ExosquelettesarXiv cs.RO 17 juin 2026

Personnalisation continue en ligne du contrôle d'exosquelette par rejeu d'expérience adapté aux variétés

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs ont publié sur arXiv (preprint arXiv:2606.17455, juin 2026) un cadre d'adaptation en ligne pour exosquelettes de marche destinés aux patients présentant des troubles de la locomotion, notamment l'hémilégie. Le système, baptisé "manifold-aware expérience replay", adapte en temps réel l'assistance articulaire fournie par l'exosquelette à la variabilité de chaque utilisateur, aux transitions de vitesse et aux changements de déclivité du terrain. Sur des scénarios de marche hémiplégique émulée, il obtient 40 % d'amélioration dans le suivi de couple moteur et 60 % dans le suivi de la phase de marche par rapport à une ligne de base sans replay, qui présentait un oubli catastrophique lors des transitions entre tâches locomotrices.

Le résultat clé est la résolution d'un problème central de l'apprentissage continu appliqué à la robotique de rééducation : le modèle de contrôle "oublie" les contextes antérieurs chaque fois qu'il apprend de nouvelles conditions, un phénomène connu sous le nom de catastrophic forgetting. L'approche par replay sélectionne automatiquement les expériences pertinentes via une représentation géométrique de la variété de marche (gait manifold), sans étiquetage explicite des tâches, ce qui simplifie considérablement l'intégration clinique. Pour les intégrateurs et les équipes de rééducation, cela signifie qu'un exosquelette peut accompagner un patient dans des environnements réels, en intérieur et en extérieur, sans recalibration manuelle à chaque changement de contexte.

La personnalisation des exosquelettes de marche reste un défi non résolu depuis les premières générations de dispositifs comme l'Ekso ou le ReWalk : les approches classiques nécessitent soit de longs protocoles d'étalonnage, soit des contrôleurs fixes peu adaptatifs. L'apprentissage en ligne par renforcement ou par imitation a été exploré, mais la gestion de la distribution des données dans le temps reste problématique. Dans ce paysage, des acteurs comme Wandercraft (Paris), qui développe l'exosquelette Atalante pour la rééducation en déambulation libre, ou les équipes académiques autour des systèmes EXO-H3 et Indego, font face aux mêmes enjeux de généralisation. Ce preprint ne mentionne ni partenaire industriel ni timeline de transfert clinique ; il s'agit d'une preuve de concept expérimentale sur marche émulée, pas encore d'un dispositif validé sur patients réels.

Impact France/UE

Wandercraft (Paris, Atalante) fait face exactement aux mêmes défis de généralisation sans recalibration ; cette méthode de replay pourrait directement alimenter leur pipeline R&D de contrôle adaptatif.

Dans nos dossiers

Wandercraft Exosquelettes arXiv cs.RO

À lire aussi

1arXiv cs.RO

Assistance personnalisée aux exosquelettes des membres inférieurs par optimisation bayésienne basée sur les préférences

Voici le résumé en français. Une équipe de recherche présente PbBO (préférence-based Bayesian Optimization), une méthode d'optimisation par préférences pour l'assistance personnalisée d'un exosquelette du membre inférieur, décrite dans un article publié sur arXiv (référence 2608.09015v1). Le système ajuste six paramètres de contrôle en se basant sur les préférences de mouvement de l'utilisateur, et converge vers les réglages préférés avec une précision de validation de 90,7% en seulement 20 itérations, contre un nombre bien plus élevé d'interactions homme-robot nécessaires avec les méthodes existantes. Un contrôleur hiérarchique génère un couple de torsion personnalisé selon les tâches et assure un suivi du couple d'interaction en temps réel. Des expériences sur tapis roulant et en extérieur montrent que les paramètres optimisés réduisent le taux métabolique de 14,5% à 15,4%, la fréquence cardiaque de 6,3% à 7,6%, et l'activation musculaire de 6,7% à 31,5% par rapport à une marche sans assistance. L'enjeu principal pour l'industrie des exosquelettes est la vitesse de calibration individuelle, un frein connu à l'adoption en contexte professionnel et médical. Les méthodes d'optimisation par préférences existantes exigent de nombreux cycles d'essais en ligne avec l'utilisateur, ce qui génère fatigue et biais dans les résultats obtenus. En réduisant drastiquement le nombre d'itérations nécessaires tout en maintenant une précision élevée, PbBO répond directement à une limite pratique qui freinait le déploiement à grande échelle de dispositifs adaptatifs, que ce soit en réhabilitation, en logistique ou en assistance industrielle au port de charges. Si les résultats se confirment sur des cohortes plus larges, cela pourrait accélérer la personnalisation d'exosquelettes commerciaux sans allonger les phases de calibration en clinique ou sur site industriel. Le champ des exosquelettes actifs cherche depuis plusieurs années à dépasser les profils de contrôle génériques, peu adaptés à la morphologie et aux préférences individuelles de chaque porteur. Les approches par optimisation bayésienne classique existent déjà dans ce domaine, mais l'apport ici réside dans l'exploitation de la distribution d'échantillonnage des ensembles de candidats pour améliorer l'efficacité par échantillon. L'article ne précise pas d'acteur industriel ni de partenaire de commercialisation associé à ces travaux, qui relèvent à ce stade de la recherche académique publiée en preprint, sans indication de déploiement produit ni de calendrier de transfert vers un dispositif commercial.

ExosquelettesPaper

1 source

2arXiv cs.RO

UniExo : politiques unifiées multi-compétences pour la locomotion musculosquelettique et le contrôle co-adaptatif d'exosquelette

Un consortium de chercheurs en robotique et biomécanique a publié le 18 septembre 2026 sur arXiv (2609.19690) un framework baptisé UniExo, destiné à unifier le contrôle des exosquelettes de hanche sur plusieurs types de locomotion. Le système repose d'abord sur une politique musculosquelettique humaine multi-compétences: quatre experts d'imitation distincts, entraînés respectivement pour la marche, le virage, la course et la marche arrière, sont fusionnés en un seul réseau structuré par un espace latent de compétences, puis affinés par apprentissage par renforcement sur des séquences de transition entre ces mouvements. Cette politique humaine unifiée atteint un taux moyen de réussite de suivi de 94,7% sur des séquences vidéo inédites des quatre compétences, avec une robustesse aux perturbations supérieure à celle de chacun des experts pris séparément. Un contrôleur d'exosquelette de hanche unique, initialisé à partir des prédictions de moment articulaire de cette politique humaine, est ensuite co-adapté avec elle via apprentissage par renforcement multi-agent. Déployé sur un exosquelette de hanche conçu sur mesure, il a été testé sur six participants à quatre vitesses de tapis roulant différentes, et un participant a parcouru un trajet continu enchaînant les quatre compétences et leurs transitions sans étiquette de mouvement ni changement de mode explicite. L'intérêt principal tient à la disparition du changement de mode manuel: la quasi-totalité des contrôleurs d'exosquelette actuels sont conçus pour une activité unique ou un ensemble restreint de mouvements apparentés, ce qui impose un recalibrage matériel à chaque nouvelle tâche. En montrant qu'une politique entraînée en simulation transfère directement sur un dispositif physique réel et gère les transitions entre activités, UniExo apporte un indice supplémentaire que l'écart simulation-réel se réduit pour des tâches de contrôle biomécanique complexes, un enjeu clé pour les fabricants d'exosquelettes médicaux et d'assistance industrielle. La validation reste toutefois limitée: six participants seulement, et un seul ayant testé le parcours complet des quatre compétences, ce qui relève de la preuve de concept plutôt que d'un dispositif prêt à l'industrialisation. Le champ des exosquelettes de marche, occupé notamment par des acteurs comme Wandercraft en France sur la rééducation, reste historiquement fragmenté activité par activité. UniExo s'inscrit dans cette lignée de recherche visant des contrôleurs génériques et personnalisés par utilisateur, sans toutefois annoncer de calendrier d'essais cliniques ni de partenariat industriel à ce stade.

ExosquelettesPaper

1 source

3arXiv 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

4arXiv cs.RO

ATP : cadre de contrôle à couple anatomique et passivité pour une assistance sûre par exosquelette du membre supérieur

Des chercheurs proposent ATP (Anatomical Torque with Passivity based Control), un nouveau cadre de commande pour exosquelettes du membre supérieur, décrit dans un article déposé sur arXiv début août 2026. Le système combine trois briques technique. D'abord, un simulateur musculosquelettique entraîne par apprentissage par renforcement un contrôleur musculaire unique, capable de généraliser à des mouvements variés du bras et de générer des couples de référence anatomiques sans recourir à des calculs biomécaniques complexes propres à chaque utilisateur. Ensuite, un module de raffinement en ligne ajuste ce couple de référence en temps réel, supprime les pics parasites liés aux tendons et intègre un score d'anomalie appris pour garantir une assistance sûre et confortable. Enfin, un contrôleur de couple d'interaction pilote un exosquelette souple à câbles sans imposer de trajectoire prédéfinie, tandis qu'un réservoir d'énergie (energy tank) préserve la passivité du système avec des garanties théoriques sur le suivi de couple. Testé en simulation et sur banc réel, le système suit avec précision des séquences de mouvement longues et s'adapte à des gestes humains en temps réel. Une étude EMG menée sur cinq participants montre une réduction de l'activité musculaire ciblée pendant des tâches statiques et dynamiques, avec jusqu'à 48% de réduction par rapport à un mouvement sans exosquelette lors d'une tâche dynamique multi-articulaire, un résultat supérieur à la compensation de gravité et à l'assistance en boucle ouverte. L'enjeu dépasse la prouesse technique: l'assistance anatomique générique a surtout été validée sur les exosquelettes de membre inférieur, où les mouvements périodiques et porteurs de charge tolèrent une précision de couple moindre. Le membre supérieur, avec ses gestes non périodiques et très variés, exigeait jusqu'ici soit des modèles biomécaniques lourds et spécifiques à l'utilisateur, soit des stratégies d'assistance rigides. Un contrôleur qui généralise sans recalibration individuelle tout en garantissant la sécurité (passivité, pas d'emballement de couple) lève un frein réel à la diffusion des exosquelettes de bras hors laboratoire, que ce soit en rééducation post-AVC, en ergonomie industrielle ou en assistance au geste répétitif. Le travail s'inscrit dans la continuité des recherches sur le contrôle par couple anatomique, déjà mature côté membre inférieur pour l'assistance à la marche, et cherche à combler le retard côté membre supérieur. Publié en preprint, non encore relu par les pairs, l'étude reste limitée à cinq sujets: la prochaine étape attendue est une validation sur cohorte plus large et en conditions cliniques ou industrielles réelles pour confirmer la portabilité du contrôleur au delà du banc d'essai.

ExosquelettesPaper

1 source