RecherchearXiv cs.RO 5 août 2026

Robot humanoïde industriel : combler l'écart de sécurité fonctionnelle certifiée par une approche fail-passive, étude de faisabilité

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Un preprint arXiv (2608.02809) documente un verrou dans la certification de sécurité fonctionnelle des robots humanoïdes industriels : l'état de sécurité d'un robot a pattes est activement contrôle, ce qui contredit l'hypothèse fail-passive des normes ISO 13849-1 et EN 60204-1. Couper l'alimentation d'un bipède en marche provoque une chute incontrôlée, la mise hors tension classique devenant elle-même un danger. Les auteurs nomment ce problème le "fail-passive gap" et le localisent via une chaine de sécurité externe certifiée (rideau lumineux, arrêt d'urgence, entrée fail-safe, automate Siemens S7-1500, liaison sans fil PROFIsafe), quantifiable avec les méthodes PFHD, DC, CCF et PL/SILCL. Le sous-système de réaction certifiable de cette référence repose sur une coupure de puissance par contacteur, catégorie d'arrêt 0, exactement ce qu'un humanoïde en équilibre ne peut pas avoir. Sans revendiquer de certification PL e / SIL 3 complète, l'étude est validée sur une cellule de prise-dépose équipée d'un Unitree G1 EDU, dans un espace de travail semi-clos de 3 mètres sur 1,5 mètre.

Le travail met en évidence un frein souvent occulte par les démonstrations de robots humanoïdes : marcher ou manipuler n'est plus le facteur limitant pour un déploiement en usine, c'est l'absence de cadre de certification adapte aux plateformes a pattes. Pour les intégrateurs et décideurs industriels qui envisagent d'installer des humanoïdes sur une ligne de production, l'étude rappelle qu'aucune solution actuelle ne garantit formellement la sécurité d'un robot devant rester en équilibre actif, contrairement a un bras robotique classique qu'on peut arrêter net. Elle souligne aussi l'écart entre les annonces de robots "prêts pour l'usine" et la réalité technique de la certification, un angle mort récurrent du secteur. Meme une architecture de contrôle industrielle standardisée, avec interface IEC 61131-3, ne résout pas le problème puisque le calculateur embarque du G1 n'est pas un matériel certifie pour la sécurité : elle deplace simplement le problème vers l'interface entre l'automate d'automatisation et la politique d'équilibre du robot.

Cette étude s'inscrit dans un examen académique croissant de la maturité réelle des humanoïdes industriels, alors que Figure, Tesla avec Optimus, Agility Robotics ou Unitree multiplient les annonces de pilotes en usine. Le choix du G1, plateforme commerciale relativement accessible, comme banc d'essai illustre une tendance a utiliser des robots grand public pour des études de faisabilité en environnement quasi industriel, faute de plateformes déjà certifiées pour cet usage. Les auteurs livrent une analyse spécifique aux humanoïdes de l'état de sécurité actif (la chute comme danger, les limites d'arrêt en appui simple, le risque résiduel lie a la politique d'équilibre, la distance de séparation selon ISO 13855) ainsi qu'un budget temporel documente par source. La suite logique serait l'élaboration de normes dédiées aux plateformes a pattes, un chantier que les organismes de normalisation n'ont pas encore engage, laissant intégrateurs et fabricants sans référence formelle pour déployer des humanoïdes dans des zones partagées avec des opérateurs humains.

Impact France/UE

L'étude s'appuie sur les normes de sécurité européennes ISO 13849-1, EN 60204-1 et IEC 61131-3 ainsi que sur un automate Siemens S7-1500, révélant l'absence de cadre de certification adapté aux humanoïdes pour les industriels européens envisageant un déploiement en usine.

Dans nos dossiers

Unitree Agility Robotics — Digit arXiv cs.RO

À lire aussi

1arXiv cs.RO

Portes dérobées dans la manipulation robotique industrielle par apprentissage : une étude de sécurité empirique

Des chercheurs publient une étude de sécurité empirique sur les attaques par porte dérobée (backdoor) visant les modèles d'apprentissage utilisés pour piloter des bras robotiques industriels, dans un article déposé sur arXiv sous la référence 2609.26868. Les auteurs testent des modèles visuomoteurs et de type Vision-Language-Action (VLA), où les prédictions du réseau se traduisent directement en mouvements physiques, sur deux bras robotiques industriels commerciaux réels, un FANUC et un xArm. L'objectif est de vérifier si une porte dérobée insérée dans le modèle peut déclencher, via un signal déclencheur (trigger) spécifique, des comportements de manipulation sémantiquement incorrects tout en restant indétectable pendant l'exécution normale des tâches, un robot compromis se comportant alors comme un robot sain jusqu'à l'activation du trigger. Face à cette menace, l'équipe développe un pipeline de défense en ligne capable de détecter et neutraliser les déclencheurs en temps réel pendant l'exécution, qu'elle compare à une défense hors ligne fondée sur un réaffinage (fine-tuning) du modèle. Elle mesure aussi la latence de calcul et la surcharge d'exécution introduites par ce pipeline, pour juger de sa compatibilité avec des cadences de production industrielles à haut débit. Le résultat compte parce que les modèles VLA gagnent du terrain dans la manipulation industrielle précisément parce qu'ils transforment une perception en action physique sans étape de vérification intermédiaire, ce qui rend toute vulnérabilité cachée directement conséquente sur le terrain plutôt que confinée à un score de classification. Les attaques par porte dérobée sont bien documentées sur des modèles d'IA classiques, mais leur transposition à des systèmes robotiques réels, physiques, reste peu explorée, alors que l'intégration de ces modèles s'accélère chez les intégrateurs. Pour un décideur industriel, l'étude signale que l'évaluation d'un système de contrôle appris ne peut plus se limiter à la précision ou au temps de cycle : la robustesse face à une manipulation adverse du modèle devient un critère de déploiement à part entière, au même titre qu'un pipeline de supervision runtime. Le travail s'inscrit dans la continuité des recherches sur les backdoors en apprentissage automatique, largement étudiées pour la vision par ordinateur et le traitement du langage, que les auteurs étendent ici au couplage modèle-actionneur sur du matériel commercial réel plutôt que simulé. Il s'agit d'une étude préliminaire, exploratoire, et non d'un produit ou d'un déploiement commercial : aucun partenaire industriel, aucun calendrier de pilote ni chiffrage de coût n'est mentionné. Les auteurs annoncent vouloir approfondir la comparaison entre défense en ligne et hors ligne, en particulier sur l'arbitrage entre efficacité de détection et surcoût de latence acceptable en environnement de production.

RechercheActu

1 source

2arXiv cs.RO

Vers des robots humanoïdes dans la construction : étude de faisabilité de la téléopération

Une équipe de chercheurs présente sur arXiv un système de téléopération permettant à un seul opérateur d'exécuter des tâches de chantier avec un Unitree G1, humanoïde d'entrée de gamme très répandu dans les laboratoires. L'architecture sépare le haut et le bas du corps. Le haut du corps (bras et mains) est piloté par un dispositif de réalité étendue (XR) qui reproduit les mouvements de l'opérateur. La locomotion est commandée au pédalier, ce qui libère les mains et permet de manipuler et de marcher en même temps. Deux tâches tirées de la base de données professionnelle O*NET ont servi de test : le transport d'outils et la peinture de surface. Le système a atteint 100 % de réussite sur le transport d'outils et 80 % sur la peinture. Les auteurs ne précisent pas dans le résumé le nombre d'essais, mais ces taux, établis sur un échantillon visiblement restreint, relèvent de l'étude de faisabilité et non de la validation statistique. Surtout, la téléopération demande nettement plus de temps que l'exécution manuelle par un humain, sans que le résumé chiffre l'écart. L'intérêt tient moins aux performances brutes qu'à la posture adoptée. Plutôt que d'attendre une autonomie complète, que les modèles vision-langage-action (VLA) n'ont pas encore démontrée sur des environnements de chantier non structurés, les auteurs défendent la téléopération comme solution à court terme. Elle répond à la pénurie de main-d'œuvre et aux conditions dangereuses, en éloignant l'ouvrier des tâches les plus pénibles. Elle produit aussi des démonstrations de qualité pour entraîner les futures politiques d'apprentissage. Le résultat nuance le discours de certains acteurs du secteur : un humanoïde commandé à distance reste plus lent qu'un travailleur, ce qui pèse sur la rentabilité immédiate. Pour un intégrateur ou un décideur du BTP, la valeur à court terme se situe donc dans la sécurité et la collecte de données, pas dans la productivité. Ce travail s'inscrit dans une dynamique où la téléopération sert de passerelle vers l'autonomie. Le recueil de démonstrations par casque XR est devenu courant pour alimenter des modèles comme Pi-0 ou GR00T, et le G1, vendu à un prix bien inférieur à celui des humanoïdes industriels, s'impose comme plateforme de recherche. Face à lui, Figure, Tesla avec Optimus ou Agility visent d'abord la logistique et l'usine, plus structurées que le chantier. Le BTP reste un terrain peu exploré pour les humanoïdes, et aucun pilote ni calendrier de déploiement n'est annoncé ici. Il s'agit d'une publication préliminaire (v1), sans produit ni client, dont la suite logique serait des essais plus nombreux, des tâches plus variées et une comparaison chiffrée des temps d'exécution.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

3arXiv cs.RO

Robot humanoïde : apprendre des interventions de sécurité personnalisées pour le contrôle partagé haptique humain-robot

Traduction de l'article demandée. Un système de retour haptique personnalisé permet désormais aux robots partagés en téléopération d'apprendre les préférences de sécurité individuelles d'un utilisateur à partir de démonstrations limitées, plutôt que d'imposer des réglages génériques prédéfinis. L'approche, baptisée Learning from Haptics (LfH), s'appuie sur une couche d'optimisation différentiable fondée sur des fonctions de barrière de contrôle (Control Barrier Function, CBF), un outil mathématique classique pour garantir qu'un système reste dans une zone d'état sûre. Concrètement, l'opérateur n'a plus besoin de régler manuellement les paramètres du contrôleur par essais-erreurs: il montre au système comment il souhaite que celui-ci intervienne pendant la téléopération, et l'algorithme ajuste automatiquement les paramètres de sécurité sous-jacents pour reproduire ce comportement démontré. Les auteurs ont validé le cadre à la fois en simulation et sur un banc matériel réel, montrant que le système apprend des interventions personnalisées à partir de peu de données utilisateur et réduit l'écart entre le retour haptique généré et les préférences réellement démontrées. Cette avancée s'attaque à une limite connue des systèmes de guidage haptique en contrôle partagé humain-robot: les stratégies d'intervention prédéfinies ne s'adaptent ni aux préférences individuelles des opérateurs, ni aux spécificités de chaque scénario applicatif (chirurgie assistée, téléopération industrielle, exosquelettes, manipulation à distance). Pour les intégrateurs et concepteurs de systèmes à contrôle partagé, cela signifie potentiellement moins de temps de calibration terrain et une meilleure acceptabilité utilisateur, un facteur souvent négligé mais déterminant dans l'adoption réelle de ces interfaces. Le résultat conforte aussi une tendance plus large en robotique interactive: remplacer le réglage manuel de paramètres de contrôle par de l'apprentissage à partir de démonstrations éparses, une approche qui gagne du terrain face aux méthodes classiques de tuning expert. Le travail s'inscrit dans la lignée des recherches sur le contrôle partagé haptique et les CBF, deux domaines matures séparément mais rarement combinés de façon apprenante. Les CBF sont largement utilisés en robotique de sécurité (véhicules autonomes, manipulateurs collaboratifs) pour garantir formellement l'évitement de zones dangereuses, mais leurs paramètres restent généralement fixés à la main par des experts. En les rendant différentiables et ajustables par apprentissage, les auteurs ouvrent la voie à des systèmes de téléopération qui s'adaptent utilisateur par utilisateur. L'article, publié sur arXiv fin juillet 2026, ne précise pas de partenaire industriel ni de calendrier de déploiement au-delà des expériences en laboratoire, ce qui en fait pour l'instant un travail de recherche fondamentale plutôt qu'une solution prête à l'intégration.

RecherchePaper

1 source

4arXiv cs.RO

MaCoPlanner : planification de tâches assistée par LLM à partir de manuels, avec vérification proactive de la sécurité pour l'opération de panneaux industriels par des robots

Des chercheurs présentent MaCoPlanner, un framework de planification de taches pour l'opération robotique de panneaux de contrôle industriels, combinant grands modèles de langage et vérification de sécurité proactive. Le système compile des manuels d'équipement hétérogènes en une représentation intermédiaire typée, récupère les preuves pertinentes pour chaque tache et chaque état du dispositif, puis s'en sert pour générer des plans d'action. Avant toute actuation physique, les plans candidats sont simules symboliquement et confrontes aux contraintes procédurales et de transition d'état; les violations détectées sont localisées et renvoyées pour correction ciblée, tandis que les plans non résolus sont rejetés. Une interface d'exécution distincte traduit ensuite les actions symboliques validées en commandes physiques et met a jour l'état de l'appareil. Sous un oracle d'évaluation indépendant, MaCoPlanner atteint un taux de violation final de 2,7%, et 26,3% des exécutions analysées en correction sont rejetées après épuisement du budget de raffinement. Compare a une base "Raw-Manual" (lecture brute des manuels sans structuration), le taux de réussite des taches passe de 62,8% a 84,4% sur les taches de niveau 2, et de 25,9% a 43,2% sur celles de niveau 3, avec des essais menés sur un simulateur de panneau de contrôle, sans charge industrielle réelle attachée. Ce résultat parle directement aux intégrateurs et responsables d'usine confrontes a un problème récurrent: les grands modèles de langage produisent des plans d'action plausibles mais souvent non conformes aux procédures de sécurité réelles, surtout quand les instructions sont dispersées dans des manuels hétérogènes et mal structures. En rendant la vérification proactive plutôt que corrective a posteriori, MaCoPlanner propose une piste concrète pour réduire l'écart, largement documente dans le secteur, entre démonstrations de planification par IA générative et fiabilité en conditions industrielles. Le quasi-doublement du taux de réussite sur les taches complexes de niveau 3 montre toutefois que la marge de progression reste large des que la complexité augmente, et le taux de rejet de plus d'un quart des exécutions rappelle que le système est conçu pour refuser plutôt qu'exécuter une action non vérifiée, un choix pertinent en environnement a risque mais qui limite la couverture opérationnelle. Ce travail s'inscrit dans la recherche plus large sur les agents LLM appliques a la robotique industrielle, ou plusieurs équipes cherchent a exploiter les modèles de langage pour interpréter la documentation technique et générer des séquences d'opération sans reprogrammation manuelle exhaustive. Contrairement aux approches purement génératives, MaCoPlanner introduit une étape de compilation formelle et de vérification symbolique avant exécution, rapprochant la planification LLM des méthodes de vérification utilisées en robotique de sécurité critique. Les auteurs précisent explicitement que leurs expériences, menées sur simulateur sans charge industrielle réelle, démontrent une faisabilité d'exécution intégrée dans des conditions représentatives, sans revendiquer une maturité suffisante pour un déploiement industriel effectif. Les suites logiques évoquées pour ce type de recherche incluent des essais sur panneaux réels sous charge opérationnelle et une extension a d'autres classes d'équipements au-delà des panneaux de contrôle.

RecherchePaper

1 source