RecherchearXiv cs.RO 25 septembre 2026

L'écho des pas : apprendre le parkour humanoïde perceptif grâce à une mémoire à portes

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs présentent dans un article publié sur arXiv (identifiant 2609.28960v1), intitulé "Echo in the Steps: Learning Perceptive Humanoid Parkour with Gated Memory", un système permettant à un robot humanoïde de franchir des terrains hautement discontinus, comme des points d'appui rares ou des surfaces de contact étroites, en s'appuyant uniquement sur des observations de profondeur embarquées, sans capteur externe. Le cœur du système est un module de perception temporelle guidé par la saillance, qui combine un a priori de saillance visuelle avec une mémoire à portes (gated memory) conservant les informations de profondeur pertinentes d'une image à l'autre, même lorsque l'observation instantanée est partielle ou occluse. Les auteurs ajoutent une fonction de perte d'alternance, une régularisation de symétrie qui force le contrôleur à produire un schéma de marche en alternance des appuis, jugée essentielle lors de transitions rapides entre appuis espacés. Le papier rapporte des gains significatifs de taux de réussite et de précision de placement du pied sur des terrains difficiles, validés en simulation et sur un robot réel, sans toutefois préciser de chiffres exacts de performance, de gabarit du robot ou de temps de cycle dans le résumé disponible.

Ce résultat cible un verrou précis de la locomotion humanoïde perceptive: si le franchissement de terrains structurés, escaliers, pentes, obstacles réguliers, est déjà largement maîtrisé par les commandes apprises par renforcement, le parkour sur appuis épars reste un problème ouvert, car il exige une sélection anticipée des points de contact à partir de la vision plutôt qu'une simple robustesse proprioceptive. Le travail illustre une tendance de fond en robotique humanoïde: le passage d'une locomotion "aveugle" reposant sur le seul retour proprioceptif vers des architectures exploitant activement une mémoire visuelle pour compenser l'observabilité partielle des capteurs embarqués. Pour les intégrateurs et décideurs industriels, l'enjeu est concret: la capacité à traverser des sols irréguliers, chantiers ou gravats, plutôt que les seuls sols plats d'entrepôt, conditionne l'élargissement des cas d'usage réels des humanoïdes au-delà des démonstrations contrôlées. Il s'agit néanmoins d'un résultat académique publié en preprint, non d'un produit commercialisé ni d'un déploiement en flotte, et l'ampleur exacte des essais réels n'est pas détaillée dans le résumé.

Ce travail s'inscrit dans la lignée des avancées récentes en locomotion perceptive pour humanoïdes, un domaine où laboratoires académiques et industriels de la robotique bipède cherchent à combiner apprentissage par renforcement et perception visuelle pour sortir du seul sol plat. Le résumé de l'article ne mentionne aucun partenariat industriel ni acteur français ou européen impliqué dans ces travaux. Les suites attendues pour ce type de recherche restent celles du cycle académique classique: publication détaillée avec code et données, extension des essais réels à davantage de types de terrain et, à terme, un éventuel transfert vers des plateformes humanoïdes commerciales cherchant à renforcer leur robustesse en environnement non structuré.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Apprentissage de la traversée agile de structures 3D éparses par des humanoïdes grâce à la perception

Les chercheurs à l'origine de la publication arXiv 2608.29769, mise en ligne fin août 2026, présentent un système de contrôle perceptif pour robot humanoïde capable de traverser des structures 3D éparses de type barres de singe (monkey bars). Le robot doit sauter pour agripper la structure, se déplacer de barre en barre par brachiation, puis atterrir en sécurité. La politique de contrôle, entraînée par apprentissage par renforcement, exploite directement les données brutes d'un lidar solid-state monté sur la tête, traitées par un encodeur à mécanisme d'attention couplé à une mémoire récurrente pour extraire la géométrie utile de retours lidar clairsemés. L'entraînement suit un pipeline enseignant-élève séquencé par phases, combinant des experts privilégiés spécialisés pour le saut initial, la brachiation et l'atterrissage. Le transfert vers le matériel réel intègre la modélisation du bruit lidar, de la chute de tension de la batterie et des limites thermiques des actionneurs, le robot étant équipé de crochets passifs en guise d'effecteurs pour une prise fiable sur les barres. Sur le matériel, la politique complète la séquence saut-brachiation-atterrissage dans 14 essais sur 15, sur trois configurations de barres différentes, avec des vitesses de brachiation atteignant 0,5 m/s. Le même socle de perception permet aussi d'entraîner séparément une politique capable de se baisser sous des obstacles suspendus fins, avec des sections de seulement 2 cm. Ce travail illustre un déplacement du curseur dans la recherche en robotique humanoïde: au-delà de la marche sur sol plat, l'enjeu devient la traversée de terrains épars et suspendus, difficiles à percevoir avec un lidar dont les retours sont peu denses sur des géométries fines. Le taux de réussite de 14/15, bien que sur seulement trois configurations testées et non en environnement réel diversifié, constitue une preuve tangible que le transfert simulation-vers-réel peut fonctionner pour du contrôle dynamique du corps entier conditionné par la perception, y compris en tenant compte de contraintes matérielles concrètes comme la dérive de tension batterie ou l'échauffement des actionneurs. Pour les intégrateurs et décideurs du secteur, ce résultat reste un signal de recherche plutôt qu'une brique produit: il valide une approche technique (RL perceptif basé lidar avec encodeur attentionnel) mais ne dit rien des coûts, de la robustesse en conditions non contrôlées, ni d'un calendrier de commercialisation. Le papier s'inscrit dans une dynamique plus large de la recherche en locomotion agile pour humanoïdes, où les capacités testées glissent progressivement de la marche et de la course vers des compétences proches du parkour: sauts précis, franchissement d'obstacles suspendus, préhension dynamique. Le résumé ne précise pas l'affiliation des auteurs ni de partenariat industriel, et aucun acteur français ou européen n'est mentionné dans cette publication. Les prochaines étapes attendues pour ce type de travaux incluent l'élargissement à des configurations de barres plus variées et des tests en environnements moins contrôlés, avant d'envisager une application à des scénarios concrets comme l'inspection ou la navigation en environnement encombré.

RecherchePaper

1 source

2arXiv cs.RO

LadderMan : apprentissage de l'escalade d'échelles par un humanoïde perceptif

Des chercheurs ont publié le 5 juin 2026 sur arXiv (preprint 2606.05873) un système baptisé LadderMan, conçu pour permettre à des robots humanoïdes de grimper des échelles de géométries variées et d'effectuer des tâches de manipulation en position perchée. L'architecture repose sur un pipeline d'apprentissage en deux étapes : une phase de suivi de mouvement hybride extrait plusieurs politiques d'escalade expertes à partir d'une seule motion de référence, puis une phase de distillation fusionne ces experts en une politique visuomotrice unifiée, pilotée par caméra de profondeur, via une combinaison d'imitation et de renforcement. Pour combler l'écart simulation-réel sur la perception de profondeur, l'équipe exploite des modèles de vision fondationnels. La manipulation en hauteur est gérée par une formulation dite "dual-agent" : un agent dédié à la stabilité sur l'échelle, un autre à la manipulation, avec télé-opération comme signal superviseur. Les expériences rapportent un transfert zéro-shot vers le hardware réel, sans fine-tuning supplémentaire. L'escalade d'échelle constitue l'un des tests les plus discriminants pour les humanoïdes : les points d'appui sont rares et fixes, la coordination corps entier est critique, et la moindre erreur de perception ou de contrôle peut provoquer une chute. Le transfert zéro-shot réussi de la simulation au réel est ici le résultat le plus significatif : il suggère que les modèles de vision fondationnels permettent d'atténuer suffisamment le sim-to-real gap sur des tâches perceptivo-motrices contraintes, une hypothèse longtemps débattue dans la communauté. La capacité à manipuler des objets depuis une position instable ouvre des perspectives concrètes pour l'inspection industrielle, la maintenance en hauteur et les chantiers de construction. Il convient cependant de souligner qu'il s'agit d'un preprint de recherche, non d'un produit commercialisé, et que les vidéos publiées sur ladderman-robot.github.io restent sélectionnées par les auteurs. Ce travail s'inscrit dans une vague active de recherche poussant les humanoïdes vers des environnements contraints et à risque élevé. Aucune entreprise commerciale n'est identifiée dans le preprint, ce qui suggère une origine académique. Sur le plan concurrentiel, aucun constructeur humanoïde majeur, ni Boston Dynamics (Atlas), ni Figure (Figure 03), ni Tesla (Optimus Gen 3), ni Agility Robotics (Digit), n'a à ce jour publié de démonstration d'escalade d'échelle à ce niveau de robustesse et de transfert zéro-shot. Les prochaines étapes logiques seraient un test sur une gamme plus large de robots humanoïdes commerciaux et une intégration de la manipulation autonome, sans télé-opération.

RecherchePaper

1 source

3arXiv cs.RO

VidAct : apprendre la manipulation à partir de vidéos réelles grâce à une perception 3D centrée sur les objets

VidAct est un framework « vidéo vers robot » décrit dans un préprint arXiv (2609.36870v1) qui apprend des politiques de manipulation à partir d'une seule vidéo monoculaire par tâche, puis les déploie sur un robot réel en zero-shot. Le système repose sur trois briques. La première reconstruit le maillage des objets et leur mouvement à partir de vidéos quelconques, puis exprime ce mouvement dans le repère statique de l'objet. Cela évite tout retargeting spécifique à l'embodiment (le passage d'une main humaine à une pince) et accepte des points de vue de caméra variés. La deuxième brique, un transfert de trajectoire résiduel, adapte le mouvement reconstruit à de nouvelles configurations d'objets en conservant la forme de la trajectoire. La troisième, au cœur de l'apprentissage, demande à la politique de prédire à chaque image le nuage de points complet de l'objet, fourni en privilège par la simulation, comme tâche auxiliaire. Le déploiement reste en RGB seul. Les expériences couvrent des vidéos humaines, robotiques, générées et issues d'internet. Le résumé ne donne aucun chiffre de taux de réussite, de nombre de tâches ni de plateforme robotique. Pour les intégrateurs et les équipes R&D, l'intérêt tient à la réduction du coût de la donnée. La téléopération reste l'étalon de la collecte de démonstrations, mais elle est chère et peu extensible. Apprendre à partir d'une vidéo par tâche, y compris générée, déplace le goulot d'étranglement de la collecte vers la reconstruction 3D. L'approche traite aussi deux limites connues des méthodes de reconstruction : la dépendance à des caméras contraintes et la déformation des trajectoires face à un nouvel agencement d'objets. La supervision par nuage de points complet par image suggère que la conscience de la géométrie 3D des objets, souvent absente des politiques RGB, améliore la généralisation et le transfert simulation-réel. Ces conclusions restent à confirmer : les auteurs affirment des gains, mais l'abstract ne les quantifie pas. Les résultats viennent de tâches de laboratoire, sans indication de robustesse en environnement industriel ni de comparaison publiée avec des VLA généralistes. Ce travail s'inscrit dans une lignée qui cherche à remplacer la démonstration robotique par de la vidéo, en concurrence avec la collecte téléopérée à grande échelle et les modèles fondation type VLA, qui misent sur le volume de données plutôt que sur la reconstruction explicite. Il s'agit d'un préprint en première version, sans code, produit ni déploiement annoncé à ce stade. Les prochaines étapes à surveiller sont la publication des taux de réussite détaillés, la diffusion du code et, surtout, une validation sur des tâches longues, contraintes ou déformables, où la reconstruction monoculaire est la plus fragile.

RecherchePaper

1 source

4arXiv cs.RO

Contact multiple réactif pour humanoïdes grâce à des modèles de stabilité appris

Des chercheurs proposent une méthode de planification et de contrôle qui permet à un humanoïde d'utiliser ses mains pour se stabiliser lorsque les pieds seuls ne suffisent plus à éviter la chute. Le système échantillonne des points de contact candidats dans l'espace atteignable du robot, puis simule la dynamique centroïdale à travers trois phases : pré-impact, impact et post-impact. Chaque point est noté selon l'autorité de contrôle du centre de pression (CoP) après l'impact. Le planificateur procède en deux étapes : il choisit d'abord une région d'appui optimale, puis calcule le meilleur point d'appui dans cette région. En simulation, la résilience aux impulsions progresse en moyenne de 89 % par rapport à une récupération sans contact manuel, et de 17 % par rapport à une stratégie naïve consistant à viser la région atteignable la plus proche. Sur robot réel, des tests de poussée ont été menés à l'arrêt et en marche : à l'arrêt, le temps de stabilisation baisse en moyenne de 43 % face à un placement naïf des mains, et en marche, de 18 % face à une récupération sans contact manuel. Le papier, publié sur arXiv, ne précise dans son résumé ni la plateforme utilisée ni l'amplitude des poussées. L'intérêt tient à un modèle appris de la région de CoP atteignable en post-impact, qui remplace les optimisations en ligne plus coûteuses pour évaluer chaque contact candidat. Cette évaluation rapide est la condition pour réagir en temps réel à une perturbation, et non planifier un appui à froid. Pour les intégrateurs et industriels qui envisagent des humanoïdes dans des environnements encombrés, entrepôts, ateliers ou zones de maintenance, la capacité de s'appuyer sur une paroi, une étagère ou une machine plutôt que de tomber répond à un enjeu de sécurité et de disponibilité. Elle illustre aussi un schéma de plus en plus courant : un modèle appris, léger et ciblé, greffé sur un contrôleur à base de modèle, plutôt qu'une politique de bout en bout. Les gains sont néanmoins modestes dans le cas de la marche (18 %), et la comparaison de référence est faible, puisqu'il s'agit d'un placement naïf ou de l'absence de contact manuel. Aucune comparaison avec une politique apprise par renforcement n'est mentionnée. Ce travail s'inscrit dans la lignée de la locomotion multi-contact, longtemps traitée par optimisation hors ligne ou par séquences de contacts prédéfinies, avec des temps de calcul peu compatibles avec une réaction aux poussées. Les équipes de robotique humanoïde, qu'elles soient académiques ou industrielles, cherchent à rendre ces stratégies de récupération robustes, en parallèle des politiques de locomotion apprises en simulation. La suite logique consisterait à tester des surfaces et des géométries variées, des contacts non plans et des perturbations moins contrôlées qu'un test de poussée en laboratoire. Pour l'instant, il s'agit d'un résultat de recherche validé en laboratoire, sans déploiement ni calendrier commercial annoncé.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source