches physiques via cron jobs et hooks, et par une pile logicielle de sécurité estimant la force de préhension à partir du courant moteur sur des doigts TPU souples, sans capteur dédié. Le code, les fichiers CAD et le manifeste de compétences sont annoncés comme prochainement publiés en open-source.

La résolution simultanée de ces trois verrous sous le seuil des 1 000 dollars constitue un signal concret pour les équipes R&D et les intégrateurs en robotique de service. La plage verticale de 600 mm est un prérequis fonctionnel pour la quasi-totalité des tâches réelles de manipulation, ce qui rendait les plateformes économiques existantes peu utilisables hors contexte académique. L'agent proactif OpenClaw marque un décrochage conceptuel par rapport aux robots éducatifs à exécution commandée : le dispositif peut planifier et enchaîner des séquences autonomes, ouvrant la voie à des usages logistiques légers non supervisés. La détection de blocage par lecture de courant moteur, sans accéléromètre ni capteur de force externe, réduit par ailleurs le coût et la complexité de maintenance, premier frein au déploiement de matériel économique en production.

La plateforme s'inscrit dans une dynamique plus large qui exploite les composants servo grand public (Feetech, Dynamixel) pour démocratiser la manipulation bimaire, dans la continuité de Low Cost Robot (2023) et XLeRobot (2025). Du côté commercial, les plateformes bi-bras sur base mobile comme celles de Figure, Agility Robotics ou Hello Robot Stretch opèrent à des ordres de grandeur de prix incomparables. Il convient de rappeler que cette publication est un preprint arXiv sans évaluation par les pairs, qu'aucun benchmark standardisé ni déploiement terrain n'est documenté à ce stade, et que les performances réelles dépendront de la mise en ligne du code et des fichiers CAD annoncée pour permettre une validation indépendante.

Dans nos dossiers

Agility Robotics — Digit arXiv cs.RO

À lire aussi

1arXiv cs.RO

AhaRobot : un manipulateur mobile bimanuel open source à faible coût pour l'IA incarnée

Une équipe de recherche a publié en mars 2025 sur arXiv les spécifications complètes d'AhaRobot, un manipulateur mobile bimanuel open-source dont le coût matériel total s'élève à 1 000 dollars. Le système repose sur une architecture à deux bras de type SCARA, conçue pour réduire les couples moteurs nécessaires tout en maintenant un large espace de travail vertical. La précision annoncée est de 0,7 mm en répétabilité, obtenue grâce à une compensation de jeu mécanique par double moteur et à une technique de dithering pour neutraliser le frottement statique. L'interface de téléopération associée, RoboPilot, intègre une poignée marqueur à 26 faces qui réduit l'erreur de suivi de 80 % par rapport à une poignée à 6 faces et améliore l'efficacité de collecte de données de 30 %. L'ensemble du code, des fichiers CAO et de la documentation est mis à disposition en accès libre sur aha-robot.github.io. L'enjeu central est l'entraînement des modèles VLA (Vision-Language-Action), tels que pi-0 de Physical Intelligence, GR00T N2 de NVIDIA ou Helix de Figure AI, qui exigent des volumes massifs de données de manipulation réelles et diversifiées. Les plates-formes commerciales équivalentes coûtent généralement entre 20 000 et 100 000 dollars, ce qui limite mécaniquement l'échelle de collecte. À 1 000 dollars par unité, AhaRobot rend théoriquement possible le déploiement de flottes de collecte à faible coût. Les auteurs affirment que la qualité des données est comparable à celle produite par des systèmes de téléopération VR haute gamme, une assertion non encore validée sur des benchmarks standardisés indépendants. La précision de 0,7 mm reste cependant un chiffre solide pour ce niveau de coût. Le projet s'inscrit dans un mouvement plus large de démocratisation du hardware robotique open-source, aux côtés de LeRobot, l'initiative de la société française HuggingFace, et du Low Cost Robot d'Alexander Koch. La conception SCARA bimanuelle fait un compromis délibéré entre dextérité et coût, en abaissant les exigences en couple pour utiliser des actionneurs moins chers. À ce stade, il s'agit d'un preprint de recherche sans déploiement industriel ni pilote commercial annoncé : la prochaine étape naturelle serait une reprise par des laboratoires académiques pour valider l'imitation learning sur des tâches bimanuelles complexes en conditions réelles, et mesurer si l'avantage coût se maintient à l'échelle.

UELa démocratisation du hardware robotique open-source profite aux laboratoires académiques européens aux budgets contraints, dans la continuité de l'initiative LeRobot portée par HuggingFace, entreprise française, qui milite pour les mêmes standards ouverts de collecte de données pour les modèles VLA.

RecherchePaper

1 source

2arXiv cs.RO

ReMoSPLAT : contrôle réactif de manipulation mobile sur un Gaussian Splat

Des chercheurs présentent ReMoSPLAT, un contrôleur réactif pour la manipulation mobile fondé sur une formulation de programme quadratique, qui exploite une représentation en Gaussian Splatting pour l'évitement d'obstacles. Le système coordonne simultanément le mouvement de la base et du bras d'un manipulateur mobile afin d'atteindre une pose cible de l'effecteur terminal, y compris dans des scènes encombrées, sans recourir à une planification de trajectoire coûteuse en calcul. Les auteurs comparent deux méthodes de calcul de distance robot-obstacle : une approche purement géométrique et une approche par rastérisation directement sur le nuage de gaussiennes. Les expériences, menées en simulation sur des scans synthétiques et des scans réels, montrent des performances comparables à celles de contrôleurs disposant d'une connaissance parfaite de l'environnement (vérité terrain). L'approche a également été validée sur une plateforme robotique physique, avec des ressources détaillées sur remosplat.github.io. Le papier, référencé arXiv:2512.09656, est une version mise à jour d'un travail déjà soumis. L'intérêt pour l'industrie robotique tient à la promesse d'éviter le compromis habituel entre réactivité et sécurité : la plupart des contrôleurs réactifs rapides ignorent la géométrie fine de l'environnement, tandis que les méthodes fiables en évitement d'obstacles s'appuient sur une planification lourde et lente. En intégrant directement une représentation Gaussian Splat, format de rendu 3D initialement conçu pour la synthèse d'images photoréalistes, dans une boucle de contrôle temps réel, les auteurs montrent qu'il est possible de rapprocher perception dense et contrôle réactif sans sacrifier la vitesse. C'est un signal utile pour les intégrateurs travaillant sur des AMR à bras embarqué appelés à opérer dans des environnements non structurés, entrepôts ou ateliers, où la cartographie complète et statique de la scène n'est pas toujours disponible ou à jour. Ce travail s'inscrit dans une tendance plus large d'adoption du Gaussian Splatting comme représentation de scène pour la robotique, en alternative aux occupancy grids ou aux maillages classiques, une piste explorée en parallèle par plusieurs laboratoires académiques depuis 2024. Contrairement aux annonces commerciales de robots humanoïdes, il s'agit ici d'un résultat de recherche à un stade préliminaire, validé sur banc d'essai plutôt que déployé en production, dont la suite logique serait une évaluation sur des tâches de manipulation plus longues et des environnements dynamiques.

RecherchePaper

1 source

3arXiv cs.RO

Robot mobile-manipulateur unifié : ABot-M0.5 présente un modèle d'action du monde

Des chercheurs présentent ABot-M0.5, un nouveau "World Action Model" (WAM) conçu pour la manipulation mobile, cette capacité qui combine navigation et manipulation d'objets chez un robot généraliste. Publié sur arXiv début juillet 2026, l'article part d'un constat : les politiques VLA actuelles restent réactives et sans modélisation explicite du monde, tandis que les WAM existants sont mal adaptés à la manipulation mobile car ils traitent des séquences vidéo trop grossières, mélangent les actions de navigation et de manipulation, et entraînent leur dynamique inverse avec une supervision qui ne correspond pas aux conditions réelles d'inférence autorégressive. Pour y remédier, ABot-M0.5 introduit des "actions latentes intermédiaires" qui capturent les transitions visuelles locales et servent de pont entre les représentations vidéo et les commandes propres à chaque robot. Le modèle repose aussi sur une architecture de type Mixture-of-Transformers à deux niveaux, séparant les modalités et les sous-espaces d'action hétérogènes (déplacement de la base d'un côté, manipulation du bras de l'autre). Enfin, une stratégie d'entraînement baptisée "dream-forcing" entraîne progressivement la dynamique inverse sur des vidéos générées par le modèle lui-même plutôt que sur les seules trajectoires réelles, ce qui rapproche les conditions d'entraînement et de test. Les auteurs revendiquent des résultats état de l'art sur des benchmarks de manipulation mobile et de manipulation fine, tant sur le taux de réussite des tâches longues que sur la précision de contrôle. Pour l'industrie robotique, ce travail s'attaque à un problème connu et bloquant : l'accumulation d'erreurs lors des déplacements longs, causée par un décalage entre l'entraînement (sur trajectoires vérité terrain) et l'exécution réelle, où le robot doit composer avec ses propres erreurs qui s'accumulent. Si la méthode tient ses promesses au-delà des benchmarks internes, elle constituerait une avancée utile pour les intégrateurs visant des robots mobiles capables d'enchaîner navigation, saisie et dépose sur plusieurs étapes, un scénario bien plus exigeant que la simple manipulation statique sur table. Il s'agit toutefois d'un préprint arXiv non encore relu par les pairs, sans institution ni entreprise clairement identifiée dans le résumé, et les métriques de "état de l'art" reposent sur des comparaisons choisies par les auteurs eux-mêmes. Une réplication indépendante sera nécessaire avant de juger de la portée réelle de cette approche face aux autres travaux sur les modèles monde appliqués à la robotique.

RechercheActu

1 source

4arXiv cs.RO

SoMA : un simulateur neuronal réel-vers-simulation pour la manipulation robotique de corps mous

SoMA, un simulateur neuronal de type "real-to-sim" pour la manipulation robotique d'objets déformables, vient d'être présenté dans un article arXiv (référence 2602.02402v2, version révisée). Le système s'appuie sur des Gaussian Splats 3D pour modéliser les dynamiques d'objets souples (tissus, matériaux déformables) en couplant trois éléments dans un espace latent neuronal unifié : la dynamique de déformation propre à l'objet, les forces environnementales, et les actions des articulations du robot. Contrairement aux simulateurs existants qui reposent soit sur des modèles physiques prédéfinis, soit sur des dynamiques apprises à partir de données mais sans conditionnement par les commandes du robot, SoMA intègre directement le contrôle robotique dans sa boucle de simulation. Les auteurs rapportent un gain de précision de resimulation et de généralisation de 20% sur des tâches de manipulation robotique réelles, avec une démonstration sur du pliage de tissu à horizon long. Cette approche s'attaque à un problème central pour l'industrie robotique : la manipulation d'objets souples reste l'un des angles morts des pipelines actuels de simulation-vers-réel, largement optimisés pour les objets rigides. Un simulateur capable de représenter fidèlement la déformation de matériaux tout en restant stable sur de longues séquences d'actions ouvrirait la voie à un entraînement plus fiable de politiques de manipulation pour du linge, des câbles, ou des emballages souples, sans dépendre de modèles physiques manuels coûteux à calibrer. Le gain de 20% en généralisation, s'il se confirme sur d'autres tâches que le pliage de tissu, suggérerait que les architectures neuronales conditionnées par le robot peuvent combler une partie de l'écart entre simulation et réalité pour les objets déformables, un domaine où les benchmarks restent encore peu standardisés. Le champ de la simulation "real-to-sim" pour la robotique s'est largement développé autour des Gaussian Splatting comme représentation de scène, en particulier pour les objets rigides ou articulés. SoMA prolonge cette ligne de recherche vers les corps mous, un défi documenté de longue date en raison de la difficulté à modéliser des dynamiques non linéaires avec peu de données réelles. L'article ne précise pas de plan de déploiement industriel ni de partenariat commercial à ce stade : il s'agit d'une contribution de recherche académique, dont la reproductibilité et l'extension à d'autres classes d'objets déformables (mousses, liquides, objets composites) restent à démontrer par la communauté.

RecherchePaper

1 source