RecherchearXiv cs.RO 17 septembre 2026

Adaptive-MHE : un MPC adaptatif basé échantillonnage pour la loco-manipulation des robots à pattes via estimation à horizon glissant

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Un article publié sur arXiv sous la référence 2609.17832, signalé comme nouvelle soumission ce qui situe sa parution en septembre 2026, présente Adaptive-MHE, un framework de contrôle pour robots à pattes effectuant des tâches de loco-manipulation, c'est-à-dire combinant déplacement et manipulation d'objets. Le système associe une estimation à horizon glissant (moving horizon estimation, MHE) à un contrôleur prédictif basé sur l'échantillonnage (sampling-based model predictive control, MPC), qui compare en parallèle des milliers de trajectoires simulées aux trajectoires réellement mesurées. Il estime ainsi en continu, pendant l'exécution, des paramètres physiques inconnus comme la masse d'un objet manipulé ou le coefficient de friction du terrain. Les auteurs rapportent des tests menés à la fois en simulation et sur du matériel réel, où Adaptive-MHE dépasse systématiquement des méthodes de référence et atteint des performances comparables à celles d'un contrôleur disposant directement des paramètres réels du terrain et des objets. L'article ne précise ni le nombre de degrés de liberté du robot testé, ni la charge utile, ni de temps de cycle chiffré, ce qui limite la comparaison avec des plateformes commerciales.

Cette approche s'attaque à un problème central de la robotique à pattes: l'écart entre simulation et réalité, qui dégrade le contrôle dès que les paramètres physiques réels diffèrent de ceux du modèle simulé. Les méthodes classiques d'identification de système supposent une dynamique différentiable, hypothèse qui ne tient pas pour des systèmes riches en contacts comme un robot à pattes manipulant un objet sur un sol variable. Les techniques d'identification par échantillonnage contournaient déjà cette limite mais restaient cantonnées à un traitement hors ligne, incapables de suivre des conditions changeantes en temps réel. En rendant cette estimation adaptative et embarquée, ce travail répond directement à un besoin des intégrateurs qui déploient des robots à pattes dans des environnements logistiques ou industriels non contrôlés, où la nature du sol et le poids des charges varient d'un cycle à l'autre sans qu'aucun capteur ne les mesure directement.

Cette contribution s'inscrit dans la lignée des recherches sur le contrôle prédictif basé échantillonnage, une famille de méthodes qui gagne du terrain face aux approches par apprentissage par renforcement ou aux modèles vision-language-action pour piloter des robots à pattes dans des tâches de contact riche. Contrairement aux plateformes humanoïdes commerciales déjà présentées en usine par certains acteurs du secteur, Adaptive-MHE reste à ce stade une contribution académique, validée par des expériences de simulation et un prototype matériel, sans partenaire industriel ni calendrier de transfert produit annoncés. Les auteurs présentent leur méthode comme un pas vers une identification de système en ligne plus généralisable, ouvrant la voie à des essais sur des tâches de loco-manipulation plus complexes et sur davantage de plateformes robotiques dans de futurs travaux.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

LAMP : planification adaptative de manipulation à long horizon pour la collaboration multi-robots en espace encombré

Une équipe de chercheurs a publié sur arXiv (référence 2606.29358v1) un nouveau cadre de planification intitulé LAMP, pour Long-horizon Adaptive Manipulation Planning, conçu pour coordonner plusieurs robots manipulateurs dans des environnements très encombrés. Le système repose sur deux planificateurs complémentaires : LAMPA*, qui effectue une recherche systématique dans l'espace couplé objets-robots, et LAMP-Lazy, un planificateur dit "paresseux" qui diffère certaines évaluations pour permettre une replanification en temps réel. Les expériences ont été menées dans des environnements simulés à haute densité d'obstacles, où les méthodes existantes échouent à trouver des solutions. Aucun déploiement physique ni timeline de commercialisation n'est annoncé. Le verrou technique que LAMP cherche à lever est fondamental pour l'industrie : coordonner plusieurs bras robotiques sur des tâches longues dans des espaces confinés implique de raisonner simultanément sur les contacts physiques, les dynamiques couplées entre robots, et l'évitement de collision. Les deux approches dominantes aujourd'hui se heurtent à des murs de scalabilité distincts. L'apprentissage par renforcement end-to-end peine à généraliser dès que l'horizon de tâche s'allonge ou que le nombre de robots augmente. Les méthodes hybrides, qui planifient les trajectoires d'objets et apprennent des primitives de contact à courte portée, ne tiennent pas dans des scènes très denses. LAMP propose de rendre ce problème tractable via un modèle génératif appris, combiné à une stratégie de recherche adaptative, ce qui constitue une approche architecturalement différente des VLA (Vision-Language-Action models) qui dominent l'espace humanoïde. La planification multi-robot en environnement encombré est un problème central pour l'automatisation logistique et industrielle, où des acteurs comme Exotec (France) déploient des flottes de robots AMR dans des entrepôts à haute densité. La recherche en robotique académique a longtemps traité la manipulation et la coordination de flotte séparément ; des travaux comme LAMP signalent une convergence vers des systèmes unifiés capables de gérer les deux dimensions. Cependant, l'absence totale de validation sur hardware réel est une limite importante : le sim-to-real gap reste le principal obstacle entre des résultats de simulation convaincants et une industrialisation effective. Les prochaines étapes naturelles seraient des tests sur bancs physiques multi-bras, dans des configurations représentatives de cellules de picking ou d'assemblage.

RecherchePaper

1 source

2arXiv cs.RO

Apprentissage du contrôle corps entier adapté au terrain pour la loco-manipulation perceptive de robots à pattes

Une équipe de chercheurs a publié sur arXiv (référence 2605.31343, mai 2026) un framework baptisé TA-WBC (Terrain-Aware Whole-Body Control) destiné aux manipulateurs à pattes, c'est-à-dire des robots combinant membres locomoteurs (quadrupèdes ou bipèdes) et bras articulés. Le coeur du système est une politique unifiée entraînée par apprentissage par renforcement (RL) qui pilote simultanément les jambes et le bras lors de tâches de loco-manipulation, terme désignant la capacité à se déplacer et manipuler des objets en même temps. L'architecture repose sur trois briques techniques : un encodeur d'extéroception hybride qui extrait en temps réel les caractéristiques du terrain, une méthode d'échantillonnage de l'effecteur final ancrée sur le plan de contact des pieds pour découpler la cible de manipulation des oscillations du torse, et un module de distillation à double politique pour intégrer motricité étendue et adaptabilité sans effacement catastrophique des compétences acquises. Les expériences en simulation et en environnement réel montrent une zone atteignable agrandie, une erreur de tracking réduite et moins de trébuchements imprévus. Ce travail s'attaque à une limitation structurelle des contrôleurs corps entier existants : leur dépendance quasi exclusive à la proprioception (capteurs internes, IMU, encodeurs) au détriment de l'extéroception (perception externe du terrain). En milieux industriels complexes comme les chantiers, les entrepôts en hauteur variable ou les sites nucléaires, cette lacune rend les plateformes mobiles-manipulatrices peu fiables dès que le sol n'est plus plan. Le découplage effecteur/torse est particulièrement notable pour les intégrateurs : il signifie que le bras peut maintenir une trajectoire stable même quand le corps compense une marche irrégulière, ce qui est un prérequis non négociable pour tout assemblage ou saisie de précision en terrain dégradé. La validation sim-to-real, même partielle, renforce la crédibilité d'une approche qui reste à ce stade un preprint non commercialisé. Les manipulateurs à pattes constituent une catégorie en pleine structuration. Boston Dynamics commercialise Spot avec bras depuis 2021, Unitree propose le B2W équipé d'un bras, et plusieurs laboratoires académiques majeurs (ETH Zurich, CMU, Berkeley) publient régulièrement sur la loco-manipulation. Le verrou que TA-WBC cherche à lever, la perception de topologie de terrain couplée au contrôle corps entier, est précisément ce qui freine le déploiement de ces plateformes au-delà des environnements structurés. Ce preprint n'annonce pas de produit ni de partenaire industriel ; il pose néanmoins une brique algorithmique que des acteurs comme Agility Robotics, Apptronik ou les équipes robotique de Google DeepMind pourraient intégrer dans leurs chaînes d'entraînement.

UETravail de recherche applicable aux déploiements industriels en environnements dégradés (sites nucléaires, entrepôts à topologie variable) présents en Europe, mais sans implication directe d'acteurs français ou européens.

RecherchePaper

1 source

3arXiv cs.RO

RACER : estimation adaptative en boucle fermée des résidus pour la planification par échantillonnage de robots quadrupèdes à roues en course

Des chercheurs publient RACER, un cadre de contrôle hiérarchique pour la course de quadrupèdes à roues (wheeled-quadruped). L'architecture combine trois briques : un planificateur MPPI (Model Predictive Path Integral, planification par échantillonnage de trajectoires), un modèle de dynamique résiduelle appris, et un suiveur de vitesse de bas niveau entraîné par apprentissage par renforcement (RL). Le planificateur part d'un modèle cinématique nominal de type monocycle et lui ajoute un terme résiduel neuronal, chargé de capturer le comportement en boucle fermée de la politique RL. Pour entraîner ce résiduel avec peu de données réelles, l'équipe propose LoRRA (Low-Rank Residual Adaptation). La méthode procède en deux temps : un pré-entraînement sur un large volume de données de simulation, puis un ajustement fin sur un petit jeu de données réelles, sous contrainte de bas rang. Le résumé ne fournit ni vitesses, ni temps au tour, ni plateforme matérielle précise, ni volume de données. Les résultats annoncés sont obtenus uniquement en simulation, selon trois constats. Premièrement, la dynamique résiduelle améliore la performance globale du pipeline, car elle corrige l'erreur de suivi du contrôleur RL dans les virages pris à haute vitesse. Deuxièmement, un résiduel entraîné sur données source (simulation) et cible (réel) donne de bien meilleures performances de course qu'un résiduel entraîné sur la seule cible. Troisièmement, la contrainte de bas rang à l'adaptation produit de meilleurs taux de réussite et de meilleures performances que l'ajustement complet ou l'entraînement from scratch, lorsque l'écart de domaine grandit, qu'il s'agisse du coefficient de sol ou des gains articulaires. L'intérêt tient à un problème récurrent de la locomotion apprise : le planificateur raisonne sur un modèle simplifié, alors que la politique RL qui l'exécute s'en écarte précisément aux limites d'adhérence. Modéliser cet écart plutôt que de réentraîner toute la pile est une piste pragmatique pour les intégrateurs. L'usage de l'adaptation à bas rang, empruntée aux grands modèles de langage, suggère aussi une voie pour limiter le coût de collecte de données réelles lors d'un transfert sim-to-real. Une réserve s'impose toutefois : les validations citées sont simulées, et la robustesse du gain en conditions réelles reste à démontrer. Le résumé ne cite aucune comparaison avec des méthodes concurrentes de planification ni aucun essai sur robot physique. Ce travail s'inscrit dans la lignée des quadrupèdes à roues, qui combinent la vitesse du roulage et la franchissabilité des pattes, et du contrôle prédictif par échantillonnage, déjà utilisé en conduite autonome agressive. Il s'agit d'une prépublication arXiv (v1), non évaluée par les pairs. Les suites naturelles seraient des essais sur circuit réel et une comparaison à des contrôleurs de bout en bout. Aucun acteur industriel ni calendrier de déploiement n'est mentionné.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

4arXiv cs.RO

Context-aware : estimation de force pour la manipulation d'outils déformables lors du prélèvement environnemental robotisé par adaptation continue à faible échantillonnage

Une équipe de recherche publie sur arXiv (référence 2607.07574, soumis le 7 juillet 2026) une méthode d'estimation de force par apprentissage pour la manipulation d'outils déformables en robotique, appliquée au prélèvement d'échantillons de surface (swabbing environnemental). Le problème technique visé est précis : quand un bras robotique presse un écouvillon souple contre une surface, l'hystérésis viscoélastique non linéaire de l'outil déforme le signal capté par le capteur de force au poignet, qui ne reflète alors plus fidèlement la force réellement appliquée à la pointe. Intégrer un capteur directement dans l'outil est écarté pour des raisons de stérilité et de jetabilité en contexte de prélèvement. Les chercheurs comparent plusieurs architectures temporelles et retiennent un LSTM compact, qui obtient la meilleure précision avec une latence d'inférence sous la milliseconde. Pour généraliser à des surfaces et outils inédits, ils ajoutent une couche d'adaptation few-shot : un backbone récurrent gelé est modulé par des embeddings de contexte de faible dimension via FiLM (feature-wise linear modulation). Testée sur un bras UR5e à travers neuf régimes d'interaction outil-surface différents, l'approche réduit l'erreur d'estimation en zero-shot jusqu'à 63%, sans dégrader les performances de base (pas d'oubli catastrophique). L'enjeu dépasse le simple prélèvement d'échantillons : c'est un problème générique de manipulation d'outils déformables (compresses, éponges, brosses, tampons) que l'on retrouve en robotique médicale, en laboratoire automatisé et en inspection industrielle, là où le retour de force est indispensable pour garantir une pression de contact constante mais où l'instrumentation directe de l'outil est impossible ou trop coûteuse à jeter à chaque usage. La contribution méthodologique intéressante pour les intégrateurs est la séparation entre une dynamique de déformation partagée, apprise une fois, et un conditionnement spécifique au domaine, adapté avec très peu de données pour chaque nouvelle combinaison outil-surface. Cela répond directement à un point de friction classique du déploiement de systèmes appris en robotique : la plupart des modèles de force ou de contact entraînés en labo s'effondrent face à des surfaces ou des outils jamais vus, obligeant à tout réentraîner. Une adaptation few-shot qui tient sans réentraînement complet, si elle se confirme au-delà des neuf configurations testées en laboratoire, réduirait le coût d'intégration pour des cas d'usage variés (hôpitaux, sites industriels, environnements BSL). Ce travail s'inscrit dans la lignée des recherches sur le contrôle par impédance et l'estimation de force sans capteur dédié, un axe actif depuis plusieurs années en robotique de manipulation fine, mais appliqué ici spécifiquement au cas peu documenté des outils souples à usage unique. Il reste à ce stade un résultat de recherche publié en preprint, validé sur un seul robot (UR5e) et un jeu limité de neuf régimes en environnement contrôlé, sans indication de déploiement réel ni de partenariat industriel annoncé. Les prochaines étapes attendues pour ce type de travaux sont généralement une validation sur du matériel de prélèvement réel (écouvillons médicaux certifiés), un élargissement du nombre de surfaces et de conditions de rigidité testées, et une comparaison directe avec des approches concurrentes de force sensing sans capteur tactile embarqué, avant toute intégration dans un système commercial.

RecherchePaper

1 source