RecherchearXiv cs.RO 11 septembre 2026

CAP : locomotion humanoïde adaptative en continu et aveugle à la perception, grâce à un débruitage appris

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs ont publié le 11 septembre 2026 sur arXiv (2609.11553v1) une méthode baptisée CAP (Continuously Adaptive Perception blind humanoid locomotion via Learned Denoising), conçue pour rendre la marche des robots humanoïdes robuste face aux défaillances de perception en conditions réelles. Le système repose sur une politique de contrôle à étage unique combinant un encodeur "world model" entraîné comme débruiteur, capable de reconstruire une image de profondeur propre à partir d'une entrée corrompue, et un encodeur proprioceptif variationnel qui fournit des informations sur l'état du corps indépendantes de la vision. L'entraînement couple un curriculum de bruit de profondeur appliqué à l'entrée du world model avec un dropout des caractéristiques transmises à la politique, exposant le système à toute la gamme de qualité de perception, du signal propre à l'aveugle total. Les tests ont été menés en simulation, puis sur le robot humanoïde Unitree G1 lors d'essais contrôlés et de déploiements en intérieur comme en extérieur, incluant occlusion intermittente, bruit de capteur réel et artefacts de profondeur liés à la lumière du jour.

L'enjeu dépasse la prouesse académique. La plupart des politiques de locomotion perceptive existantes supposent une profondeur toujours propre et conforme à la distribution d'entraînement, tandis que les approches hybrides récentes basculent entre une sous-politique voyante et une sous-politique aveugle, perdant l'information partiellement exploitable d'une profondeur dégradée. CAP montre qu'un système unique, entraîné à débruiter plutôt qu'à commuter, se dégrade plus progressivement qu'une architecture à bascule binaire quand la perception se détériore, tout en égalant ou dépassant les politiques perceptives classiques quand la profondeur reste fiable. Pour les intégrateurs et décideurs industriels qui envisagent des humanoïdes en entrepôt ou en extérieur, c'est un signal concret que le vrai goulot d'étranglement reste la résilience aux capteurs bruités, plus que le rendu en démonstration contrôlée.

Ce travail s'inscrit dans une vague de recherche académique sur la locomotion humanoïde tout-terrain, où les capteurs de profondeur embarqués (caméras stéréo, lidar) restent le point faible face aux occlusions, à la poussière ou au soleil direct en extérieur. Contrairement aux annonces commerciales de Figure AI, Tesla ou Unitree lui-même, il s'agit ici d'une publication de recherche (preprint arXiv, non encore revu par les pairs), utilisant le G1 de Unitree comme plateforme matérielle standard de test plutôt que comme produit final. Aucun calendrier de déploiement commercial n'est mentionné; les auteurs positionnent CAP comme une alternative architecturale aux politiques à commutation binaire déjà publiées, avec pour perspective d'étendre ce mécanisme de débruitage à des politiques de locomotion perceptive couvrant d'autres capteurs que la profondeur.

Dans nos dossiers

Figure Unitree World models arXiv cs.RO

À lire aussi

1arXiv 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

2arXiv cs.RO

PolygMap : un cadre de locomotion perceptive pour la montée d'escaliers des robots humanoïdes

Traversée d'escaliers pour robots humanoïdes: des chercheurs présentent PolyMap, un système de navigation qui construit en temps réel une carte sémantique polygonale des marches à partir de la fusion de plusieurs capteurs, LiDAR, caméra RGB-D et centrales inertielles. Le robot segmente chaque plan de marche sous forme de polygones puis calcule où poser le pied grâce à un planificateur qui exploite directement ces segments plans. L'ensemble tourne sur une carte NVIDIA Orin embarquée, avec une sortie de planification de mouvement corps entier à 20-30 Hz, une cadence suffisante pour ajuster la trajectoire du robot en marchant sans interrompre la locomotion. Les auteurs, dont les travaux sont documentés dans un article déposé sur arXiv (2510.12346, version 2, remplaçant une publication antérieure), rapportent des essais réels en intérieur et en extérieur validant la robustesse et l'efficacité de l'approche pour la montée d'escaliers. L'enjeu dépasse la simple prouesse technique: la marche humanoïde actuelle reste largement conçue pour des sols plats et prévisibles, un schéma de marche générique qui ne demande pas au robot de regarder où il pose le pied. Grimper un escalier inconnu exige au contraire une perception précise et une planification de pas en temps réel, exactement le type de tâche où les démonstrations spectaculaires en environnement contrôlé échouent souvent une fois confrontées à un terrain réel non calibré. En combinant cartographie sémantique et planification de pas sur du matériel embarqué à cadence élevée, PolyMap répond directement à ce fossé entre démonstration et déploiement, un point sensible pour tout intégrateur envisageant des humanoïdes en environnement industriel ou logistique comportant des dénivelés. Cette approche s'inscrit dans une lignée de recherche plus large sur la locomotion perceptive, qui cherche à remplacer les mouvements scriptés par une perception active de l'environnement, un axe également exploré par d'autres laboratoires académiques et industriels travaillant sur la marche humanoïde. Le papier étant une publication arXiv de recherche et non une annonce produit, aucun calendrier de commercialisation n'est communiqué; il s'agit ici d'une contribution méthodologique destinée à alimenter les futurs systèmes de contrôle plutôt que d'un déploiement commercial annoncé.

RecherchePaper

1 source

3arXiv 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

4arXiv cs.RO

Locomotion humanoïde grâce à un contrôleur récurrent inspiré de la mouche

Une étude arXiv publiée sous la référence 2609.27001v1 ("Humanoid Locomotion with a Fly-Inspired Recurrent Controller") détaille un contrôleur récurrent inspiré du circuit neuronal de la mouche, testé exclusivement en simulation sur un robot humanoïde Unitree G1. Le système relie 3 609 états neuronaux continus au corps du robot via des projections d'observation corporelle, une couche de lecture étiquetée par neurones moteurs, et les servomoteurs articulaires. Un unique checkpoint figé a été évalué sur 7 types de terrain, 3 vitesses et 3 décalages de lacet initiaux, soit 63 configurations : le contrôleur réussit 61 d'entre elles selon un critère de survie et de progression vers l'avant, contre 62/63 pour une référence dite "privilégiée" disposant d'informations supplémentaires. Une expérience clé révèle la dépendance du système à sa mémoire interne : réinitialiser l'état moteur récurrent avant chaque appel de la politique, à lacet nominal, fait chuter le taux de réussite de 19/21 à 0/21. À l'inverse, substituer la perception de profondeur et les états en amont sur 252 états enregistrés ne modifie pas les actions produites, avec une sortie descendante nulle mesurée sur l'ensemble des trajectoires intactes. Ce résultat intéresse la robotique humanoïde à un moment où l'industrie mise majoritairement sur des modèles vision-langage-action de type Pi-0, GR00T N2 ou Helix, entraînés sur de vastes corpus de démonstrations. L'approche testée ici emprunt une voie différente : un contrôleur récurrent de taille modeste, structuré d'après une architecture neuronale biologique plutôt qu'un transformeur massif, dont la robustesse tient à un état moteur porté dans le temps plutôt qu'à une réactivité purement sensorielle. Pour les intégrateurs et chercheurs, l'enseignement principal est méthodologique : démontrer que retirer la mémoire récurrente fait s'effondrer la marche (0/21) alors que perturber les entrées sensorielles ne change rien aux actions isole précisément quelle partie du circuit porte le comportement. Le travail reste néanmoins cantonné à la simulation, sans validation sur robot physique, sur un jeu de terrains limité, ce qui borne la portée de ses conclusions à ce stade de recherche. La démarche s'inscrit dans un courant qui s'appuie sur la connectomique, la cartographie détaillée des circuits neuronaux d'insectes comme la drosophile, pour concevoir des architectures de contrôle alternatives aux réseaux appris de bout en bout. Contrairement aux humanoïdes commerciaux tels Figure 03 ou Optimus Gen 3, dont les annonces mettent en avant cycles de production et déploiements en usine, cette étude ne vise pas un produit mais la compréhension des mécanismes internes d'un contrôleur, avec un Unitree G1 simulé comme plateforme d'essai standard en recherche académique. Les auteurs présentent leurs résultats comme une base pour de futures comparaisons de structures de circuits et de ressources de contrôle, sans annoncer de calendrier de transfert vers du matériel réel ni de partenariat industriel. Aucun acteur français ou européen n'apparaît dans cette publication.

RecherchePaper

1 source