Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Apprentissage d'une locomotion humanoïde adaptée au terrain sur sol granulaire
RecherchearXiv cs.RO 

Apprentissage d'une locomotion humanoïde adaptée au terrain sur sol granulaire

1 source couvre ce sujet·Source originale ↗·
Résumé IASource uniqueImpact UE

Un article publié sur arXiv (identifiant 2609.10286, soumis en septembre 2026) présente une méthode pour faire marcher des robots humanoïdes sur des terrains granulaires (sable, gravats basaltiques) en s'appuyant sur un modèle de contact physique baptisé 3D RFT (three-dimensional resistive force theory). Contrairement aux modèles de contact rigides ou aux modèles granulaires simplifiés qui reposent sur des heuristiques pour la composante tangentielle, ce solveur reproduit fidèlement la pénétration du pied dans le sol meuble et la traînée tangentielle qui en résulte. Les chercheurs entraînent ensuite un contrôleur de locomotion adaptatif par apprentissage par renforcement en configuration "teacher-student", où un autoencodeur variationnel (VAE) compresse les caractéristiques du terrain en une représentation latente compacte permettant une identification et une adaptation en zero-shot. Les simulations, menées avec la méthode des points matériels (MPM) sur le moteur physique NVIDIA Newton, montrent un taux de réussite nettement supérieur aux méthodes de référence sur des terrains granulaires jamais vus. La validation s'étend à des essais matériels réels sur basalte, sable sec et sable de plage.

L'enjeu dépasse la simple prouesse académique : la marche sur sol meuble reste un angle mort connu des humanoïdes, dont les politiques de contrôle sont généralement entraînées sur des sols rigides et échouent lorsque le pied s'enfonce de façon imprévisible. En démontrant un transfert simulation vers réel fiable sur granulats, ce travail répond directement à une limite critique pour tout déploiement hors environnement d'usine parfaitement plat, chantiers, carrières, zones côtières ou terrains de secours, où les modèles de contact rigide échouent typiquement. Les auteurs revendiquent la première démonstration de locomotion humanoïde agile sur terrain granulaire réel, un signal utile pour les intégrateurs évaluant la robustesse réelle des plateformes VLA et RL au-delà des sols de laboratoire.

Le travail s'inscrit dans la lignée des recherches en RFT appliquées à la locomotion sur sable, jusqu'ici surtout testées sur robots à pattes plus simples ou petits systèmes bio-inspirés, et profite des avancées récentes en simulation physique haute fidélité (MPM, moteur Newton de NVIDIA) pour rendre l'entraînement RL exploitable à l'échelle humanoïde. Les auteurs mettent à disposition une page de projet dédiée avec démonstrations vidéo, sans toutefois préciser de calendrier de déploiement industriel au-delà de la validation expérimentale publiée.

Dans nos dossiers

arXiv cs.RO

À lire aussi

RPL : un apprentissage robuste de la locomotion perceptive humanoïde sur terrains difficiles
1arXiv cs.RO 

RPL : un apprentissage robuste de la locomotion perceptive humanoïde sur terrains difficiles

Des chercheurs présentent RPL (Robust Perceptive Locomotion), un cadre d'entraînement en deux étapes pour la locomotion multidirectionnelle de robots humanoïdes sur terrains difficiles, décrit dans une version révisée (v2) d'un article déposé sur arXiv (2602.03002). La méthode entraîne d'abord des politiques expertes spécifiques à chaque type de terrain, à partir d'observations privilégiées de cartes de hauteur, pour maîtriser séparément locomotion et manipulation. Ces experts sont ensuite distillés dans une politique unique basée sur un transformer, alimentée par plusieurs caméras de profondeur couvrant un large champ de vue. Deux techniques rendent cette distillation robuste en conditions multidirectionnelles : une mise à l'échelle des caractéristiques de profondeur pilotée par les commandes de vitesse, et un masquage aléatoire latéral pour gérer les observations de profondeur asymétriques et les largeurs de terrain inédites. Pour entraîner ce système à grande échelle, les auteurs ont développé un moteur de simulation multi-profondeur qui projette des rayons sur les maillages dynamiques du robot et les maillages statiques du terrain en environnements massivement parallèles, avec un gain de vitesse de 5 fois par rapport aux pipelines de rendu de profondeur des simulateurs existants, tout en modélisant latence, bruit et pertes de capteur réalistes. En conditions réelles, le robot a porté une charge de 2 kg tout en franchissant des pentes de 20 degrés, des escaliers aux marches de 22, 25 et 30 cm, ainsi que des pierres de gué de 25 cm sur 25 cm séparées par des espaces de 60 cm. Cette démonstration s'attaque directement à un angle mort du secteur : la plupart des vidéos promotionnelles de robots humanoïdes montrent une marche avant sur sol plat, alors que la robustesse multidirectionnelle sur terrain irrégulier, avec charge utile, reste rarement documentée en conditions réelles et non scénarisées. Pour les intégrateurs industriels envisageant des humanoïdes en logistique ou en inspection de sites, la capacité à transporter 2 kg sur escaliers et pierres de gué constitue un signal plus parlant que des mesures de vitesse ou de temps de cycle en environnement contrôlé. RPL s'inscrit dans la lignée des approches d'apprentissage par distillation enseignant-élève, déjà utilisées pour la locomotion quadrupède et bipède, mais appliquées ici spécifiquement au défi de la vision par profondeur multidirectionnelle chez l'humanoïde. L'accent mis sur un simulateur maison optimisé pour le rendu de profondeur souligne à quel point le goulot d'étranglement actuel du secteur reste moins l'algorithme de contrôle que l'infrastructure de simulation capable de générer des données réalistes à l'échelle. L'article ne précise pas de plateforme robotique commerciale ni de calendrier de déploiement, s'agissant d'une contribution de recherche plutôt que d'une annonce produit.

RecherchePaper
1 source
Apprentissage d'une locomotion adaptative à la pente pour robots humanoïdes sur chantiers de couverture
2arXiv cs.RO 

Apprentissage d'une locomotion adaptative à la pente pour robots humanoïdes sur chantiers de couverture

Un article publié sur arXiv (référence 2609.20558v1) présente un cadre logiciel permettant à un robot humanoïde Unitree G1 d'exécuter des tâches de couvreur sur toitures en pente : marche en montée, utilisation d'une cloueuse pneumatique, martelage et mouvements de flexion. La méthode capture des démonstrations humaines par un système de suivi de mouvement, les retranscrit sur le robot, puis s'appuie sur un modèle métrique 3D du toit pour ancrer précisément les points de contact des pieds et des mains ainsi que les relations de travail (distance à l'outil, zones de dégagement) à la surface réelle. Une optimisation au niveau de la trajectoire fixe ces contraintes, tandis qu'un apprentissage par renforcement sensible à l'exécution maintient ces relations malgré les erreurs de suivi en conditions dynamiques. Les auteurs évaluent l'approche via une étude de suivi multi-mouvements, une matrice couvrant différentes pentes de toit, une ablation à cinq configurations sur la tâche de cloueuse, des tests croisés sur le martelage et la poussée latérale, ainsi que des comparaisons avec un apprentissage par renforcement pur et une téléopération sans apprentissage préalable. Résultats obtenus : des erreurs de dégagement de travail comprises entre 0,256 et 0,531 cm, un taux de réussite de 3 sur 3 pour chaque tâche testée, et des erreurs moyennes de position du tronc inférieures à 80 mm lors des expériences physiques. L'intérêt de ces travaux tient au problème qu'ils ciblent : les surfaces inclinées et irrégulières du bâtiment restent l'un des terrains les plus difficiles pour les humanoïdes, bien plus exigeants que les sols plats des entrepôts où la plupart des démonstrations commerciales sont tournées. L'étude illustre aussi un écueil classique de l'apprentissage par imitation : retranscrire fidèlement un geste humain capturé ne garantit pas un placement correct des appuis par rapport à l'environnement réel, d'où l'ajout d'un ancrage explicite à un modèle de scène. Pour les intégrateurs et décideurs du BTP, ce résultat reste un signal de recherche amont plutôt qu'une preuve de déploiement : il indique une piste méthodologique crédible pour doter les humanoïdes de compétences de chantier extérieur, sans annoncer de produit ni de pilote commercial. Le travail s'appuie sur le Unitree G1, plateforme humanoïde chinoise largement utilisée par les laboratoires de recherche en robotique incarnée pour son coût réduit face à des concurrents comme Boston Dynamics ou Tesla Optimus. Il s'inscrit dans une vague plus large de recherches combinant apprentissage par imitation et renforcement pour le contrôle corps entier des humanoïdes, dans la lignée conceptuelle de projets industriels comme Helix de Figure AI ou GR00T N2 de NVIDIA, sans toutefois émaner d'un acteur commercial identifié : il s'agit d'une prépublication arXiv non encore validée par relecture par les pairs. Les auteurs présentent leur approche comme une base pour de futures primitives de mouvement humanoïde dédiées au bâtiment, sans calendrier de pilote ni partenariat annoncé à ce stade.

RecherchePaper
1 source
TactileStep : apprentissage tactile plantaire pour réguler l'interaction pied-terrain en locomotion humanoïde
3arXiv cs.RO 

TactileStep : apprentissage tactile plantaire pour réguler l'interaction pied-terrain en locomotion humanoïde

Des chercheurs publient TactileStep, un framework d'apprentissage tactile pour la marche des robots humanoïdes, décrit dans un article déposé sur arXiv (2609.28959v1, non encore relu par les pairs). Le constat de départ : les politiques de type "parkour" permettent déjà à des humanoïdes de franchir des terrains variés, mais le simple fait de terminer le parcours masque des atterrissages violents, des contacts en bord de semelle et des appuis instables, faute de retour tactile riche sur la plupart des plateformes actuelles. TactileStep intègre une semelle à capteurs de pression et aligne la simulation tactile sur les mesures réelles de cette semelle, de sorte que la politique apprend à partir des mêmes signaux de contact que ceux disponibles sur le robot physique. Pendant l'entraînement, le système combine indices tactiles et signaux de mouvement pour distinguer les phases de contact du pied et applique des récompenses spécifiques à chaque phase, favorisant des atterrissages plus doux et des appuis plus stables. Testé en simulation puis sur un humanoïde Unitree G1 sur divers terrains, TactileStep réduit la force de pic à l'atterrissage jusqu'à 48,8%, le bruit d'impact pondéré A jusqu'à 30,1 dB, et augmente la surface de contact au sol jusqu'à 23,8%, comparé à une base de référence purement perceptive (vision/cartographie du terrain). Pour l'industrie robotique, ce travail pointe un angle mort concret de la génération actuelle de politiques de locomotion pilotées par apprentissage par renforcement : la capacité à traverser un terrain ne garantit ni la sécurité mécanique des composants, ni la stabilité réelle de l'appui, ni la discrétion acoustique du déplacement, des critères qui comptent directement pour la durabilité des actionneurs et le déploiement en environnement industriel ou domestique. Cela nuance l'idée reçue selon laquelle la seule perception visuelle du terrain suffirait à résoudre la locomotion humanoïde tout-terrain. Le travail s'inscrit dans la lignée des politiques de locomotion apprises par simulation puis transférées au réel (sim-to-real), un axe de recherche déjà porté par des équipes travaillant sur la perception de terrain pour humanoïdes. L'utilisation du Unitree G1, plateforme de recherche largement adoptée dans le secteur, en fait un banc d'essai reproductible plutôt qu'un produit commercial ; les auteurs ne mentionnent ni pilote industriel ni calendrier de déploiement, l'apport restant à ce stade une preuve de concept académique.

RecherchePaper
1 source
GuideWalk : apprentissage de la navigation autonome et de la locomotion unifiées pour robots humanoïdes sur terrains variés
4arXiv cs.RO 

GuideWalk : apprentissage de la navigation autonome et de la locomotion unifiées pour robots humanoïdes sur terrains variés

Des chercheurs présentent GuideWalk (arXiv:2606.10449, juin 2026), un framework unifié qui couple navigation autonome et locomotion adaptative pour robots humanoïdes sur terrains variés. L'architecture repose sur trois composantes : un module de navigation qui génère des guidances de vitesse explicites en tenant compte de la traversabilité du terrain, un schéma de distillation à enseignants composites qui agrège commandes directionnelles et actions dynamiquement cohérentes dans une politique unique, puis un affinement par apprentissage par renforcement (RL) couplé à un objectif auxiliaire de clonage comportemental (behavior cloning). Ce dernier mécanisme vise à maintenir les comportements souhaitables issus des enseignants tout en favorisant l'exploration. L'article reste au stade de preprint arXiv sans déploiement industriel annoncé ni métriques benchmarkées publiées dans l'abstract. Le problème technique adressé est structurant pour la robotique humanoïde : l'évitement d'obstacles et la locomotion dynamique sont habituellement traités en silos, ce qui crée des incohérences lorsqu'un robot planifie sur escaliers, sol accidenté ou transitions sol dur/mou. GuideWalk découple explicitement la planification d'obstacles de l'état du terrain, ce qui est une approche architecturale plus propre que les solutions end-to-end brutes ou les pipelines hiérarchiques rigides. Pour les intégrateurs et décideurs B2B, le vrai enjeu est le sim-to-real gap sur locomotion hétérogène : si cette architecture tient ses promesses en évaluation externe, elle pourrait réduire le besoin d'ingénierie terrain-spécifique lors du déploiement en entrepôt ou en environnement industriel non structuré. La navigation humanoïde sur terrains complexes reste un des derniers verrous majeurs avant déploiement opérationnel large, là où la locomotion pure en terrain plat est désormais relativement résolue chez Unitree (H1, G1), Boston Dynamics (Atlas) ou Agility Robotics (Digit). Des approches concurrentes comme GR00T N2 de NVIDIA ou les travaux de Physical Intelligence (Pi-0) s'attaquent au même problème via des Visual Language Action models (VLA) généralisés, tandis que des labos académiques comme CMU ou Berkeley publient régulièrement sur le sim-to-real en locomotion adaptative. GuideWalk s'inscrit dans cette vague mais avec une contribution méthodologique spécifique sur le couplage navigation-locomotion. Les prochaines étapes naturelles seraient une évaluation sur hardware réel (le preprint ne précise pas le robot utilisé) et une comparaison quantitative avec des baselines établies.

RecherchePaper
1 source