RecMorph : récurrence spatiale guidée par la…

1arXiv cs.RO

Modèles du monde à opérateurs de graphe pour la généralisation morphologie-paramètres en contrôle continu

Une équipe de recherche publie sur arXiv (référence 2608.20936v1, soumission en cross-list) une nouvelle architecture baptisée Graph-Operator World Models, ou GraphOp-WM, destinée au contrôle continu de robots articulés. Le principe consiste à représenter le corps du robot et ses relations cinématiques sous forme de graphe attribué, puis à factoriser chaque transition dynamique en deux parties : une base de dynamique locale indépendante de la morphologie, et un opérateur structuré conditionné par la morphologie. Cet opérateur combine trois mécanismes : une modulation locale au niveau de chaque nœud, un couplage le long de l'arbre cinématique, et une correction globale de rang faible. Le modèle s'appuie aussi sur une séparation architecturale de l'information, une normalisation de la base de dynamique, et une supervision par paires de morphologies différentes, pour forcer la dépendance à la morphologie à transiter uniquement par le canal de l'opérateur. Une lecture au niveau du graphe et des représentations d'action par arête fournissent une interface compatible avec le calcul de récompense, de valeur et la planification de type TD-MPC. Les auteurs définissent des scénarios de test contrôlés sous MuJoCo, couvrant interpolation, extrapolation et compositions inédites de paramètres de géométrie des liaisons, de masse, d'amortissement et d'actionnement, sur trois environnements classiques : Hopper, Walker2d et HalfCheetah. Le problème visé est concret pour l'industrie robotique : les modèles du monde entraînés pour un système physique fixe se dégradent dès que des paramètres de morphologie connus, comme la longueur des liaisons, la masse, l'amortissement ou l'actionnement, changent, même légèrement. Or ces variations sont la norme en production, entre unités d'une même gamme, après usure mécanique, ou lors du passage d'un prototype à une variante commerciale. En séparant explicitement ce qui reste réutilisable de ce qui doit s'adapter à la morphologie, GraphOp-WM propose une piste pour réduire le réentraînement spécifique à chaque robot et généraliser au sein d'une famille de robots articulés apparentés, plutôt que de traiter chaque configuration matérielle comme un cas isolé. C'est un signal utile pour les intégrateurs et les équipes de R&D en apprentissage par renforcement qui gèrent des flottes hétérogènes ou des lignes de produits évolutives, même si l'article ne fournit à ce stade aucune validation sur robot réel. Ce travail reste, à ce stade, une contribution de recherche fondamentale, publiée en preprint sur arXiv sans laboratoire ni entreprise identifié dans le résumé, et validée uniquement en simulation via le moteur physique MuJoCo, un standard académique pour le contrôle continu, et non sur du matériel déployé. Il s'inscrit dans la lignée des modèles du monde couplés à la planification, dans la famille TD-MPC, et dans le courant plus large de recherche sur la généralisation inter-morphologies et le contrôle multi-corps, qui cherche à dépasser l'entraînement d'un modèle par robot spécifique. Aucun pilote industriel, aucune date de déploiement ni aucun partenaire commercial n'est mentionné : les prochaines étapes attendues sont la revue par les pairs et, potentiellement, l'extension des tests au-delà des trois environnements simulés Hopper, Walker2d et HalfCheetah vers des familles de robots plus larges ou vers un transfert sur matériel réel.

RecherchePaper

1 source

2arXiv cs.RO

SPAN-Nav : une conscience spatiale généralisée pour la navigation incarnée polyvalente

SPAN-Nav est un modèle de fondation de bout en bout, décrit dans une version révisée (v2) de l'article arXiv 2603.09163, qui vise à doter la navigation incarnée d'une perception 3D universelle à partir de simples flux vidéo RGB. Les chercheurs entraînent le modèle sur une tâche de prédiction d'occupation, c'est-à-dire d'estimation des zones libres et occupées de l'espace, dans de nombreux environnements intérieurs et extérieurs. Pour limiter le coût de calcul, ils compressent ces connaissances spatiales en un unique token, qu'ils jugent suffisant pour porter les indices grossiers utiles à la navigation. Ce token est ensuite injecté explicitement dans le raisonnement sur les actions, selon une logique inspirée de la chaîne de pensée (Chain-of-Thought). L'équipe publie aussi un jeu de données de 4,2 millions d'annotations d'occupation couvrant l'intérieur et l'extérieur, ainsi que plusieurs types de tâches de navigation. Le modèle revendique l'état de l'art sur trois benchmarks et des essais en conditions réelles. L'intérêt tient à un point faible bien identifié des approches de navigation fondées sur les modèles vision-langage (VLM). Ces modèles généralisent bien en navigation guidée par le langage (VLN), mais leur planification de trajectoire se dégrade dans les environnements complexes, faute de compréhension géométrique fiable. Montrer qu'un seul token spatial suffit à corriger une partie de ce défaut est un résultat utile pour les intégrateurs: cela suggère qu'on peut gagner en robustesse sans capteurs 3D dédiés ni surcoût de calcul prohibitif sur des plateformes embarquées, avec une simple caméra RGB. L'entraînement multitâche semble aussi transférer ces acquis à des tâches sans supervision spatiale explicite. Il faut toutefois rester prudent: l'article ne donne pas, dans ce résumé, de chiffres de gain, de noms de benchmarks ni de plateformes robotiques. Le fossé entre résultats académiques et déploiement reste donc à évaluer, et les tests réels décrits n'ont pas de protocole détaillé. Ce travail s'inscrit dans la montée des modèles vision-langage-action (VLA) et des VLM appliqués à la navigation, qui héritent de leur généralisation sémantique mais pas de leur sens de l'espace. Plusieurs équipes cherchent à y remédier en ajoutant des représentations 3D, des cartes d'occupation ou des modules de profondeur, souvent au prix d'architectures plus lourdes. SPAN-Nav se distingue par sa compacité et son intégration de bout en bout. La suite dépendra de la disponibilité du jeu de données et du code, de la reproduction des résultats par des tiers et de tests sur des robots mobiles, quadrupèdes ou humanoïdes en environnement industriel. Aucun pilote commercial ni calendrier n'est annoncé à ce stade.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

3arXiv cs.RO

DiffMorphGrasp : un cadre de diffusion conditionné par la morphologie de la main pour générer des saisies inter-morphologies

DiffMorphGrasp, présenté dans une nouvelle version (v2) d'un preprint arXiv, est un cadre de génération de prises dexterous par diffusion, conçu pour fonctionner sur des mains robotiques de morphologies différentes. Les auteurs revendiquent le premier modèle de diffusion qui injecte explicitement la morphologie de la main dans le processus génératif. Les prises issues de mains variées sont d'abord projetées dans une pose de main de référence, ce qui crée un espace commun d'apprentissage. La génération est ensuite conditionnée en continu par deux éléments: la cinématique de la main, encodée sous forme de graphes dérivés de sa configuration, et la géométrie de l'objet. Une fonction de perte calcule en outre des erreurs au niveau des articulations sur la structure cinématique pour contraindre les prises générées pendant l'entraînement. L'équipe a construit un nouveau benchmark pour comparer la génération de prises entre mains de morphologies différentes, et affirme une forte généralisation zéro-shot à des mains jamais vues. Le résumé ne donne aucun chiffre précis, comme le taux de réussite, le nombre de mains testées ou les degrés de liberté (DOF) couverts. L'enjeu est pratique pour les intégrateurs et les décideurs industriels. Les mains robotiques se différencient par leur nombre de doigts, leurs DOF et leur coût, selon la tâche et le budget. Or une politique de saisie apprise sur une main doit aujourd'hui être refaite pour une autre, ce qui freine la réutilisation des données et des modèles. Si le zéro-shot tient en conditions réelles, un même générateur de prises pourrait servir plusieurs mains, ce qui réduirait le coût d'adaptation lors d'un changement de matériel ou d'un déploiement multi-sites. Il faut toutefois rester prudent. Les résultats annoncés viennent d'un benchmark conçu par les auteurs, et l'extrait disponible ne précise pas s'ils ont été validés sur des robots physiques. Le fossé entre génération de prises en simulation et exécution fiable en cellule de production reste donc ouvert. C'est le point que les équipes d'ingénierie devront vérifier avant toute intégration. Ce travail s'inscrit dans la recherche sur le transfert entre morphologies (cross-embodiment), devenue centrale avec les modèles généralistes de type VLA (vision-langage-action) et les politiques entraînées sur plusieurs robots. Pour la saisie dexterous, les approches antérieures reposaient souvent sur des représentations propres à une main, ou sur des retargetings qui perdent en qualité quand la cinématique diverge. Les modèles de diffusion se sont imposés pour produire des prises variées, et DiffMorphGrasp les combine avec un encodage de la structure de la main. Les prochaines étapes à suivre sont la publication du code et du benchmark via la page projet, la validation sur du matériel réel, puis la comparaison avec d'autres méthodes cross-embodiment sur des bases communes. Aucun pilote industriel ni calendrier de commercialisation n'est annoncé: il s'agit pour l'instant d'une contribution de recherche.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

4arXiv cs.RO

Co-design Gym : un benchmark unifié pour la co-optimisation de la morphologie et de la politique de contrôle

Une équipe de chercheurs publie sur arXiv (identifiant 2610.02366) Co-Design Gym, une suite de benchmarks dédiée à l'optimisation conjointe de la morphologie d'un agent et de sa politique de contrôle. L'ensemble couvre 20 familles d'environnements, avec plus de 85 configurations de co-conception prédéfinies. Les domaines vont de la manipulation robotique et de la locomotion à la coopération multi-robots, en passant par les dynamiques déformables et molles, les jeux vidéo, les réseaux électriques, les réseaux sans fil, la course de F1, les entrepôts multi-agents et le contrôle optimal. Les auteurs y ajoutent une évaluation systématique d'algorithmes de co-conception représentatifs, pour dresser l'état de l'art actuel. Il s'agit d'un travail de recherche académique : aucun produit, déploiement industriel ni donnée de performance matérielle n'est annoncé, et le résumé ne chiffre pas les résultats de cette comparaison. L'intérêt tient à une hypothèse implicite de la plupart des benchmarks d'apprentissage par renforcement et de robotique : l'agent est figé, seule la politique s'apprend. Or la morphologie conditionne les politiques que l'on peut découvrir, et la meilleure morphologie dépend elle-même des politiques qu'elle autorise. Optimiser les deux séparément donne donc des résultats sous-optimaux. Pour les roboticiens et les intégrateurs, la question est concrète : choix du nombre de degrés de liberté, de la géométrie des membres, de l'emplacement des actionneurs ou de la préhension. Ces décisions se prennent aujourd'hui surtout par ingénierie et itération manuelle, et la co-conception reste peu comparable d'une étude à l'autre. Un banc d'essai commun permettrait de mesurer sur une base homogène ce que ces méthodes apportent réellement, et de vérifier si les gains observés sur des cas isolés se généralisent. L'élargissement à des domaines hors robotique (réseaux, énergie) suggère aussi que la méthode vise un usage plus large que les seuls humanoïdes. Ce travail s'inscrit dans une littérature sur la co-optimisation forme-contrôle qui existe depuis des années, mais dont les résultats sont dispersés entre des environnements ad hoc, ce qui freine les comparaisons. Co-Design Gym adopte le format des suites de type Gym, devenues le standard pour l'apprentissage de politiques, afin de favoriser un progrès cumulatif. Le résumé ne précise ni les algorithmes testés, ni les scores, ni la disponibilité du code, des points à vérifier dans le texte complet. Il reste aussi à voir si ces environnements, simulés, transféreront vers du matériel réel, où l'écart simulation-réalité pèse encore sur la fabrication de morphologies optimisées.

RecherchePaper

1 source

RecMorph : récurrence spatiale guidée par la topologie pour un contrôle généralisé de la morphologie

À lire aussi

Modèles du monde à opérateurs de graphe pour la généralisation morphologie-paramètres en contrôle continu

SPAN-Nav : une conscience spatiale généralisée pour la navigation incarnée polyvalente

DiffMorphGrasp : un cadre de diffusion conditionné par la morphologie de la main pour générer des saisies inter-morphologies

Co-design Gym : un benchmark unifié pour la co-optimisation de la morphologie et de la politique de contrôle