RecherchearXiv cs.RO 3 juillet 2026

HEFT : téléopération d'humanoïde grandeur nature à charge lourde, guidage privilégié et curriculum par fenêtres

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs présentent HEFT (Heavy-payload full-size humanoid teleoperation), un framework de téléopération détaillé dans une publication arXiv datée du 2 juillet 2026 (référence 2607.02332v1). Contrairement à la plupart des systèmes de suivi de mouvement validés sur des plateformes compactes ou sans charge réelle, HEFT est testé sur un humanoïde grande taille : L7, un robot de 175 cm pour 65 kg. Le robot reproduit des mouvements de téléopération incluant virages, marche avant et arrière, et squats, avec des charges utiles allant jusqu'à 24 kg. Deux briques techniques rendent cela possible : le Privileged Motion Guidance (PMG), qui entraîne le système à partir de références VR bruitées combinées à des références reconstruites physiquement plausibles, et le Windowed Payload Curriculum (WPC), qui augmente progressivement la charge tolérée grâce à des plafonds guidés par un expert.

Cette démonstration s'attaque à un angle mort connu du secteur humanoïde : l'écart entre les vidéos de démonstration et la réalité opérationnelle. Les casques et contrôleurs VR grand public utilisés en téléopération génèrent du bruit, de la dérive et des erreurs de retargeting qui deviennent critiques sur un robot grande taille, dont l'inertie plus élevée et les marges d'équilibre plus étroites amplifient le moindre écart de trajectoire. En maintenant la stabilité tout en portant des charges proches d'un tiers de son propre poids, HEFT apporte un élément de preuve concret que le transfert VR vers robot peut tenir à l'échelle humaine réelle, un point disputé alors que la plupart des démonstrations humanoïdes commerciales (Figure 03, Optimus, GR00T N2, Helix) mettent l'accent sur la manipulation fine plutôt que sur le port de charges lourdes. Pour les intégrateurs industriels, cela ouvre la perspective de tâches logistiques, chargement, port de bacs, palettisation, aujourd'hui hors de portée des humanoïdes commerciaux.

La téléopération reste la voie privilégiée par de nombreux laboratoires pour collecter des données d'entraînement avant d'automatiser les tâches via des politiques apprises, plutôt que de dépendre uniquement de la simulation. HEFT s'inscrit dans cette lignée de travaux académiques sur le suivi de mouvement humanoïde, aux côtés des approches VLA déployées par les acteurs commerciaux du secteur. Le papier ne mentionne aucun plan de commercialisation ni partenaire industriel pour L7 : il s'agit à ce stade d'une publication de recherche démontrant une faisabilité technique, pas d'un déploiement en environnement réel. Aucun calendrier de suite n'est communiqué, mais la validation sur une charge de 24 kg positionne ce travail comme une référence potentielle pour les futurs benchmarks de téléopération humanoïde à charge lourde, un axe encore peu couvert face aux démonstrations de dextérité manuelle qui dominent la littérature.

Dans nos dossiers

Figure NVIDIA GR00T arXiv cs.RO

À lire aussi

1arXiv cs.RO

Téléopération humanoïde à prise en compte de l'inertie via commande prédictive du corps entier et estimation de paramètres en ligne

Des chercheurs proposent une architecture de téléopération pour robot humanoïde capable de compenser en temps réel les variations d'inertie liées au port de charges lourdes ou à l'utilisation d'outils. Le système couple un contrôleur prédictif sur modèle du corps entier (WB-MPC, whole body model predictive control) à un filtre de Kalman étendu (EKF) qui estime en ligne des paramètres inertiels variables dans le temps, contraints pour rester physiquement cohérents (masse positive, tenseur d'inertie valide). Ces estimations alimentent le modèle de dynamique complète des corps rigides du WB-MPC, ce qui produit des couples en boucle ouverte (feedforward) plus précis lorsque le robot subit une charge externe. Une interface de réalité virtuelle permet à l'opérateur de fournir des références de tâche sans se soucier de la charge, la gestion de l'équilibre dynamique étant déléguée au contrôleur. La validation repose sur des simulations et des essais matériels sur un système humanoïde, que le résumé ne nomme pas. Il ne donne ni masse de charge, ni degrés de liberté, ni temps de cycle, ni gain chiffré par rapport à une base de référence. L'enjeu est concret pour quiconque envisage un humanoïde en logistique, en maintenance ou en manutention. Dès que la charge représente une part significative de la masse totale du système robot plus charge, la laisser au seul retour d'état (feedback) dégrade le suivi et menace l'équilibre. Les auteurs soutiennent que l'identification en ligne de la charge, plutôt que sa compensation par la boucle de rétroaction, est la voie la plus générale. C'est un point que les démonstrations spectaculaires de portage passent souvent sous silence. L'approche est aussi complémentaire des politiques VLA (vision-langage-action) apprises de bout en bout, qui peinent à exploiter explicitement la physique de la charge. Elle suggère qu'un contrôle modèle-based bien identifié reste pertinent pour les tâches à fort contact et à forte inertie. Il faut toutefois rester prudent: sans valeurs chiffrées publiées dans le résumé, la robustesse face à des charges inconnues, à du bruit capteur ou à des temps de calcul contraints reste à vérifier dans le texte intégral. Ce travail s'inscrit dans la continuité des contrôleurs MPC sur corps entier, déjà éprouvés sur des quadrupèdes et des humanoïdes, et des méthodes d'identification inertielle issues de la manipulation. Il s'agit d'une prépublication arXiv, donc d'un résultat de recherche non évalué par les pairs, et non d'un produit ni d'un déploiement. Les grands acteurs de l'humanoïde industriel, dont Figure, Agility, Apptronik et Tesla avec Optimus, misent surtout sur des politiques apprises et la téléopération pour collecter des données, tandis que des équipes académiques et des acteurs européens comme Wandercraft, qui maîtrise le contrôle de marche sur exosquelette, travaillent sur le contrôle dynamique fondé sur des modèles. La suite logique serait une validation sur des charges plus lourdes et plus variées, un transfert vers des plateformes commerciales et une intégration avec des politiques apprises pour les tâches de plus haut niveau.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

2arXiv cs.RO

FAME : RL adaptatif à la force pour élargir l'enveloppe de manipulation d'un robot humanoïde grandeur nature

Des chercheurs du laboratoire CORRELL proposent FAME, un cadre d'apprentissage par renforcement qui permet à un humanoïde grandeur nature de rester stable lorsqu'il subit des forces aux mains pendant une manipulation bimanuelle. Le travail, publié sur arXiv (2603.08961, version 2), conditionne une politique de maintien debout sur un contexte latent appris qui encode à la fois la configuration articulaire du haut du corps et les forces d'interaction aux deux mains. L'entraînement applique des forces 3D échantillonnées de façon isotrope sur chaque main, selon un curriculum de postures du haut du corps. Au déploiement, la force n'est pas mesurée : elle est reconstruite en ligne à partir des couples et états articulaires par dynamique inverse du corps rigide, sans capteur force/couple au poignet. Sur plus de 100 configurations du haut du corps soumises à des forces croissantes, FAME atteint 38,9 % de réussite avec une tolérance de 150 mm sur la position des mains. Les références plafonnent à 16,6 % (même force sans encodage), 4,3 % (politique à curriculum conditionnée par la pose) et 24,7 % (politique de locomotion entraînée de façon adverse). Le transfert est montré dans une cuisine simulée sous MuJoCo, puis sur un Unitree H1-2 grandeur nature avec des charges asymétriques et bimanuelles. Le code et les vidéos sont publiés. Ce résultat s'attaque à un point faible de la manipulation humanoïde : la plupart des politiques de locomotion savent ne pas tomber, mais pas tenir une tâche pendant qu'on les pousse. Le critère de réussite est ici plus exigeant que le simple fait de rester debout, puisque le robot doit aussi garder les mains près de la cible. La politique adverse en est l'illustration : elle reste droite en faisant un pas, ce qui déplace les mains et fait échouer la tâche. Pour un intégrateur, le gain est double. Retirer les capteurs F/T de poignet réduit coût, masse et fragilité, et la dynamique inverse est déjà disponible sur les plateformes à retour de couple. Il faut toutefois relativiser : 38,9 % de réussite sur un balayage volontairement difficile de forces et de postures montre que l'enveloppe reste étroite, très loin d'un niveau de fiabilité industrielle. Les résultats sont aussi essentiellement obtenus en simulation, avec une démonstration matérielle qualitative sur le H1-2, sans taux de réussite chiffré sur robot réel. Le travail s'inscrit dans la montée des politiques de contrôle du corps entier pour humanoïdes, où la manipulation avec charge reste moins mature que la marche ou la téléopération. Il se positionne face aux approches de robustesse par entraînement adverse et aux politiques conditionnées sur la seule pose, que les auteurs surclassent nettement dans leur protocole. Les acteurs commerciaux comme Figure, Tesla (Optimus) ou Agility misent sur des contrôleurs propriétaires dont les performances sous charge ne sont pas publiées, ce qui rend la comparaison impossible. Les prochaines étapes naturelles seraient d'intégrer ce contrôleur de stabilité sous une politique de manipulation de type VLA, de quantifier les résultats sur robot réel et d'élargir l'enveloppe au-delà de la posture debout, vers la marche chargée.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

3arXiv cs.RO

Synthèse naturelle du mouvement assis-debout pour humanoïdes via curriculum d'assistance guidée et récompenses par étapes

Une équipe de recherche publie un article arXiv (arXiv:2608.20823, mis en ligne le 24 aout 2026) qui présente une méthode d'apprentissage par renforcement pour générer un mouvement naturel de passage assis-debout (sit-to-stand, STS) chez un humanoïde, sans aucune démonstration humaine ni trajectoire de référence. Une politique unique, entraînée par Proximal Policy Optimisation (PPO), combine trois mécanismes: un curriculum couple force/hauteur de chaise, ou une force verticale assistant le bassin facilite l'exploration au début de l'entrainement puis décroît progressivement a mesure que des chaises plus hautes sont introduites; un échantillonnage aléatoire de poses initiales et cibles générées par cinématique inverse sur plus de huit hauteurs de siège différentes; et une fonction de récompense inspirée de la biomécanique, qui guide le moment angulaire au décollement du siège et la transition du centre de pression pour un mouvement fluide et peu couteux en effort. Sur un évaluateur déterministe sans assistance de force, la politique atteint plus de 97% de réussite de mise en position debout équilibrée sur les huit hauteurs testées, y compris depuis des assises très enfoncées, un cas ou les approches antérieures échouaient plus fréquemment. Ce résultat est significatif parce que le passage assis-debout reste un problème de contrôle particulièrement difficile: un humanoïde dispose d'une infinité de trajectoires possibles pour se lever en gardant l'équilibre, et les solutions existantes reposent généralement sur des démonstrations captées par motion capture ou des trajectoires codées a la main, ce qui limite leur adaptation a de nouvelles hauteurs de siège ou postures de départ. Montrer qu'une politique RL entraînée entièrement en simulation, sans données démonstratives, généralisé a huit hauteurs de chaise et surpasse l'état de l'art sur les postures profondément assises ouvre une piste pour réduire l'ingénierie manuelle requise a chaque nouveau scenario de mobilité. C'est un signal utile pour les équipes travaillant sur le contrôle bas niveau de robots humanoïdes destines a des environnements humains, ou se relever depuis des assises variées (canapé, chaise basse, sol) est une brique fonctionnelle courante mais rarement rendue robuste. Ces résultats restent toutefois obtenus uniquement en simulation, sur un évaluateur déterministe sans le bruit ni les incertitudes d'un robot physique réel: aucun déploiement matériel n'est rapporte, et le transfert vers le monde réel n'est pas traite dans l'article. La démarche s'inscrit dans la lignée des travaux sur le curriculum learning applique au contrôle humanoïde par renforcement, une approche distincte des modèles généralistes de type vision-language-action, davantage orientes vers la manipulation et les taches de haut niveau que vers le contrôle fin de l'équilibre corporel. Aucune entreprise ni plateforme robotique commerciale n'est associée a ces travaux, qui relèvent de la recherche académique. Les auteurs ne mentionnent pas de suite prévue, comme un portage sur robot physique, laissant ouverte la question de la robustesse hors simulation.

RecherchePaper

1 source

4arXiv cs.RO

Vers la téléopération et manipulation locomotrice miniature humanoïde par réalité virtuelle et apprentissage par renforcement

Le stack de téléopération pour humanoïdes complets a connu des progrès rapides ces dernières années, combinant réalité virtuelle pour le contrôle du haut du corps et apprentissage par renforcement pour l'équilibre et la locomotion du bas du corps, permettant à un seul opérateur distant de voir, manipuler et se déplacer dans un environnement physique réel. Un article publié sur arXiv (2607.20399v1) transpose cette approche vers les humanoïdes miniatures, testée sur la plateforme ROBOTIS OP3. Le système développé permet une marche jusqu'à 0,45 m/s, indépendamment des mouvements des bras de l'opérateur. Une expérience de télé-loco-manipulation a été menée avec un opérateur humain expert chargé de relocaliser des cubes de 40 grammes : en moyenne, deux cubes différents ont été déplacés en moins de 10 minutes, pour une distance totale parcourue de 5 mètres. L'enjeu dépasse la simple démonstration technique. Les stacks combinant VR et RL restent aujourd'hui réservés aux robots humanoïdes de taille adulte, coûteux et souvent inaccessibles à la communauté académique. Les humanoïdes miniatures, plus répandus et abordables, embarquent en général moins de capteurs et de degrés de liberté, ce qui limitait jusqu'ici l'application de ces techniques de contrôle avancées. En portant ce contrôle compliant de bout en bout sur du matériel accessible, les chercheurs ouvrent la possibilité d'expérimenter la télé-loco-manipulation sans dépendre de plateformes à plusieurs dizaines de milliers de dollars, ce qui pourrait démocratiser la recherche sur le contrôle whole-body des humanoïdes. Le ROBOTIS OP3 est une plateforme open-source largement utilisée dans les laboratoires de robotique pour prototyper des algorithmes de contrôle, contrairement aux plateformes propriétaires des acteurs commerciaux du secteur humanoïde. L'expérience reste limitée en échelle, un seul opérateur expert et une tâche simple de déplacement de cubes, et les auteurs présentent leurs résultats comme une preuve de potentiel plutôt qu'un système finalisé. Les prochaines étapes attendues concernent l'élargissement des tâches de manipulation testées et une évaluation plus systématique face aux stacks équivalents développés pour les humanoïdes de taille réelle.

RecherchePaper

1 source