RecherchearXiv cs.RO 3 août 2026

Robotique humanoïde : optimisation cinétodynamique de la trajectoire corps entier avec contacts multiples

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Une équipe de recherche présente KDMR (KinoDynamic Motion Retargeting), un nouveau framework pour adapter des mouvements de capture de mouvement (MoCap) humains à des robots humanoïdes. Contrairement aux méthodes classiques de retargeting purement cinématiques, qui se contentent de transposer spatialement les données MoCap et génèrent des artefacts physiquement incohérents (glissement des pieds, pénétration du sol), KDMR formule le problème comme une optimisation de trajectoire dynamique multi-contact sur le corps entier du robot. La méthode intègre des contraintes de dynamique du corps rigide et de complémentarité de contact, et combine les données MoCap avec des mesures de force de réaction au sol (GRF) pour détecter automatiquement les événements de contact talon-orteil et reproduire fidèlement les schémas de contact humains. Les auteurs comparent KDMR à GMR, la référence actuelle du domaine, sur trois critères : la faisabilité dynamique et la fluidité des mouvements retargetés, la précision du suivi des forces de réaction au sol par rapport aux données sources, et l'efficacité d'entraînement des politiques de contrôle en aval via le framework BeyondMimic. Le pipeline complet sera publié en open source.

Ce travail s'attaque à un goulot d'étranglement peu visible mais critique dans l'apprentissage par imitation pour robots humanoïdes : la qualité des données de référence utilisées pour entraîner les politiques de locomotion. Un retargeting purement cinématique produit des trajectoires irréalistes que les robots ne peuvent pas exécuter sans corrections coûteuses, ce qui ralentit la convergence de l'entraînement et dégrade la stabilité de la marche obtenue. En démontrant que des trajectoires dynamiquement viables accélèrent l'apprentissage et améliorent la stabilité finale, KDMR renforce l'idée que le sim-to-real et l'apprentissage par imitation pour humanoïdes ne sont pas seulement une question d'algorithmes de contrôle, mais aussi de qualité des données de démonstration en amont. Pour les équipes qui développent des politiques de locomotion humanoïde, cela suggère qu'investir dans un retargeting physiquement cohérent peut réduire le temps et le coût d'entraînement plutôt que de complexifier uniquement la politique elle-même.

Le retargeting de mouvement humain vers robot est une étape standard dans les pipelines d'apprentissage par imitation pour humanoïdes, où GMR sert aujourd'hui de référence de facto. KDMR s'inscrit dans une tendance plus large visant à combler l'écart entre capture de mouvement et physique réelle du robot, en s'appuyant explicitement sur des données de force au sol plutôt que sur la seule cinématique. Les auteurs annoncent la publication complète du pipeline en open source à la publication de l'article, ce qui permettrait à la communauté robotique d'évaluer et de réutiliser directement la méthode, sans toutefois préciser à ce stade de calendrier précis ni de robot physique sur lequel les politiques entraînées ont été validées en conditions réelles.

À lire aussi

1arXiv cs.RO

Optimisation de trajectoire dynamiquement cohérente pour robots à pattes via décomposition des points de contact

Une équipe de recherche publie sur arXiv (référence 2510.24069, version 2, qui remplace une soumission antérieure) un article intitulé "Dynamically-Consistent Trajectory Optimization for Legged Robots via Contact Point Decomposition". La méthode proposée est une optimisation de trajectoire par phases qui garantit, sur l'ensemble du mouvement, la faisabilité de la dynamique de translation ainsi que le respect des contraintes de cône de friction. Elle exploite les propriétés de superposition des équations différentielles linéaires pour découpler la dynamique de translation de chaque point de contact, chacun suivant sa propre séquence de phases d'appui et de vol. Les auteurs utilisent ensuite la matrice de différentiation des polynômes de Bézier pour établir une relation analytique directe entre position du robot et forces appliquées, puis la propriété d'enveloppe convexe de ces mêmes polynômes pour contraindre le frottement tout au long de la trajectoire. Le framework est validé sur un modèle de robot quadrupède, avec code source et matériel complémentaire publiés sur une page de projet dédiée. Pour la robotique à pattes, ce travail s'attaque à un goulot d'étranglement connu : calculer simultanément la séquence de contacts et une trajectoire dynamiquement valide est coûteux en calcul, et de nombreux optimiseurs existants ne vérifient la dynamique qu'en des instants discrets, laissant passer des violations entre ces points. En assurant une satisfaction continue et analytique des contraintes plutôt qu'une approximation par échantillonnage, l'approche vise des trajectoires plus fiables sur des allures variées (marche, trot, saut) sans recalcul correctif coûteux après coup. Pour des intégrateurs travaillant sur des plateformes quadrupèdes du type Spot, Unitree ou ANYmal, ce genre de méthode pourrait alimenter des planificateurs embarqués plus robustes. Il s'agit toutefois d'un résultat académique validé en simulation sur un seul modèle de robot, pas d'un produit commercial ni d'un déploiement de terrain. Cette contribution s'inscrit dans la lignée des recherches sur l'optimisation de trajectoire à contacts implicites et le contrôle prédictif corps entier pour robots légers, un domaine où dominent depuis plusieurs années des méthodes fondées sur la programmation quadratique séquentielle ou l'intégration numérique directe, qui peinent à garantir la cohérence dynamique entre les points d'échantillonnage. La publication d'une version 2 sur arXiv signale une révision après une première soumission, probablement liée à un processus d'évaluation par les pairs. Aucun partenariat industriel, calendrier de pilote ou passage au matériel réel n'est mentionné à ce stade : les auteurs renvoient uniquement vers leur page de projet et le code source pour toute reproduction ou prolongement des résultats.

RecherchePaper

1 source

2arXiv cs.RO

D4orm : trajectoires multi-robots par déformations débruitées avec diffusion tenant compte de la dynamique

Le laboratoire Prorok de l'université de Cambridge a publié une nouvelle version (v3) de son article arXiv 2503.12204, présentant D4orm, une méthode de génération de trajectoires multi-robots sans collision et physiquement réalisables. Contrairement aux approches par apprentissage, D4orm ne comporte aucune composante entraînée : elle débruite itérativement des trajectoires bruitées à la manière d'un modèle de diffusion, en s'appuyant uniquement sur un modèle dynamique du robot pour simuler des trajectoires faisables et sur une fonction de fitness guidée par approximation de gradient Monte Carlo. Testée sur des équipes de robots à roues différentielles et holonomes allant jusqu'à 16 unités en 2D et 3D, elle va près de deux fois plus vite que MPPI, une référence d'optimisation boîte noire, sur un cas holonome 2D à 16 robots. Les chercheurs ont aussi déployé les trajectoires calculées en zero-shot, sans réentraînement, sur huit drones multirotors réels, et publié le code et une vidéo sur GitHub (proroklab/d4orm). Pour les intégrateurs de flottes de robots (entrepôts, essaims de drones), la démonstration montre qu'une optimisation sans apprentissage ni données d'entraînement peut égaler, voire dépasser, des baselines établies comme MPPI en coordination multi-agents, tout en tirant parti du calcul GPU parallèle pour un raffinage en temps réel. Le déploiement zero-shot sur huit drones physiques répond à une critique récurrente du secteur, l'écart persistant entre simulation et réalité en planification multi-robots : la méthode a fonctionné sans étape d'adaptation supplémentaire. Cela positionne D4orm comme alternative légère aux pipelines d'apprentissage lourds, pour des usages où robustesse et vitesse priment sur la généralisation apprise. La méthode s'inscrit dans un mouvement plus large qui détourne les modèles de diffusion, popularisés en génération d'images, vers la planification robotique, déjà explorée pour des bras manipulateurs uniques et la conduite autonome. Le préfixe arXiv 2503 indique une soumission initiale en mars 2025, cette version 3 étant une révision de l'article d'origine. Il s'agit d'une publication académique en open source, pas d'un produit commercial : aucun partenaire industriel ni calendrier de commercialisation n'est annoncé. Les suites plausibles, non confirmées par les auteurs, porteraient sur l'extension à des flottes plus nombreuses et à des dynamiques hybrides combinant robots terrestres et aériens.

UELe laboratoire Prorok de l'université de Cambridge, acteur académique européen, publie une méthode open source de planification multi-robots sans apprentissage.

RecherchePaper

1 source

3arXiv cs.RO

MPC adaptatif du corps entier avec planification de posture optimale pour robots humanoïdes sous charges utiles inconnues

Des chercheurs proposent une architecture de commande « corps entier » adaptative pour qu'un robot humanoïde conserve son équilibre lorsqu'il soulève ou transporte une charge dont la masse est inconnue et variable. Le travail, publié sur arXiv (2610.12972), associe trois briques. La première est un contrôleur prédictif par modèle (MPC) centroïdal, qui génère des mouvements de référence dynamiquement réalisables. La deuxième est un contrôleur d'équilibre adaptatif à logique floue. Il compense l'écart de modèle induit par la charge en produisant des couples correctifs répartis sur les articulations de la jambe d'appui. La troisième est un planificateur de posture optimal fondé sur des points de passage et sur un modèle à triple intégrateur. Il produit des trajectoires lisses de passage assis-debout et debout-assis, qui respectent les contraintes de stabilité du centre de masse (CoM), les limites articulaires et la faisabilité du corps entier. L'ensemble doit permettre d'abaisser le robot, de saisir, soulever, porter puis déposer un objet. Les auteurs annoncent des essais en simulation et sur matériel réel, avec une meilleure robustesse d'équilibre et une moindre dégradation du suivi de trajectoire que des références non adaptatives. Le résumé ne donne ni la plateforme utilisée, ni les masses testées, ni les gains chiffrés. L'enjeu est concret pour la manutention. Un humanoïde en entrepôt ou en usine ne connaît presque jamais la masse exacte de ce qu'il prend, et une charge mal estimée déplace le centre de masse et dégrade le suivi des contrôleurs nominaux. Beaucoup de démonstrations actuelles, avec des charges légères et connues, masquent cette difficulté. Cette approche, qui traite l'incertitude de charge par une adaptation en ligne plutôt que par une identification préalable, va dans le sens d'une robustesse exigée par les intégrateurs. Le choix d'un contrôleur flou adaptatif, léger en calcul, par-dessus un MPC, est aussi un compromis intéressant face aux politiques apprises de bout en bout (VLA, apprentissage par renforcement). Ces dernières gèrent mal les perturbations hors distribution et restent difficiles à certifier. Il faut toutefois rester prudent : il s'agit d'un preprint non évalué par les pairs, sans charge maximale ni taux de réussite publiés, et la comparaison porte sur des références non adaptatives, non sur l'état de l'art industriel. Ce travail s'inscrit dans une lignée bien établie : MPC centroïdal et commande du corps entier, popularisés par les plateformes de Boston Dynamics, d'Agility Robotics ou par les travaux académiques sur Atlas, Digit et les humanoïdes de recherche. L'adaptation à la charge y reste un point faible, alors que les acteurs commerciaux (Figure, Tesla avec Optimus, Agility, Apptronik) visent des tâches de logistique avec des caisses de plusieurs kilos. En parallèle, les approches apprises (GR00T, Pi-0, Helix) dominent la communication, mais les contrôleurs basés sur un modèle gardent l'avantage de la prévisibilité. Les suites logiques seront la publication du code et des charges testées, une validation sur des plateformes variées et une confrontation directe avec des méthodes hybrides mêlant MPC et apprentissage.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

4arXiv cs.RO

Robotique forestière : optimisation stochastique de trajectoire sous contraintes pour une grue forestière optimale en temps

Des chercheurs présentent TSC-VP-STO, une extension de l'algorithme VP-STO (Via-Point-based Stochastic Trajectory Optimization) destinée à la planification de trajectoires pour les grues forestières autonomes. Le problème initial de VP-STO est qu'il impose une configuration articulaire terminale fixe, définie avant même l'optimisation, ce qui limite l'exploitation de la redondance cinématique propre à ces bras manipulateurs à plusieurs degrés de liberté (DOF). TSC-VP-STO remplace cette contrainte rigide par une contrainte dans l'espace de la tâche, permettant d'optimiser conjointement la trajectoire et les degrés de liberté redondants de la posture finale. Les auteurs formalisent l'approche via une décomposition de l'espace de configuration et une contrainte d'atteignabilité spécifique à la cinématique des grues forestières. Les essais, menés sur plusieurs cibles de planification et configurations de points de passage, montrent une réduction de 12 à 15% de la durée des trajectoires en moyenne par rapport à VP-STO, avec une meilleure répartition de l'utilisation du débit hydraulique. La méthode a été validée en conditions réelles sur une grue forestière, incluant un cycle complet de chargement de grumes. L'enjeu dépasse le seul cas des grues forestières: il touche à l'automatisation de tout manipulateur hydraulique cinématiquement redondant soumis à des contraintes de débit de pompe non linéaires et globalement couplées, un problème classique en robotique industrielle lourde (foresterie, BTP, manutention). Optimiser la posture terminale plutôt que de la figer permet de mieux équilibrer la demande hydraulique entre articulations, un gain concret pour les intégrateurs cherchant à réduire les temps de cycle sans changer le matériel. La validation sur machine réelle, et pas seulement en simulation, renforce la crédibilité des gains annoncés, un point que les décideurs industriels scrutent généralement avec prudence face aux démonstrations purement simulées. Ce travail s'inscrit dans la continuité de VP-STO, déjà présenté comme quasi temps-optimal pour la planification hybride de grues forestières, et prolonge une littérature plus large sur l'optimisation stochastique de trajectoires sous contraintes robotiques. Publié comme prépublication arXiv, il reste à ce stade un résultat de recherche appliquée plutôt qu'un produit commercialisé, mais son déploiement réel sur une grue en exploitation forestière constitue une étape notable vers une adoption industrielle.

UECette optimisation profite potentiellement aux intégrateurs robotiques européens du secteur forestier et de la manutention lourde (Scandinavie, BTP), sans acteur français ou européen explicitement cite dans l'article.

RecherchePaper

1 source