ExosquelettesarXiv cs.RO 5 juin 2026

OLIVE : apprentissage incrémental en ligne à faible rang pour exosquelettes adaptatifs efficaces

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs ont publié le 5 juin 2026 sur arXiv (2606.05234) OLIVE, un framework d'adaptation en ligne pour exosquelettes portables basé sur une décomposition de rang faible. Le principe central : plutôt que de recalculer l'intégralité de la politique de contrôle, OLIVE décompose la composante adaptative en une forme résiduelle ΔW = A·Bᵀ de rang r très inférieur aux dimensions du modèle, ce qui réduit le coût de mise à jour de O(dk) à O(r(d+k)). Concrètement, le contrôleur de base pré-entraîné reste stable, tandis qu'une couche légère se personnalise en continu à partir des capteurs embarqués : EMG (électromyographie), IMU et vibrations, sans trajectoire de référence hors ligne. Un mécanisme de gating module l'intensité de la personnalisation selon le contexte, et un ordonnanceur de rang dynamique alloue une faible capacité sur terrain plat, puis monte en rang sur surfaces irrégulières, escaliers ou pentes. Les résultats expérimentaux sur plateforme réelle annoncent des gains de +13 points de pourcentage en fluidité de marche, +22 en réduction d'effort musculaire, et +15 en stabilité du mouvement par rapport à la meilleure baseline testée, avec convergence en environ 1 800 pas de marche et une latence bout-en-bout de 7,4 ms.

L'enjeu clinique et industriel est significatif. Les exosquelettes existants (Ekso, ReWalk, Wandercraft avec son Atalante) s'appuient majoritairement sur des politiques de marche statiques, calibrées en laboratoire et peu robustes aux variations de terrain ou de morphologie individuelle. OLIVE propose une alternative déployable à l'embarqué, sans cloud, sans session de calibration préalable longue, et sans capteurs de force au sol. La latence de 7,4 ms est compatible avec les exigences temps-réel des systèmes de contrôle d'exosquelettes (généralement sous 10 ms). Si les gains annoncés tiennent en dehors du cadre expérimental contrôlé, cela réduirait substantiellement le temps d'adaptation à un nouvel utilisateur ou à un environnement non familier, un frein majeur à la commercialisation des dispositifs d'assistance à la mobilité.

Le travail s'inscrit dans la vague des méthodes d'adaptation paramétrique légère issues du fine-tuning de LLMs (LoRA, notamment), transposées ici au contrôle robotique continu. Les approches concurrentes dans l'espace exosquelette incluent les méthodes d'apprentissage par renforcement avec modèles appris (model-based RL) et les politiques meta-apprises (MAML-style), généralement plus lourdes à déployer sur matériel embarqué. L'équipe derrière OLIVE a rendu le code public sur GitHub (FastLM/OLIVE). Les prochaines étapes non précisées dans le papier concerneront vraisemblablement la validation sur cohortes cliniques plus larges et l'intégration sur des plateformes commerciales, où la certification médicale reste le principal obstacle au déploiement à grande échelle.

Impact France/UE

Wandercraft (fabricant français de l'Atalante) est explicitement cité comme référence concurrentielle ; si les gains d'OLIVE sont confirmés sur cohortes cliniques, cela pourrait contraindre Wandercraft à intégrer une couche d'adaptation en ligne dans sa prochaine génération d'exosquelettes pour rester compétitif sur le critère de personnalisation utilisateur.

Dans nos dossiers

Wandercraft Exosquelettes arXiv cs.RO

À lire aussi

1arXiv cs.RO

Apprentissage d'une politique de contrôle adaptative en vitesse pour exosquelette de hanche par transfert simulation-réel

Un preprint publié sur arXiv (arXiv:2609.28027v1, catégorie "new") décrit un framework combinant apprentissage par renforcement sim-to-real et apprentissage de préférences en ligne pour personnaliser l'assistance d'un exosquelette de hanche à différentes vitesses de marche. Le timing de l'assistance est appris en simulation, via des politiques de RL entraînées sur des modèles musculosquelettiques humains couvrant plusieurs vitesses de marche, puis distillées et déployées sur un exosquelette de hanche physique équipé de capteurs embarqués. La magnitude du couple assistif est ensuite ajustée en conditions réelles grâce à un apprentissage de préférences basé sur des processus gaussiens, l'utilisateur exprimant ses choix via des comparaisons par paires entre profils de couple. Des expériences sur sujets humains montrent une identification efficace de profils personnalisés à travers différentes vitesses de marche, avec moins d'essais réels que les méthodes purement en ligne, sans que l'abstract précise le nombre de sujets ni le taux de réduction obtenu. L'enjeu dépasse l'exercice académique: l'optimisation en ligne "human-in-the-loop" reste le principal goulot d'étranglement de la personnalisation des exosquelettes, car calibrer tout le profil de couple sur un porteur réel exige de nombreuses itérations, longues et fatigantes. En découplant le timing, résolu hors ligne en simulation, de la magnitude, optimisée en ligne sur un espace de recherche réduit grâce aux préférences, le framework diminue mécaniquement le nombre d'évaluations nécessaires sur sujet humain. Pour les concepteurs de robotique portable, en réadaptation comme en assistance industrielle à la marche, ce résultat conforte l'idée que le sim-to-real, déjà éprouvé sur robots mobiles et bras manipulateurs, s'étend aussi aux dispositifs portés dont la dynamique dépend fortement de la morphologie et des préférences individuelles de l'utilisateur. Les approches classiques de calibration d'exosquelette reposent sur une optimisation en ligne exhaustive du profil de couple, une méthode lente qui freine le déploiement à grande échelle de dispositifs personnalisés. Ce travail s'inscrit dans la lignée des recherches en RL sim-to-real appliquées à la robotique portable, en y ajoutant une couche d'apprentissage de préférences pour capturer ce que la simulation seule ne modélise pas, le confort subjectif de l'utilisateur. L'abstract ne cite aucune entreprise, aucun nom de produit ni partenaire industriel: il s'agit d'un preprint de recherche, sans pilote clinique ni feuille de route de commercialisation annoncés à ce stade.

ExosquelettesPaper

1 source

2arXiv cs.RO

ExoLaN : apprentissage de dynamique cohérent avec la physique et sensible au contexte pour exosquelettes

Des chercheurs ont publié sur arXiv (arXiv:2609.31434v1) ExoLaN, un modèle de dynamique lagrangienne contextuelle pour le contrôle d'exosquelettes d'assistance piloté par l'intention humaine, sans tâche ni mouvement prédéfinis. Le système combine un contexte temporel avec des mesures partielles de force issues de semelles instrumentées pour inférer une représentation latente de la dynamique et estimer les couples de contact, y compris lors des phases de contact intermittent avec le sol pendant la marche. Sur sept utilisateurs inédits effectuant 21 tâches inédites, ExoLaN réduit l'erreur quadratique moyenne d'estimation du couple articulaire de 7% par rapport à une base de référence en boîte noire. Entraîné avec une perte de prédiction multi-étapes plutôt qu'à un seul pas, il réduit aussi l'erreur d'accélération de 59%, l'erreur de position à long terme de 60% et l'erreur de vitesse de 93%, des résultats issus d'une évaluation académique en laboratoire, sur un panel restreint, non d'un déploiement réel. Les méthodes physiquement cohérentes comme les Deep Lagrangian Networks (DeLaN) estimaient déjà les couples humains sur plusieurs utilisateurs, mais exigeaient un réentraînement complet par utilisateur et ignoraient les coupures de contact au sol pendant la marche, un angle mort critique hors laboratoire. En traitant ces deux limites à la fois, ExoLaN ouvre la voie à une assistance personnalisée sans recalibration lourde, un enjeu direct pour les intégrateurs d'exosquelettes en logistique, en industrie ou en rééducation. Le fait que le contexte latent appris capture implicitement la nature de la tâche sans étiquetage explicite laisse entrevoir un contrôle adaptatif à la tâche sans classification manuelle, utile pour l'assistance générique plutôt que pour des mouvements scriptés. ExoLaN prolonge la lignée des réseaux lagrangiens profonds appliqués à l'interaction homme-exosquelette en corrigeant les angles morts de DeLaN sur la personnalisation et le contact. Le secteur des exosquelettes compte des acteurs comme l'Américain Ekso Bionics ou l'Allemand German Bionic, mais aussi le Français Wandercraft, dont l'exosquelette Atalante cible la rééducation à la marche, un terrain où cette approche contextuelle pourrait s'appliquer directement. Publié comme preprint, sans affiliation industrielle ni calendrier annoncé, ExoLaN doit encore être validé sur des cohortes plus larges avant toute intégration dans une plateforme commerciale.

UELe Français Wandercraft, dont l'exosquelette Atalante cible la rééducation à la marche, pourrait appliquer directement cette approche contextuelle pour personnaliser l'assistance sans recalibration lourde.

ExosquelettesPaper

1 source

3arXiv cs.RO

Génération de démarche adaptative pour exosquelettes multi-terrains via des primitives de mouvement à noyau contraint

Des chercheurs ont publié le 5 mai 2026 sur arXiv (preprint, non encore évalué par les pairs) un framework baptisé AGG (Adaptive Gait Generation), basé sur les Kernelized Movement Primitives (KMP), conçu pour permettre aux exosquelettes de membres inférieurs (Lower Limb Exoskeletons, LLEs) de marcher sur plusieurs types de terrains intérieurs en temps réel. Le système apprend une représentation probabiliste de la marche humaine à partir d'un nombre limité de démonstrations, dans les espaces articulaires et cartésiens, pour garantir la cohérence physiologique et la faisabilité cinématique. Une caméra RGB-D embarquée extrait des informations environnementales qui sont injectées comme contraintes linéaires dans un problème d'optimisation via des via-points. La méthode a été validée en simulation sur quatre scénarios, marche à plat, pentes, escaliers et franchissement d'obstacles, puis testée physiquement sur un LLE commercial dans des conditions réelles. L'enjeu principal est de combler le fossé entre laboratoire et terrain pour les exosquelettes de rééducation et d'assistance, qui restent aujourd'hui cantonnés aux surfaces planes et uniformes. L'approche KMP permet d'adapter la trajectoire de marche sans recalibration manuelle, ce qui représente une avancée opérationnelle concrète pour les cliniciens et les intégrateurs industriels. La capacité à générer des trajectoires cohérentes à partir de peu de démonstrations humaines réduit significativement le coût de déploiement, un verrou majeur pour la commercialisation. Les résultats sur le LLE commercial valident le passage du sim-to-real, même si la robustesse à long terme et la diversité des profils utilisateurs restent à démontrer sur des cohortes plus larges. Les exosquelettes de membres inférieurs sont un segment en pleine structuration : des acteurs comme Wandercraft (Paris), avec son Atalante X, ou Ekso Bionics et ReWalk côté américain, s'affrontent sur la question de l'autonomie locomotrice en environnement non contrôlé. La plupart des systèmes existants imposent encore une supervision clinique ou des réglages manuels par terrain. Ce travail s'inscrit dans une vague de recherches cherchant à coupler perception embarquée et planification adaptive, un axe également exploré par des équipes à l'ETH Zurich et au MIT. Les prochaines étapes naturelles seraient une validation sur des populations de patients avec des pathologies variées et une intégration dans un pipeline de contrôle adaptatif complet incluant la détection d'intention de l'utilisateur.

UEWandercraft (Paris) et son Atalante X sont directement concernés par cette avancée, qui ouvre la voie à une autonomie locomotrice en environnements non contrôlés sans recalibration manuelle, un verrou clé pour la commercialisation clinique en Europe.

ExosquelettesPaper

1 source

4arXiv cs.RO

ExoTraj : une politique d'assistance pour exosquelette des membres inférieurs adaptée aux environnements complexes

Une équipe de chercheurs a publié le 20 juin 2026 sur arXiv (référence 2606.16876) ExoTraj, une politique unifiée de contrôle d'exosquelette pour membres inférieurs conçue pour fonctionner en environnements extérieurs complexes sans recourir à des systèmes de capture de mouvement coûteux. Le système repose sur deux briques techniques : un algorithme de flow matching rapide pour la prédiction de trajectoire multi-modale et multi-pas, et un contrôle prédictif par modèle (MPC) avec un nouvel objectif d'optimisation du couple articulaire. Lors des tests, ExoTraj réduit l'erreur de prédiction inter-sujets de 14,0 % en phase en ligne par rapport aux méthodes traditionnelles. Par rapport à la condition zéro couple (port passif), le système diminue le coût métabolique de 11,5 à 24,4 %, la fréquence cardiaque de 1,7 à 19,5 %, et les pics d'activation musculaire de 10,9 à 41,3 % selon les groupes musculaires. Ces chiffres, issus d'expériences en milieu contrôlé sur un nombre limité de sujets, restent à valider sur des cohortes plus larges. L'enjeu central qu'ExoTraj cherche à résoudre est la généralisabilité inter-sujets, un frein majeur à la commercialisation des exosquelettes d'assistance. La majorité des systèmes actuels requièrent une calibration individuelle lourde via mocap, ce qui les confine aux laboratoires ou aux environnements hospitaliers structurés. En combinant prédiction de trajectoire et optimisation de couple dans une politique unique déployable en temps réel, les auteurs visent à combler le fossé entre la recherche et les applications terrain : chantiers, logistique, rééducation ambulatoire. Le recours au flow matching, une technique générative plus rapide que la diffusion, constitue un choix technique notable pour la contrainte temps-réel. Ce travail s'inscrit dans une dynamique de recherche active sur les exosquelettes autonomes et adaptatifs. Côté industriel français, Wandercraft commercialise déjà le ATALANTE X pour la rééducation à la marche, et explore l'assistance grand public. À l'international, les acteurs Ekso Bionics, ReWalk et Sarcos proposent des solutions concurrentes, mais toutes dépendent encore fortement d'une configuration manuelle par praticien. ExoTraj étant un preprint non encore évalué par les pairs, il reste à voir si les gains métaboliques annoncés se maintiennent hors laboratoire, sur des terrains réellement non structurés et avec une population plus diverse. Les prochaines étapes attendues seraient une validation clinique ou terrain élargie, condition sine qua non pour une intégration industrielle sérieuse.

UEWandercraft (France), qui commercialise l'ATALANTE X pour la rééducation à la marche, est directement concernée par cette avancée sur la généralisation inter-sujets, qui pourrait réduire la dépendance à la calibration individuelle par praticien et ouvrir la voie à un déploiement hors laboratoire.

ExosquelettesPaper

1 source