Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
MSK-Bench : évaluation du contrôle moteur musculosquelettique corps entier selon les tâches, paradigmes de contrôle et métriques physiologiques
RecherchearXiv cs.RO 

MSK-Bench : évaluation du contrôle moteur musculosquelettique corps entier selon les tâches, paradigmes de contrôle et métriques physiologiques

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

MSK-Bench, un banc d'essai de 22 tâches de contrôle moteur corps entier pour des humanoïdes musculosquelettiques actionnés par des muscles artificiels plutôt que par des couples articulaires classiques, a été détaillé dans un article publié sur arXiv sous la référence 2609.26872v1. Les tâches couvrent trois niveaux de difficulté croissante : stabilisation posturale, locomotion courante et interaction avec un environnement riche en contacts. Sous des protocoles unifiés incluant des perturbations de robustesse, le benchmark compare cinq paradigmes de contrôle : apprentissage par renforcement classique, ajustement agentique de la récompense, apprentissage par renforcement à action latente, contrôle par a priori d'imitation, et adaptation résiduelle sur ces a priori. Il ajoute des diagnostics physiologiques : coût d'activation musculaire, fluidité articulaire et similarité d'enveloppe EMG.

Ce travail comble un vide méthodologique : la recherche en contrôle musculosquelettique manquait d'un cadre d'évaluation standardisé, les benchmarks existants étant dispersés entre marche, prothèses ou mains dextres. Les résultats montrent qu'une exploration tenant compte de l'embodiment et des représentations d'action structurées améliorent la couverture des tâches dans ces espaces musculaires de très haute dimension, que les a priori d'imitation renforcent la stabilisation et la locomotion mais se dégradent face à un terrain à contacts inattendus, et que l'adaptation résiduelle permet de récupérer des comportements réussis quand les références fixes échouent. Constat le plus utile pour les équipes de recherche : un meilleur taux de réussite n'implique pas un comportement plus réaliste physiologiquement, d'où la nécessité d'évaluer conjointement performance, robustesse et fidélité physiologique.

Les humanoïdes musculosquelettiques offrent un embodiment physiologiquement fidèle pour étudier le contrôle moteur, mais leur actionnement de très haute dimension, leurs dynamiques d'activation retardées et leurs structures muscle-tendon redondantes rendent l'apprentissage nettement plus difficile que sur des humanoïdes classiques pilotés par couple articulaire. MSK-Bench se positionne comme un premier cadre unifié tâche-méthode-métrique pour ce domaine encore jeune de la robotique, là où la plupart des travaux publiés restaient limités à des pistes isolées. L'article ne mentionne ni partenaire industriel ni déploiement matériel : il s'agit d'un outil de recherche destiné à comparer plus rigoureusement les futurs algorithmes de contrôle musculaire, avant toute application sur des plateformes physiques.

Dans nos dossiers

arXiv cs.RO

À lire aussi

TERRA : reconstruction, retargeting et contrôle adaptés au terrain pour la locomotion musculosquelettique
1arXiv cs.RO 

TERRA : reconstruction, retargeting et contrôle adaptés au terrain pour la locomotion musculosquelettique

Des chercheurs du laboratoire CNAI de l'EPFL, à Lausanne, ont publié sur arXiv TERRA, un pipeline complet de reconstruction, de retargeting et de contrôle de la locomotion musculo-squelettique sur terrain non plat. À partir de simples trajectoires cinématiques, sans scène associée, le système reconstitue la géométrie d'appui en combinant des a priori sur le terrain, des contacts estimés et une « évidence négative d'espace libre », c'est-à-dire les zones que le corps n'a manifestement pas occupées. Le retargeting vers le modèle musculo-squelettique respecte des contraintes anatomiques, de continuité des tendons et de contact. Les auteurs ont assemblé des paires mouvement-terrain issues de cinq jeux de données, soit 9,4 heures de locomotion variée, et y ont entraîné une politique unique de contrôle à actionnement musculaire. Sur les benchmarks de reconstruction, de retargeting et de suivi sur données retenues, TERRA améliore la précision du terrain, réduit nettement les violations anatomiques et d'interaction, et affiche le plus haut taux de complétion parmi les familles de terrains prises en charge. Les chiffres détaillés ne figurent pas dans le résumé, et il s'agit d'un preprint non évalué par les pairs, évalué en simulation. L'intérêt dépasse la biomécanique. Les agents pilotés par muscles simulés savent reproduire des mouvements humains de plus en plus complexes, mais presque toujours sur sol plat, faute de jeux de données où le mouvement est aligné avec la géométrie du terrain. TERRA contourne ce verrou en inférant le terrain à partir du mouvement seul, ce qui permet de réutiliser des archives de capture existantes sans les réacquérir. Pour la robotique, la portée est indirecte mais réelle : les humanoïdes actuels utilisent des actionneurs rotatifs, et les modèles musculo-squelettiques servent surtout à la biomécanique, à la conception de prothèses et d'exosquelettes, ou à l'étude de la marche pathologique. Une politique unique couvrant plusieurs terrains suggère que l'apprentissage par renforcement à grande échelle peut s'étendre à des corps à très haute dimensionnalité. Rien n'indique en revanche un transfert vers du matériel physique. Ce travail prolonge une série de résultats sur les agents musculo-squelettiques entraînés par RL, tandis que le suivi de mouvement humain par retargeting s'est surtout développé pour les humanoïdes classiques, comme dans les travaux de style GR00T de NVIDIA ou les politiques de suivi de capture de mouvement. Côté européen, l'EPFL occupe une position forte à l'interface entre contrôle neuromécanique et robotique, et les applications d'exosquelettes, où Wandercraft en France est un acteur de référence, pourraient bénéficier à terme de modèles de locomotion sur terrain irrégulier. La suite logique serait l'extension à davantage de familles de terrains, la validation sur des mouvements réels de patients et, plus loin, le test sur des systèmes physiques. Aucun calendrier n'est annoncé, et un site de projet est disponible sur cnai.epfl.ch/terra.

UETravail de l'EPFL (Suisse, hors UE mais pleinement intégrée à l'écosystème de recherche européen) qui pourrait à terme bénéficier aux applications d'exosquelettes, notamment celles de Wandercraft en France.

RecherchePaper
1 source
Évaluation comparative des modèles du monde pour l'apprentissage continu sur des tâches compositionnelles
2arXiv cs.RO 

Évaluation comparative des modèles du monde pour l'apprentissage continu sur des tâches compositionnelles

Un article publié sur arXiv (2609.22055v1, section cross-listing) présente un nouveau benchmark destiné à évaluer la capacité des "world models" à apprendre en continu sur des tâches de manipulation robotique. Baptisé benchmark de continual learning compositionnel, l'outil construit des séquences de tâches où chaque nouvelle tâche recombine des éléments déjà rencontrés, en factorisant cette composition selon deux axes distincts : l'action et la perception. L'objectif est de séparer deux capacités souvent confondues dans les mesures d'adaptation classiques, la vitesse d'apprentissage de tâches inédites d'un côté, la réutilisation de connaissances déjà acquises de l'autre. Les auteurs testent plusieurs world models considérés comme état de l'art, combinés à des méthodes de continual learning standards, ainsi qu'un modèle modulaire dont le socle de dynamique intègre des composants explicitement conçus pour être réutilisés. Le code et les détails du benchmark sont publiés sur un site dédié au projet, object814.github.io/Compositional-Continual-Learning. Le résultat central est que l'architecture modulaire offre un meilleur compromis entre réutilisation des connaissances et oubli catastrophique que les méthodes de continual learning conventionnelles, mais qu'aucune approche testée ne résout le problème dans son ensemble. Pour les laboratoires qui développent des modèles génériques de type VLA destinés à équiper des robots manipulateurs en usine ou en logistique, ce constat vient nuancer l'hypothèse implicite selon laquelle un modèle suffisamment large finirait par s'adapter à de nouveaux environnements sans réentraînement complet ni perte de performance sur les tâches antérieures. Le benchmark fournit en somme un outil de diagnostic plus rigoureux que les mesures d'adaptation globales habituellement citées dans les communiqués sur les robots généralistes, en isolant précisément où l'apprentissage échoue. Ce travail s'inscrit dans la continuité des recherches sur le continual learning appliqué à la robotique, un champ où les benchmarks existants mesuraient rarement séparément la vitesse d'apprentissage et la réutilisation de connaissances. En se concentrant spécifiquement sur les world models, composants de plus en plus centraux dans les architectures de contrôle robotique moderne, les auteurs positionnent leur contribution comme un outil d'évaluation plutôt qu'un nouveau modèle concurrent. La publication du benchmark en accès libre laisse présager son adoption par d'autres équipes pour tester leurs propres architectures, sans qu'aucun calendrier de déploiement industriel ne soit annoncé à ce stade.

RecherchePaper
1 source
BAT : concilier agilité et stabilité par commutation de politiques en ligne pour le contrôle du corps entier d'un robot humanoïde sur de longs horizons
3arXiv cs.RO 

BAT : concilier agilité et stabilité par commutation de politiques en ligne pour le contrôle du corps entier d'un robot humanoïde sur de longs horizons

Des chercheurs proposent BAT, un cadre de commutation de politiques en ligne pour le contrôle du corps entier d'humanoïdes sur de longs enchaînements de mouvements. Le travail, publié sur arXiv (2604.01064, version 2), part d'un constat : les approches existantes suivent deux paradigmes. Les politiques couplées coordonnent tout le corps de façon globale, tandis que les politiques découplées traitent chaque module séparément pour gagner en précision. BAT choisit dynamiquement entre deux contrôleurs généralistes entraînés par apprentissage par renforcement, l'un couplé et l'autre découplé, selon le contexte du mouvement en cours. Deux prédicteurs de commutation travaillent en parallèle. OpVQ-VAE s'appuie sur des « tokens » de mouvement et généralise bien. OpHRL est un prédicteur en boucle fermée qui tient compte de l'état du robot. Un routeur de familiarité des tokens (Token-Familiarity Router) arbitre lorsque les deux divergent : il privilégie OpHRL pour les séquences de tokens connues et OpVQ-VAE pour les séquences inédites. Les auteurs annoncent 85,2 % de réussite sur des combinaisons de mouvements longues déjà vues à l'entraînement, et 71,3 % sur des mouvements jamais rencontrés. Ils rapportent aussi de meilleurs résultats que les contrôleurs corps entier existants sur les mouvements pris isolément, ainsi qu'un déploiement zéro-shot sur le Unitree G1. L'intérêt pratique tient au compromis que les équipes rencontrent sans cesse. Une politique couplée donne des gestes dynamiques et agiles, comme des sauts ou des mouvements amples, mais elle perd en précision. Une politique découplée manipule ou positionne mieux, mais elle devient moins robuste quand le mouvement exige une coordination globale. Plutôt que de chercher un contrôleur unique qui concilie tout, BAT montre qu'on peut combiner des spécialistes et basculer entre eux à l'exécution. Le point à surveiller est l'écart entre mouvements vus et inédits : 85,2 % contre 71,3 %, soit près de 14 points perdus, ce qui reste loin de la fiabilité attendue en production. Ces chiffres viennent de benchmarks de recherche, sans durée de tâche, nombre d'essais ni conditions détaillés dans le résumé. Le transfert zéro-shot sur G1 est encourageant, mais rien ne dit qu'il couvre toute la distribution de mouvements testée en simulation. Ce travail s'inscrit dans la vague des contrôleurs généralistes corps entier pour humanoïdes, nourrie par l'apprentissage par renforcement en simulation et l'imitation de mouvements humains. Le Unitree G1, peu coûteux et très répandu dans les laboratoires, sert désormais de plateforme de référence pour valider ces méthodes. Les auteurs ne se positionnent pas ici face aux modèles VLA commerciaux (Figure, Tesla, NVIDIA), car BAT agit à la couche basse de contrôle, pas au niveau du raisonnement ou de la planification. Cette couche reste pourtant un goulot d'étranglement pour passer des démonstrations à des tâches longues et enchaînées. La version 2 laisse penser que l'article a été révisé après relecture. Les suites logiques seraient des tests sur d'autres plateformes, des tâches de manipulation plus longues et une mesure de la robustesse hors laboratoire. Aucun calendrier de déploiement industriel n'est annoncé.

RecherchePaper
1 source
Diffusion pour l'apprentissage du schéma corporel : adaptation aux états anormaux dans les robots musculosquelettiques
4arXiv cs.RO 

Diffusion pour l'apprentissage du schéma corporel : adaptation aux états anormaux dans les robots musculosquelettiques

Des chercheurs proposent une nouvelle méthode d'apprentissage du schéma corporel pour les robots musculo-squelettiques, basée sur les modèles de diffusion, capable de s'adapter à des états physiques anormaux comme la rupture d'un muscle artificiel ou le blocage d'un actionneur. Publiée sur arXiv début août 2026, l'étude s'attaque à une limite connue des approches classiques par autoencodeurs ou autoencodeurs variationnels, qui compressent les signaux de capteurs et d'actionneurs dans un espace latent de faible dimension et n'apprennent en réalité qu'un comportement moyen. Cette compression rend ces modèles incapables de bien représenter des situations hors distribution, c'est-à-dire des pannes ou anomalies absentes des données d'entraînement. Le nouveau cadre proposé fonctionne différemment : au lieu de passer par un espace latent réduit, le modèle de diffusion estime directement, par un processus itératif de débruitage, des valeurs de capteurs et d'actionneurs physiquement cohérentes dans l'espace haute dimension d'origine, même à partir d'observations partielles et sous contraintes, sans nécessiter de réentraînement. L'adaptation du schéma corporel est formulée comme un débruitage guidé par gradient, permettant au système d'estimer les longueurs et tensions musculaires appropriées même en cas de rupture de muscle ou de blocage d'actionneur. La validité de l'approche est démontrée uniquement par simulation, sur un modèle de robot musculo-squelettique. Pour l'industrie robotique, ce travail touche à un problème central pour tout système actionné par des muscles artificiels ou des architectures bio-inspirées à haute redondance : la capacité à maintenir une représentation interne fiable du corps quand une partie du matériel tombe en panne, sans devoir réentraîner le modèle à chaque nouveau scénario de défaillance. C'est un enjeu de robustesse plus que de performance brute, particulièrement pertinent pour les plateformes destinées à opérer en autonomie prolongée, loin d'une supervision humaine constante, où une simple rupture de tendon artificiel peut aujourd'hui immobiliser un robot faute de diagnostic interne adapté. L'usage de modèles de diffusion pour ce type d'estimation d'état, plutôt que pour la seule génération de trajectoires ou de politiques d'action comme c'est courant dans les approches VLA, illustre une extension intéressante de cette famille de modèles vers des tâches d'inférence physique et de tolérance aux pannes. Le travail s'inscrit dans la lignée des recherches sur les robots musculo-squelettiques, des plateformes qui cherchent à reproduire l'anatomie humaine avec des muscles artificiels redondants plutôt que des moteurs rigides classiques, dans l'objectif d'obtenir une compliance et une résilience mécanique proches du vivant. Les approches par autoencodeur ou VAE pour l'apprentissage du schéma corporel constituaient jusqu'ici la référence dans ce sous-domaine, d'où la comparaison directe opérée par les auteurs. À ce stade, l'apport reste circonscrit à des expériences en simulation sur un modèle de robot, sans validation sur plateforme physique ni indication de calendrier pour un transfert réel ; l'étape naturelle suivante serait une démonstration sur un robot musculo-squelettique physique intégrant des capteurs et actionneurs réels, où les bruits de mesure et les dynamiques non modélisées pourraient sensiblement compliquer la tâche de débruitage.

RecherchePaper
1 source