Aller au contenu principal
Lois d'allométrie pour robots bipèdes
RecherchearXiv cs.RO 

Lois d'allométrie pour robots bipèdes

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

Une étude publiée sur arXiv (référence 2603.22560, version 4) établit les lois d'échelle des robots bipèdes, c'est-à-dire comment masse, vitesse et couple doivent évoluer avec la taille d'un design. Après avoir recensé les robots bipèdes existants, les auteurs constatent que leur masse suit une loi en L² (longueur de jambe au carré), et non la prédiction isométrique classique en L³. Pour le vérifier, ils reconstruisent en simulation 3D deux bipèdes déjà publiés, de même morphologie quasi-passive mais différant par un facteur six en longueur de jambe, et les mettent à l'échelle de 0,02 à 1,2 mètre sous deux hypothèses de masse. La vitesse suit alors une similarité dynamique en L^0,5 quel que soit le modèle retenu, le couple de marche, proportionnel au produit masse fois longueur, grimpe en L³ ou en L⁴ selon l'hypothèse de masse choisie, et les dimensions de pied permettant de marcher croissent linéairement avec la longueur de jambe, sans que la forme optimisant la vitesse se transpose automatiquement d'une échelle à l'autre.

Pour les concepteurs de bipèdes et d'humanoïdes, ce résultat remet en cause l'hypothèse isométrique standard, masse proportionnelle au cube de la taille, utilisée par défaut en ingénierie, et offre une règle empirique plus fiable pour extrapoler un design du laboratoire vers une plateforme industrielle. L'écart entre les deux modèles de couple pèse directement sur le dimensionnement des actionneurs, la consommation énergétique et le coût d'un bipède à mesure qu'il change d'échelle, un enjeu concret pour tout intégrateur évaluant la faisabilité économique d'un humanoïde. Le papier rappelle aussi qu'une géométrie de pied ou un mode de marche validés sur un prototype ne se généralisent pas automatiquement à une autre taille par simple redimensionnement.

Ce travail s'inscrit dans la tradition de l'allométrie biologique, qui décrit depuis longtemps comment masse, force musculaire et vitesse varient avec la taille chez les animaux, transposée ici à la robotique de jambes. Les auteurs s'appuient sur deux bipèdes déjà publiés, de même morphologie quasi-passive, c'est-à-dire exploitant la dynamique naturelle du corps plutôt qu'un contrôle actif permanent, mais conçus à des échelles très éloignées. Il s'agit d'une recherche fondamentale, sans partenaire industriel ni déploiement commercial mentionné, destinée à guider la conception des futures générations de bipèdes qui s'écarteront des tailles standard aujourd'hui testées dans l'industrie humanoïde.

Dans nos dossiers

À lire aussi

Filtre de Kalman étendu itératif invariant pour l'odométrie des robots quadrupèdes
1arXiv cs.RO 

Filtre de Kalman étendu itératif invariant pour l'odométrie des robots quadrupèdes

Une équipe de chercheurs a publié sur arXiv (référence 2604.15449, avril 2026) un algorithme open-source d'estimation d'état pour robots à pattes, fondé sur le filtre de Kalman étendu invariant itéré, ou IterIEKF. L'algorithme s'applique aux robots quadrupèdes et repose exclusivement sur des mesures proprioceptives : il exploite les contraintes cinématiques sur la vitesse des pieds en phase de contact et la vitesse exprimée dans le référentiel du châssis, sans capteurs extéroceptifs (caméras, lidar). Les évaluations ont été conduites via simulations numériques approfondies et sur des jeux de données réels. Les résultats montrent que l'IterIEKF surpasse l'IEKF classique, le filtre de Kalman basé SO(3) et sa variante itérée, aussi bien en précision qu'en cohérence statistique. L'intérêt de cette contribution réside dans la rigueur mathématique apportée à l'odométrie des robots à pattes, un problème notoirement difficile à cause des contacts intermittents, des glissements et des dynamiques non linéaires. Les filtres de Kalman étendus standard souffrent de deux hypothèses rarement vérifiées en pratique : linéarité des dynamiques et linéarité du modèle de mesure, toutes deux avec bruit gaussien. L'IEKF avait partiellement résolu le premier problème en opérant sur des groupes de Lie à dynamiques group-affines. Le travail présenté ici généralise cette approche à l'étape de mise à jour, en montrant que l'itération de cette étape préserve des propriétés de compatibilité analogues à celles du filtre linéaire classique. Pour un intégrateur ou un ingénieur robotique, cela se traduit par une localisation plus robuste aux conditions terrain, sans dépendance à la perception visuelle ni à l'infrastructure externe. Le filtre de Kalman étendu invariant (IEKF) a été formalisé théoriquement dans les années 2010, notamment par Barrau et Bonnabel, et appliqué depuis à des plateformes variées allant des drones aux robots humanoïdes. Sa variante itérée (IterIEKF) avait été proposée récemment dans [1], mais son application à la locomotion quadrupède et la mise à disposition en open-source constituent des étapes concrètes vers l'adoption industrielle. Les concurrents directs sur ce segment incluent des approches basées sur des facteurs graphiques (GTSAM, iSAM2) et des estimateurs hybrides vision-inertie comme VILENS ou Pronto. La disponibilité open-source de ce filtre ouvre la voie à une intégration directe dans des stacks de navigation pour plateformes comme ANYmal, Spot ou Go2.

UELes chercheurs français Barrau et Bonnabel, à l'origine de la théorie IEKF, sont cités comme fondateurs de cette approche ; la disponibilité open-source de l'IterIEKF renforce la boîte à outils accessible aux équipes de recherche et startups européennes travaillant sur la locomotion de robots à pattes.

RecherchePaper
1 source
La Fabrique de Données pour Robots
2arXiv cs.RO 

La Fabrique de Données pour Robots

Un preprint mis en ligne sur arXiv en septembre 2026 (référence 2609.16705, première soumission) présente le Robot Data Factory (RDF), un cadre méthodologique visant à produire en continu de « l'expérience robotique » plutôt que de simples jeux de données statiques. RDF organise des robots hétérogènes et des terrains d'entraînement dédiés autour de sept éléments : missions reproductibles, curricula de compétences, capteurs multimodaux synchronisés, vérité terrain externe, réseau agentique de robots, pipelines de données et benchmarks vivants. L'ensemble suit un cycle fermé déployer-mesurer-apprendre-répéter, dont l'expérience validée alimente des world models, des modèles vision-langage-action (VLA), des politiques incarnées et des jumeaux numériques. Le cadre est instancié sur trois terrains d'entraînement complémentaires : domestique, environnemental et énergétique. Le papier va à l'encontre d'une hypothèse dominante du secteur, selon laquelle l'échelle brute des jeux de données suffirait à faire progresser l'IA physique : il soutient que c'est la structure de la boucle perception-action-conséquence, préservée épisode par épisode, qui détermine la qualité de l'apprentissage. L'enjeu concerne directement les intégrateurs et les équipes qui entraînent des modèles VLA généralistes à grande échelle. En formalisant des lois d'échelle reliant taille de flotte de robots, fréquence des capteurs, stockage et calcul d'entraînement aux besoins en clusters d'IA incarnée, RDF offre aux décideurs B2B un cadre de dimensionnement plutôt qu'une approche par tâtonnement. À noter : l'abstract ne fournit aucun volume de données ni score de benchmark concret, il s'agit d'un cadre théorique et non de résultats mesurés. Cette publication survient alors que la course aux « moteurs de données » robotiques s'intensifie, avec des acteurs comme Physical Intelligence (Pi-0), NVIDIA (GR00T N2), Figure AI (Helix) ou Tesla (Optimus), qui bâtissent chacun des pipelines propriétaires fermés pour nourrir leurs propres modèles. RDF s'en distingue en visant une infrastructure reproductible et, à terme, fédérée entre laboratoires plutôt qu'un silo interne à une seule entreprise. Le résumé ne mentionne aucun laboratoire ni industriel porteur du projet, ce qui le maintient au stade de proposition académique. Les suites dépendront de la validation empirique sur les trois terrains d'entraînement décrits et d'une éventuelle adoption par d'autres équipes de recherche en IA incarnée.

RecherchePaper
1 source
Arrêt d'urgence pour robots manipulant des liquides
3arXiv cs.RO 

Arrêt d'urgence pour robots manipulant des liquides

Des chercheurs ont publié sur arXiv (référence 2604.16667) une méthode d'arrêt d'urgence pour robots manipulant des contenants liquides ouverts. Le système génère des trajectoires d'arrêt optimales en temps minimal sans provoquer de renversement, en résolvant un problème de contrôle optimal dans un cadre de commande prédictive par modèle (MPC). La validation expérimentale a été réalisée sur un bras Franka Emika Panda à 7 degrés de liberté, en complément de simulations. L'approche se présente comme une couche de sécurité plug-and-play superposable aux planificateurs de trajectoire anti-éclaboussures existants, sans les remplacer. Le problème adressé est concret : la manipulation de liquides en contenants ouverts est déjà difficile en régime nominal, car les liquides réagissent fortement aux accélérations et aux à-coups du bras porteur. Mais les scénarios d'urgence, ceux où un opérateur entre dans la zone de travail ou qu'un capteur détecte un obstacle imprévu, n'ont jusqu'ici reçu que peu d'attention dans la littérature. Un arrêt brusque classique génère des oscillations de surface susceptibles de provoquer des déversements de produits dangereux, chimiques ou alimentaires. La contribution ici est de coupler la dynamique non-linéaire des fluides au MPC pour calculer en temps réel la trajectoire d'arrêt la plus rapide qui reste dans les limites de sécurité anti-débordement, ce qui est non trivial dès que le contenant n'est pas rempli à ras bord. La manipulation de liquides par robot est un sujet actif depuis une décennie, porté notamment par des travaux sur le sloshing control et les trajectoires de type bang-bang modifiées. Le Franka Panda est le banc d'essai académique standard, ce qui facilite la reproductibilité mais limite la portée industrielle directe : les bras collaboratifs déployés en laboratoire pharmaceutique ou agroalimentaire ont des dynamiques différentes. Les prochaines étapes logiques seraient une validation sur des robots industriels à plus haute vitesse (KUKA, Fanuc) et l'intégration avec des systèmes de détection d'obstacles en temps réel type LiDAR ou vision. Aucun partenaire industriel ni calendrier de transfert n'est mentionné dans la publication.

RecherchePaper
1 source
PRIMO : odométrie guidée par le suivi du mouvement humain pour robots humanoïdes
4arXiv cs.RO 

PRIMO : odométrie guidée par le suivi du mouvement humain pour robots humanoïdes

Agibot Spatial Intelligence a publié sur arXiv, sous la référence 2609.23610, une méthode d'odométrie pour robots humanoïdes baptisée PRIMO (Prior-Informed Odometry from Human-Motion Tracking), conçue pour s'attaquer à deux failles du transfert simulation-vers-réel : des données d'entraînement limitées à une seule politique de contrôle, et des écarts sim-to-real qui fragilisent les prédictions non contraintes. La méthode génère sa supervision en faisant suivre au robot, en simulation, des mouvements humains retargetés et variés, indépendamment de la politique de déploiement finale, puis s'appuie sur un estimateur intégrant des priors physiques et de symétrie ainsi qu'une voie de contexte capteur brut. Sous un protocole unifié sur robot réel, elle réduit l'erreur moyenne d'odométrie de 31,6 à 61,7% face à la meilleure base externe testée ; l'entraînement croisé entre deux révisions de politiques de locomotion abaisse l'erreur de 86,8 à 94,6% en simulation et de 69,2 à 81,7% sur des mouvements dynamiques réels. Le code source est publié sur GitHub sous Agibot-Spatial-Intelligence/PRIMO. L'odométrie proprioceptive, qui estime position et orientation d'un robot à partir de ses seuls capteurs internes sans caméra ni LiDAR, est une brique critique pour la marche autonome des humanoïdes en usine ou en entrepôt, là où le GPS est absent et la vision peut être occultée. Le problème ciblé est structurel : la plupart des modèles existants restent liés à la politique de locomotion ayant servi à générer leurs données d'entraînement, ce qui les fragilise à chaque mise à jour de contrôleur, un frein concret pour les intégrateurs qui doivent faire évoluer leurs flottes sans tout réentraîner. En découplant l'odométrie du contrôleur de déplacement, PRIMO suggère que la généralisation sim-to-real de l'estimation d'état, faiblesse reconnue du secteur, peut se traiter par des contraintes physiques structurantes plutôt que par un simple ajout de données, une piste distincte des efforts de généralisation menés sur les modèles de manipulation de type VLA. Agibot, fabricant chinois de robots humanoïdes également connu sous le nom Zhiyuan Robotics, publie ce travail via sa division Spatial Intelligence, dédiée aux briques de perception et d'estimation d'état plutôt qu'à la seule vente de plateformes matérielles. Le recours à des mouvements humains retargetés pour combler le manque de données robotiques réelles rejoint une tendance plus large du secteur, où des laboratoires travaillant sur des modèles VLA comme GR00T N2 de Nvidia ou Helix de Figure explorent des voies similaires pour étendre la diversité des données d'entraînement au-delà de la téléopération. À ce stade, PRIMO reste une contribution de recherche accompagnée de code source public, sans annonce de déploiement en production ni de partenariat industriel associé, et sa validation indépendante sur d'autres plateformes humanoïdes que celles d'Agibot reste à venir.

RechercheActu
1 source