RechercheThe Robot Report 12 juin 2026

MassRobotics annonce les lauréats du Robotics Medal 2026 et des prix Rising Star

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

MassRobotics a annoncé les lauréates de ses prix annuels Robotics Medal et Rising Star lors de la conférence IEEE ICRA de Vienne, en juin 2026. La 4e édition du Robotics Medal, sponsorisée par Amazon Robotics et dotée de 50 000 dollars, a été remise à la professeure Allison Okamura, titulaire de la chaire Richard W. Weiland à l'École d'ingénierie de Stanford, également affiliée au département de génie mécanique et à la Hoover Institution. Okamura est récompensée pour ses travaux fondateurs en haptics, en robotique médicale et en conception de robots, ainsi que pour ses contributions à l'éducation robotique en accès libre et à la promotion des femmes dans le domaine. Le Rising Star Medal, doté de 5 000 dollars, est attribué à Ayoung Kim, professeure à l'Université nationale de Séoul, pour ses travaux pionniers sur le Scan Context appliqué à la reconnaissance de lieux par lidar, et sur le SLAM multi-capteurs résilient (localisation et cartographie simultanées) pour la navigation autonome en environnements complexes. La remise officielle des distinctions aura lieu lors d'un gala au MIT Samberg Conference Center de Cambridge (Massachusetts) le 7 novembre 2026.

Ces deux prix pointent vers des domaines de recherche qui conditionnent directement la fiabilité des systèmes robotiques déployés en production. Les contributions d'Okamura en haptics alimentent des applications médicales concrètes, de la chirurgie mini-invasive aux dispositifs de réhabilitation, là où le retour de force reste un verrou technique non résolu à grande échelle. Les algorithmes SLAM de Kim, diffusés via des jeux de données publics largement adoptés, constituent une brique d'infrastructure pour les flottes d'AMR (robots mobiles autonomes) et les véhicules autonomes opérant en environnements dégradés. Ces distinctions illustrent aussi une réalité structurelle du secteur : les femmes ne représentent que 16 % des effectifs en ingénierie et robotique selon le National Girls Collaborative Project, contre 35 % de l'ensemble de la main-d'oeuvre STEM et 48 % de la population active totale aux États-Unis.

MassRobotics, hub robotique basé dans la région de Boston, organise ce prix depuis quatre ans pour valoriser les chercheuses ayant un impact mesurable sur le champ. Les précédentes lauréates sont issues d'institutions comme l'UC San Diego, l'USC, l'UIUC, Boston University, le MIT et l'EPFL (Lausanne), ce qui traduit une portée internationale réelle. Le jury, composé d'experts du secteur et supervisé par MassRobotics, a cette année évalué des candidatures couvrant des problématiques aussi variées que les matériaux de préhension, les exosquelettes, les technologies d'assistance et le planning de mouvement. Daniela Rus, directrice du CSAIL au MIT et membre du conseil d'administration de MassRobotics, a souligné que la diversité des approches de recherche est un accélérateur direct pour résoudre les défis techniques les plus complexes du domaine. Le gala de novembre ouvrira billets individuels, tables réservées et opportunités de sponsoring au grand public.

Dans nos dossiers

Exosquelettes

À lire aussi

1arXiv cs.RO

Prise de décision bio-inspirée dans les essaims de robots soumis à des biais

Des chercheurs présentent dans un preprint arXiv (2509.07561, version 2, juin 2026) une étude comparative sur les mécanismes de prise de décision collective dans les essaims de robots minimalistes. Le scénario central : des robots individuels commettent fréquemment des erreurs de perception environnementale, mais le groupe doit néanmoins converger rapidement et fiablement vers la meilleure option parmi n alternatives discrètes. L'étude compare deux règles canoniques issues de la dynamique d'opinion observée dans les systèmes biologiques, le "direct-switch" (bascule directe) et la "cross-inhibition" (inhibition croisée), en les soumettant à des biais asociaux, c'est-à-dire des prédispositions individuelles indépendantes de l'interaction sociale. Les modèles de champ moyen existants sont généralisés pour intégrer ces perturbations. Les résultats ont une implication directe pour quiconque conçoit des systèmes multi-agents décentralisés : la cross-inhibition, mécanisme inspiré des colonies d'insectes et des populations neuronales, surpasse systématiquement le direct-switch en présence de biais. Là où le direct-switch se révèle performant en conditions idéales, il conduit à des blocages décisionnels ("decision deadlocks") dès que des biais individuels entrent en jeu. La cross-inhibition, elle, produit des décisions plus rapides, plus cohésives, plus précises et plus robustes sur une large gamme de conditions biaisées, et ce à des échelles croissantes d'essaims. C'est un résultat concret contre l'hypothèse que des règles simples suffisent sans distinction dans des environnements bruités. Cette recherche s'inscrit dans un corpus plus large sur la robotique en essaim (swarm robotics), domaine porté notamment par des équipes comme celles de Marco Dorigo (Université Libre de Bruxelles) et Vito Trianni (CNR-ISTC, Rome), avec des applications visées en surveillance environnementale, réponse aux catastrophes et logistique médicale. Sur le plan compétitif, les approches centralisées (flottes AMR coordonnées par un orchestrateur central, comme chez Exotec ou 6 River Systems) offrent des performances prévisibles mais restent fragiles à la perte de communication. L'enjeu ici est de prouver qu'une architecture entièrement distribuée peut égaler cette fiabilité sans infrastructure centralisée. La prochaine étape naturelle serait la validation expérimentale sur robots physiques, absente de cette version de l'étude.

UELes équipes européennes porteuses de ces travaux (Marco Dorigo, ULB Bruxelles ; Vito Trianni, CNR-ISTC Rome) positionnent la recherche EU en tête sur la robotique en essaim décentralisée, avec des retombées potentielles pour les applications de logistique et de réponse aux catastrophes en Europe.

RecherchePaper

1 source

2arXiv cs.RO

Localisation de source de gaz sans calibration par robots mobiles : estimation du terme source par classement des concentrations

Des chercheurs ont déposé sur arXiv (réf. 2605.13208) une méthode de localisation de source gazeuse (GSL) par robot mobile qui élimine la calibration préalable des capteurs chimiques. Le problème central est bien connu : les capteurs bas coût embarqués sur des robots présentent une réponse non linéaire, sensible à l'humidité, à la température et aux interactions chimiques, auxquels s'ajoutent les artefacts liés au déplacement du robot lui-même. La calibration en environnement contrôlé, normalement nécessaire pour corriger ces biais, est souvent impossible en conditions opérationnelles d'urgence. L'algorithme proposé contourne ce problème en substituant les valeurs absolues de concentration par leur classement relatif (ranking) au sein du jeu de données accumulé dynamiquement. Ces rangs sont comparés à ceux issus de modèles physiques de dispersion gazeuse pour estimer une distribution probabiliste des positions de la source sur l'ensemble de l'environnement. La méthode a été validée en simulation haute-fidélité et en expériences physiques, avec une précision de localisation maintenue même avec des capteurs non calibrés, bien que le préprint ne publie pas encore de métriques quantitatives détaillées. L'impact pratique est direct pour les scénarios d'urgence industrielle : fuite de gaz, incident chimique ou inspection de zones contaminées où le déploiement humain est risqué. Les approches probabilistes de GSL existantes, basées sur des modèles de panache gaussien ou des filtres bayésiens, supposent une qualité de mesure fiable, ce qui exige des cycles de recalibration réguliers incompatibles avec un déploiement rapide. En travaillant sur les rangs plutôt que sur les amplitudes, la méthode devient insensible aux dérives capteur et aux variations environnementales, ce qui réduit concrètement les coûts de maintenance et simplifie les procédures de mise en service pour les intégrateurs de robots de sécurité. La localisation de source gazeuse robotisée est étudiée depuis les années 2000, avec des approches allant du hill-climbing aux algorithmes bio-inspirés imitant la navigation olfactive des insectes, puis aux méthodes probabilistes modernes. Ce travail s'inscrit dans une tendance plus large visant à rendre les robots de sécurité industrielle opérationnels en conditions dégradées, sans infrastructure de support dédiée. Les prochaines étapes logiques incluent la validation en environnements dynamiques avec vent variable et obstacles mobiles, ainsi que l'extension à des flottes multi-robots capables de couvrir de larges zones industrielles en parallèle.

RecherchePaper

1 source

3arXiv cs.RO

Prompt visuel pour la manipulation robotique : prise-et-dépose guidée par annotations avec ACT

Un article publié sur arXiv (2508.08748v2, version révisée) décrit un pipeline de perception-action pour des tâches de préhension et de dépose en magasin de proximité, environnement marqué par une forte densité d'objets, des occlusions fréquentes et une grande variabilité de couleur, forme, taille et texture. La méthode repose sur un prompting visuel guidé par annotation : des boîtes englobantes désignent à la fois les objets saisissables et les emplacements de dépose, offrant un guidage spatial structuré au bras robotique. Plutôt qu'une planification de trajectoire classique étape par étape, les auteurs emploient Action Chunking with Transformers (ACT), un algorithme d'apprentissage par imitation qui prédit des séquences d'actions groupées à partir de démonstrations humaines. Le système est évalué sur le taux de réussite des prises et une analyse visuelle du comportement de préhension, sans que le résumé ne publie de chiffres précis. Cette approche cible un verrou concret de la manipulation en environnement non structuré : la planification classique peine face au désordre et aux occlusions typiques d'un rayon de magasin, tandis que les modèles vision-langage-action massifs restent coûteux à entraîner et à déployer. Combiner un guidage visuel léger, par simples boîtes englobantes, avec une politique d'imitation entraînée par chunks d'actions offre une alternative peu gourmande en données pour des intégrateurs visant l'automatisation du picking en retail, sans reconstruction 3D complète de la scène ni lourd transfert sim-to-real. Pour des décideurs B2B, l'intérêt reste surtout méthodologique : l'absence de métriques chiffrées dans le résumé invite à la prudence avant d'en tirer des conclusions de performance industrielle. ACT, brique centrale de l'étude, a été introduite par le projet ALOHA de Stanford pour la manipulation bimanuelle fine à partir de démonstrations téléopérées à bas coût matériel, et s'est depuis imposée comme méthode de référence en apprentissage par imitation, aux côtés d'approches plus généralistes comme Pi-0 de Physical Intelligence, GR00T N2 de NVIDIA ou Helix de Figure. Contrairement à ces modèles fondation multi-tâches, l'étude reste circonscrite à un pipeline spécialisé pick-and-place, sans nom de robot, de fabricant ni de site de déploiement mentionné : il s'agit d'une contribution de recherche publiée en preprint, non d'un produit commercialisé ni d'un pilote industriel annoncé, et aucune date de déploiement réel n'est précisée.

RecherchePaper

1 source

4arXiv cs.RO

Estimation de pose entre robots multiples par rigidité angulaire sans mesure de distance

Une équipe de chercheurs a publié le 3 juin 2026 sur arXiv (référence 2606.03931) une lettre de recherche présentant un nouvel estimateur distribué de pose pour systèmes multi-robots à topologie variable. Le principe repose sur des mesures de relèvement angulaire exclusivement (bearing-only) : chaque robot calcule les angles vers ses voisins dans son propre référentiel corporel, sans aucune mesure de distance. À partir de ces angles seuls, l'algorithme estime les positions de l'ensemble des robots dans l'espace tridimensionnel (R³), puis reconstruit leurs orientations dans SO(3) en exploitant les positions estimées, les relèvements bruts et leurs dérivées temporelles. L'approche est entièrement distribuée : aucun noeud centralisateur n'est requis. La contribution principale est de ramener la condition topologique minimale à ce que les auteurs appellent l'«angle-rigidité», une propriété strictement plus faible que la rigidité de relèvement classique (bearing rigidity) utilisée dans la littérature. Concrètement, un réseau de robots peut opérer avec une connectivité plus clairsemée ou des topologies de communication moins contraintes tout en garantissant la convergence de l'estimateur. Les auteurs démontrent la stabilité exponentielle uniforme locale de l'observateur sous une hypothèse d'excitation persistante sur un sous-ensemble de robots, ce qui constitue une garantie formelle et non simplement empirique. Pour les intégrateurs de flottes d'AMR ou les concepteurs de systèmes de drones en essaim, cela ouvre la voie à une localisation relative fiable et décentralisée avec des capteurs bas coût (caméras monoculaires ou stéréo), sans infrastructure externe de type UWB ou GPS. Ce travail s'inscrit dans un corpus actif sur la localisation collaborative sans mesure de distance. Les approches concurrentes, notamment celles fondées sur la rigidité de relèvement stricte ou nécessitant des orientations connues a priori, imposent des contraintes de déploiement plus fortes. Les auteurs ne mentionnent aucun partenariat industriel ni test sur matériel réel : les résultats présentés reposent exclusivement sur des simulations numériques, ce qui est à noter. L'étape suivante attendue dans ce type de travaux est la validation expérimentale sur plateforme physique, avec des perturbations réalistes (bruit capteur, occultations, latences de communication), avant toute intégration dans des systèmes embarqués de production.

RecherchePaper

1 source