Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
S-Cheetah : un robot quadrupède innovant avec une colonne vertébrale active à 3 degrés de liberté pour une locomotion agile
RecherchearXiv cs.RO 

S-Cheetah : un robot quadrupède innovant avec une colonne vertébrale active à 3 degrés de liberté pour une locomotion agile

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

Des chercheurs du laboratoire Himmy Robotics ont présenté S-Cheetah, un robot quadrupède doté d'une colonne vertébrale active à 3 degrés de liberté (DOF) reproduisant la flexion sagittale, la flexion latérale et la rotation axiale des félins. Publié le 28 mai 2026 sur arXiv (preprint 2605.27909), le système atteint 6,9 m/s en galop rotatif G2 et un taux de rotation sur place de 7,2 rad/s. Pour exploiter pleinement cette architecture mécanique, l'équipe a développé un framework d'apprentissage par renforcement (RL) combinant un curriculum d'accélération progressive et des fonctions de récompense spécifiques : récompense de galop, d'ondulation spinale et de direction spinale. Le robot exhibe également une capacité émergente de redressement aérien inspirée des félins, atterrissant sur ses quatre pattes depuis n'importe quelle orientation en chute libre.

La majorité des robots quadrupèdes intègrent aujourd'hui des colonnes actives à 1 ou 2 DOF pour limiter la complexité de contrôle, sacrifiant ainsi la richesse de mouvement observée chez les animaux biologiques. S-Cheetah tente de combler cet écart : un spine tri-axial complet avait jusqu'ici été évité car il complique radicalement la planification du mouvement. Le principal apport technique réside dans le fait que le framework RL force l'engagement actif de la colonne plutôt que de la laisser passive. La capacité de redressement aérien, non programmée explicitement mais émergente, renforce la thèse que des curricula de récompense bien construits peuvent capturer des dynamiques corporelles complexes et réduire le sim-to-real gap pour des architectures mécaniques atypiques.

S-Cheetah s'inscrit dans la lignée du MIT Cheetah, d'ANYmal (ETH Zurich / ANYbotics) et des plateformes Unitree (B2, Go2), dont la plupart utilisent un tronc rigide ou une articulation spinale à 1 DOF. Ce travail reste un preprint non encore évalué par les pairs, sans pilote industriel ni commercialisation annoncés. Les performances proviennent de tests en laboratoire et les vidéos sélectionnées ne permettent pas encore d'évaluer la robustesse en conditions réelles non structurées. Les prochaines étapes, selon la page projet himmy-robotics.github.io/scheetah, devraient porter sur des tâches locomotrices plus complexes et des évaluations en environnement extérieur.

Dans nos dossiers

UnitreearXiv cs.RO

À lire aussi

Évaluation d'une colonne vertébrale actionnée pour la locomotion agile de quadrupèdes
1arXiv cs.RO 

Évaluation d'une colonne vertébrale actionnée pour la locomotion agile de quadrupèdes

Une équipe de chercheurs a publié sur arXiv (preprint 2605.07988) une étude empirique évaluant les bénéfices d'une colonne vertébrale motorisée pour la locomotion agile de robots quadrupèdes. Les expériences ont été conduites en simulation MuJoCo sur le Silver Badger de MAB Robotics, startup polonaise spécialisée dans les robots à pattes. La colonne vertébrale testée dispose d'un seul degré de liberté (1-DOF) dans le plan sagittal, permettant flexion et extension verticale du tronc. Cinq scénarios ont été évalués : course à haute vitesse, montée de marches, franchissement de pentes à fort angle, saut d'obstacles et progression dans des passages étroits. Les résultats indiquent que le robot équipé du spine motorisé franchit des marches plus hautes, des pentes plus raides, des obstacles plus élevés et des passages plus étroits que sa version à tronc rigide, sans que des métriques précises (angles, hauteurs, vitesses) soient communiquées dans le résumé. Ces résultats confirment empiriquement un principe observé chez les animaux mais peu exploré en robotique commerciale : la mobilité du tronc étend les capacités locomotrices sans nécessiter une refonte architecturale majeure. Pour les intégrateurs et développeurs de plateformes mobiles, l'ajout d'un seul actionneur sur le tronc pourrait élargir le domaine d'opérabilité dans des environnements complexes, entrepôts, chantiers ou milieux semi-naturels. La limite majeure reste le cadre purement simulé de l'étude : les gains rapportés n'ont pas été validés sur matériel réel, et le sim-to-real gap constitue un obstacle classique pour ce type de modification mécanique, notamment en ce qui concerne les dynamiques de contact sol/pattes. La question du spine flexible en quadrupédie robotique n'est pas nouvelle, les études sur les félins et guépards ayant démontré que la flexion du tronc allonge l'enjambée et améliore l'efficacité énergétique. En pratique, des plateformes comme ANYmal d'ANYbotics (Suisse) ou Spot de Boston Dynamics ont opté pour des troncs rigides, privilégiant la simplicité de contrôle et la robustesse mécanique. MAB Robotics, entreprise polonaise de l'écosystème UE, positionne le Silver Badger comme plateforme de recherche ouverte à ce type d'expérimentation. Les suites logiques incluent une validation sur robot physique, un spine multi-DOF, et une mesure de l'impact sur la consommation énergétique, paramètre absent de l'étude actuelle.

UEMAB Robotics (Pologne, UE) fournit la plateforme Silver Badger pour cette étude, confirmant son rôle de vecteur de recherche ouverte dans l'écosystème robotique européen des quadrupèdes, aux côtés d'ANYbotics (Suisse).

RecherchePaper
1 source
Apprendre à marcher avec moins de données : une approche Dyna pour la locomotion quadrupède
2arXiv cs.RO 

Apprendre à marcher avec moins de données : une approche Dyna pour la locomotion quadrupède

Une équipe de recherche a publié une version révisée sur arXiv (2509.06296v2) d'une méthode de renforcement pour accélérer l'entraînement de robots quadrupèdes en simulation. Les algorithmes on-policy classiques comme PPO exigent des dizaines de millions d'interactions simulées avant de converger. La méthode proposée injecte des données synthétiques dans les rollouts PPO via une architecture Dyna : un modèle de transition appris génère de courtes trajectoires additionnelles ancrées à la simulation physique, introduites progressivement pour éviter les erreurs de début d'entraînement. Sur le quadrupède Unitree Go1, elle converge en 19,64 millions de pas de simulation contre 27,53 millions pour PPO seul, soit 12,24% de temps d'entraînement en moins, sans perte de performance. Des essais croisés sur ANYmal, du suisse ANYbotics (spin-off de l'ETH Zurich), et sur le Unitree Go2 confirment le gain, avec des compromis sur la récompense pour les morphologies les plus complexes. Pour l'industrie robotique, l'efficacité d'échantillonnage reste le principal goulot d'étranglement : chaque nouvelle démarche ou terrain appris par un quadrupède consomme des semaines de calcul avant le transfert du simulateur vers le robot réel. Une réduction d'environ 29% des pas de simulation nécessaires, si elle se confirme au-delà des trois plateformes testées, réduirait les coûts et délais pour les intégrateurs qui personnalisent des contrôleurs pour Unitree, ANYbotics ou d'autres fabricants. Le résultat renforce aussi une tendance de fond en RL : utiliser des modèles du monde appris en complément, et non en remplacement, de la simulation physique. Le bémol : le gain se réduit sur les morphologies complexes, signe que ces architectures hybrides restent à calibrer robot par robot plutôt qu'universelles. Le papier s'inscrit dans la lignée du RL model-based initié par l'architecture Dyna de Richard Sutton dans les années 1990, revenue au premier plan pour réduire le coût du RL model-free sur des tâches de contrôle continu à haute dimension comme la locomotion. Il prolonge des travaux appliquant PPO à des quadrupèdes commerciaux (Unitree Go1/Go2, ANYmal) pour la marche ou le franchissement d'obstacles, où l'entraînement massif en simulation précède le déploiement réel. Les résultats restent cantonnés à la simulation : aucun essai sur robot physique ni calendrier de transfert sim-to-real n'est mentionné, les auteurs présentant leurs travaux comme un cadre méthodologique plutôt qu'un produit prêt à déployer.

UELa validation croisée sur ANYmal, quadrupède du suisse ANYbotics (spin-off de l'ETH Zurich), suggère un intérêt potentiel pour les intégrateurs européens, mais aucun essai réel ni déploiement n'est mentionné.

RecherchePaper
1 source
Locomotion agile et perceptive multi-compétences pour robots quadrupèdes en conditions réelles
3arXiv cs.RO 

Locomotion agile et perceptive multi-compétences pour robots quadrupèdes en conditions réelles

Des chercheurs présentent APT-RL (Action Pretrained Transformer-based Reinforcement Learning), un framework unifié permettant à un robot quadrupède de franchir des terrains complexes en n'utilisant que ses capteurs et son calcul embarqués, sans dépendre d'une infrastructure externe. La méthode génère d'abord des jeux de données de mouvement 2D à grande échelle via optimisation de trajectoires sur une dynamique simplifiée, ce qui permet d'entraîner des compétences de locomotion variées et réutilisables. Ces compétences servent ensuite de base solide pour apprendre des tâches plus complexes en 3D, avec transition autonome entre différentes allures. Lors des tests en conditions réelles, le robot a exécuté des manœuvres agiles à travers des obstacles intérieurs et extérieurs, y compris des sauts en descente dynamiques atteignant une vitesse de pointe instantanée de 6 mètres par seconde. Une seule politique embarquée lui a permis de franchir escaliers, haies, pierres de gué, trous et branches tombées au sol, sans changer de modèle selon le type d'obstacle. L'intérêt de ce travail réside dans sa capacité à combiner plusieurs compétences motrices en un seul système embarqué et autonome, un point de friction connu dans la robotique quadrupède où la plupart des démonstrations reposent encore sur des politiques spécialisées par terrain ou sur une assistance en calcul déporté. En s'appuyant uniquement sur la perception et le calcul embarqués, APT-RL s'attaque directement à l'écart classique entre simulation et réalité, tout en montrant que des priors de mouvement générés à moindre coût en 2D peuvent se généraliser efficacement à des environnements 3D non structurés. Pour les intégrateurs travaillant sur l'inspection industrielle, la robotique de terrain ou les interventions en environnement accidenté, cela représente une piste concrète vers des robots capables de gérer la diversité des obstacles réels sans reconfiguration manuelle entre chaque scénario. Ce travail s'inscrit dans la lignée des recherches récentes en apprentissage par renforcement pour la locomotion des robots à pattes, un domaine où des plateformes comme Unitree Go2, Boston Dynamics Spot ou ANYbotics ANYmal servent de référence pour les capacités tout-terrain. Publié comme preprint sur arXiv, l'article ne précise ni laboratoire porteur ni calendrier de déploiement commercial : il s'agit à ce stade d'une contribution de recherche, sans indication de produit shippé ni de pilote industriel annoncé.

RecherchePaper
1 source
SmoothTurn : apprendre à tourner en douceur pour une navigation agile avec des robots quadrupèdes
4arXiv cs.RO 

SmoothTurn : apprendre à tourner en douceur pour une navigation agile avec des robots quadrupèdes

Traduction et résumé de l'article ci-dessous. L'équipe de recherche à l'origine de SmoothTurn s'attaque à un angle mort des politiques de navigation locale pour robots quadrupèdes : la capacité à enchaîner des virages fluides tout en courant à haute vitesse. Les approches existantes entraînent typiquement une politique à atteindre un seul objectif à la fois, en récompensant le robot pour rester immobile une fois la cible atteinte. Résultat, lorsqu'on enchaîne plusieurs objectifs nécessitant des changements de direction, le robot ne peut ni anticiper la manœuvre suivante ni conserver son élan lors du passage d'un objectif à l'autre, ce qui brise sa dynamique de course. SmoothTurn reformule le problème comme une tâche de navigation locale séquentielle et introduit trois éléments techniques : une récompense conçue pour l'atteinte séquentielle d'objectifs, un espace d'observation élargi incluant une fenêtre d'anticipation ("lookahead") sur les objectifs futurs, et un curriculum d'apprentissage automatique qui augmente progressivement la difficulté des séquences d'objectifs en fonction des performances du robot. La politique entraînée a été déployée directement sur des robots quadrupèdes réels, avec capteurs et calcul embarqués, sans étape d'adaptation supplémentaire. Cette avancée cible un écart concret entre démonstration et réalité opérationnelle pour les cas d'usage à forte valeur comme l'intervention en incendie ou l'inspection industrielle, où la vitesse ET la manœuvrabilité comptent autant l'une que l'autre. Une politique qui sait maintenir son élan en pivotant, au lieu de ralentir puis réaccélérer à chaque changement de cap, se rapproche davantage de ce qu'exige un déploiement terrain réel plutôt qu'un simple parcours de démonstration en ligne droite. Pour les intégrateurs et décideurs qui évaluent des plateformes quadrupèdes pour des missions agiles, ce type de résultat conforte l'idée que l'apprentissage par renforcement peut produire des comportements moteurs sophistiqués et transférables du simulateur au monde réel (sim-to-real), sans nécessiter de re-conception matérielle. Les auteurs rapportent des résultats empiriques en simulation et sur robot réel montrant des comportements émergents non explicitement programmés : contrôle de l'élan lors du changement d'objectif, orientation anticipée vers la prochaine cible, et planification de trajectoires efficaces. SmoothTurn s'inscrit dans la lignée des travaux antérieurs sur la navigation locale conditionnée par un objectif unique, qu'il étend au cas séquentiel. Le papier, initialement soumis sous l'identifiant arXiv:2603.12842 puis republié en version corrigée, ne précise pas quel modèle de robot quadrupède a servi aux essais réels ni le nom du laboratoire ou de l'université porteurs du projet. Ce travail se positionne dans un champ de recherche actif sur la locomotion agile par apprentissage, aux côtés d'efforts similaires chez des acteurs académiques et industriels travaillant sur des quadrupèdes comme ceux de Boston Dynamics ou Unitree. Les prochaines étapes attendues porteraient sur l'extension à des terrains plus complexes ou irréguliers et sur des tests d'endurance en conditions réelles prolongées, non détaillés dans le résumé disponible.

RecherchePaper
1 source