RecherchearXiv cs.RO 25 septembre 2026

RoboLDA : un modèle génératif probabiliste pour révéler les structures hiérarchiques incarnées des robots souples à voxels

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs présentent RoboLDA, un modèle probabiliste bayésien qui extrait automatiquement les principes hiérarchiques de conception des robots souples à base de voxels (VSR), jusqu'ici tributaires de l'expertise humaine. Entraîné par inférence variationnelle, il décompose la morphologie en quatre niveaux, tâche, robot, organe, voxel, appris à partir de designs performants existants. Sur des VSR simulés, le modèle génère en zero-shot des morphologies pour des tâches inédites, sans optimisation supplémentaire, atteignant en moyenne 106,4% des performances d'algorithmes évolutionnaires optimisés tâche par tâche. Les « organes » identifiés, sous-structures entre voxel et robot complet, s'avèrent être des unités fonctionnelles valides qui améliorent la coordination des mouvements une fois intégrées à des politiques de contrôle modulaires. Publié en preprint sur arXiv (2609.29490), le travail reste une démonstration en simulation, sans validation sur robot physique.

Ce résultat intéresse les équipes de recherche en conception automatisée de robots et les intégrateurs travaillant sur des systèmes modulaires ou reconfigurables, dans un contexte où concevoir un VSR performant exige aujourd'hui une expertise pointue pour répartir les fonctions entre segments du robot, un processus coûteux en temps d'ingénieur et peu transférable d'une tâche à l'autre. En montrant qu'une hiérarchie cohérente peut être extraite statistiquement de designs existants plutôt que dictée à la main, RoboLDA ouvre la voie à des outils génératifs capables de proposer des morphologies quasi optimales en zero-shot, là où les algorithmes évolutionnaires exigent un cycle d'optimisation complet par tâche. Le gain de 106,4% mérite d'être nuancé : il s'agit de résultats en simulation sur des bancs d'essai contrôlés, l'écart pouvant se réduire face à des contraintes physiques absentes du simulateur.

L'approche s'inscrit dans un courant de recherche qui vise à rendre la conception des robots souples aussi systématique que celle des robots rigides, en s'inspirant de l'organisation hiérarchique des organismes biologiques. Jusqu'ici, la génération de morphologies de VSR reposait surtout sur des algorithmes évolutionnaires ou des réseaux génératifs sans hiérarchie explicite, produisant des designs peu interprétables et peu réutilisables. RoboLDA, dont le nom renvoie à l'allocation de Dirichlet latente (LDA), transpose cette logique probabiliste à la morphologie robotique. Les auteurs le présentent comme une première étape vers une modélisation générative interprétable des agents incarnés, sans calendrier de transfert vers des robots physiques ni partenariat industriel annoncés.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

MotorMind : structurer des modèles vision-langage généralistes pour la manipulation robotique sans apprentissage préalable

Des chercheurs présentent MotorMind, un « harness » de manipulation robotique (arXiv 2609.38078, première version) qui permet à un modèle vision-langage (VLM) généraliste de piloter directement un bras, sans entraînement spécifique à la tâche. Le système ne recourt ni à un expert d'actions appris, ni à un agent de codage, ni à un outil de grounding comme SAM3. Le VLM propose des actions de niveau intermédiaire, exécutées par un contrôle robotique déterministe qui renvoie un retour d'exécution. Un suivi asynchrone et des mises à jour de mémoire en arrière-plan complètent l'ensemble. Sur la suite LIBERO-PRO de base, MotorMind atteint 66,7 % de réussite, et 53,8 % sous perturbations. Les méthodes zéro-shot antérieures évaluées plafonnent à 13,3 % et 19,2 %. Sur un robot xArm6 réel, la même interface affiche 95 % de réussite moyenne, en manipulation directe comme en présence de perturbations humaines. Les auteurs n'indiquent ici ni le VLM utilisé, ni le nombre de tâches, ni le nombre d'essais réels. Il s'agit d'un résultat de laboratoire, sans déploiement industriel. L'intérêt tient à la voie proposée. Les modèles VLA (vision-langage-action) généralisent encore mal, hors distribution, à de nouvelles tâches et de nouveaux environnements. Leur entraînement spécialisé les coupe aussi des progrès rapides des VLM généralistes. MotorMind suggère qu'une bonne représentation d'actions intermédiaires, associée à une exécution asynchrone, permet d'exploiter ces VLM tels quels, comme un téléopérateur humain qui regarde, agit et corrige. Les auteurs constatent que remplacer le VLM par un modèle plus puissant améliore les scores. Les échecs restants viennent surtout du grounding visuel, du raisonnement incarné et de la connaissance des actions, et ils diminuent avec la capacité du modèle. Pour les intégrateurs, cela laisse entrevoir des robots qui bénéficient mécaniquement des mises à jour des modèles de fondation, sans réentraînement. La prudence reste de mise : LIBERO-PRO est un benchmark en simulation, l'écart avec les baselines est calculé sur des méthodes zéro-shot choisies par les auteurs, et rien n'est dit sur le temps de cycle, la latence ni le coût d'inférence, décisifs en production. Ce travail s'inscrit dans deux courants. Les VLA généralistes de type Pi-0 ou GR00T comptent sur de vastes données robotiques. Les systèmes « agentiques » utilisent des VLM pour le raisonnement de haut niveau, ou des agents de codage pour générer le contrôle, au prix d'une chaîne d'outils lourde et coûteuse. MotorMind cherche un compromis plus simple, avec un seul modèle. La suite dépendra de sa reproductibilité sur d'autres bras, de sa robustesse sur des tâches longues et de sa comparaison avec des VLA entraînés. Aucun pilote ni calendrier n'est annoncé.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

2arXiv cs.RO

GHOST : politiques hiérarchiques à sous-objectifs pour généraliser la manipulation robotique

Des chercheurs ont publié le 10 juin 2026 un preprint arXiv (2606.10025) présentant GHOST, un framework pour politiques visuomotrices de manipulation robotique capables de généraliser au-delà de leur distribution d'entraînement. L'architecture repose sur une factorisation hiérarchique en deux niveaux : une politique haut niveau qui prédit le prochain sous-objectif sous forme de distribution sur les poses 3D de l'effecteur terminal à partir d'observations RGB-D multi-vues, et un contrôleur bas niveau conditionné sur ces objectifs qui génère les actions spécifiques à l'embodiment physique du robot. Pour relier les deux niveaux, les auteurs introduisent une interface spatiale qui projette les sous-objectifs 3D prédits dans le plan image sous forme de heatmaps de l'effecteur, une représentation volontairement simple mais compatible avec les pipelines d'entraînement existants. La politique haut niveau est entraînée sur des vidéos de démonstrations humaines brutes, sans retargeting d'actions, tandis que la politique bas niveau reste entraînée exclusivement sur des données robot. Le résultat central est que cette décomposition hiérarchique améliore systématiquement les performances et la robustesse par rapport à une Diffusion Policy plate (architecture de référence populaire depuis les travaux de Chi et al. en 2023) sur une suite de tâches de manipulation. L'insight clé est que les sous-objectifs en espace cartésien de l'effecteur sont largement "embodiment-agnostic" : la même politique haut niveau peut s'appliquer à différentes architectures de robots sans réentraînement complet. Cela contourne un goulot d'étranglement majeur dans le domaine, le retargeting d'actions depuis les démonstrations humaines, qui introduit habituellement un bruit significatif et limite la qualité des données d'entraînement. GHOST s'inscrit dans un courant actif de recherche sur l'utilisation des vidéos humaines comme source de supervision low-cost pour la robotique de manipulation, aux côtés d'approches comme pi-0 de Physical Intelligence ou des travaux sur les VLA (Visual-Language-Action models) de Google DeepMind avec RT-2 et GR00T N2 de NVIDIA. La principale limitation à noter : il s'agit d'un preprint non encore peer-reviewed, sans données de déploiement réel ni métriques de cycle time en contexte industriel. Les résultats concernent une suite de tâches de laboratoire ; la tenue à l'échelle dans des environnements moins contrôlés reste à démontrer. Aucun partenariat industriel ni timeline de commercialisation n'est annoncé.

RecherchePaper

1 source

3arXiv cs.RO

CST-WM : un modèle du monde à structure causale pour le suivi visuel incarné

Des chercheurs proposent CST-WM, un modèle du monde à structure causale pour le suivi visuel incarné (embodied visual tracking), publié sur arXiv (2609.06302v2). La tâche consiste à choisir des actions qui gardent une cible mobile visible à bonne distance, puis à la retrouver après une occlusion, une sortie de champ ou le croisement d'un élément distracteur. Le suivi est formulé comme une planification sur les preuves futures de présence de la cible, à l'aide d'un modèle du monde conditionné par l'action. L'état du modèle est scindé en trois branches (preuve de la cible, robot, observation). La transition supprime le lien direct, au même pas de temps, entre l'action et la preuve de la cible, mais conserve le chemin passant par le mouvement du robot et les vues qui en résultent. Couplé à un contrôle prédictif par rollouts (MPC), un modèle unique gère le suivi stable et la réacquisition après perte. Sur EVT-Bench et Habitat 3.0, il est évalué en suivi standard, en récupération après perte et en transfert entre jeux de données. Sur un quadrupède Unitree Go2, il réussit 20 essais réels sur 30 (occlusion, croisement de distracteurs, mouvements rapides), contre 14 sur 30 pour TrackVLA. L'intérêt tient au diagnostic d'un défaut discret mais répandu. Dans les données de suivi enregistrées, les actions de la politique de collecte sont corrélées à la position de la cible. Un prédicteur générique apprend alors un raccourci, où l'action courante est écrite directement dans la prédiction de la cible. Les auteurs appellent cela l'hallucination causale. Les rollouts semblent plausibles, mais le classement des actions candidates repose sur une mauvaise raison, ce qui dégrade précisément la planification. Les résultats vont dans ce sens : retirer le masque d'action provoque la plus forte baisse de réacquisition parmi les ablations. Hors ligne, l'erreur de rollout multi-pas est plus faible et le classement des actions s'accorde mieux avec celui du simulateur. Pour les intégrateurs, le message est qu'un modèle du monde entraîné sur des logs opérationnels peut être trompé par des biais de collecte, et que l'ajout d'une structure causale se montre plus utile que davantage de données. Les limites sont claires : 30 essais par méthode sur un seul robot restent un échantillon réduit, et l'écart de 20 contre 14 sur 30 demande confirmation à plus grande échelle. Ces travaux se positionnent face aux suiveurs réactifs et aux approches VLA (vision-langage-action) comme TrackVLA, qui mappent directement les observations vers les actions sans anticiper les conséquences. Ils s'ajoutent aux modèles du monde utilisés en planification robotique, en y injectant une contrainte causale explicite. Le Go2, plateforme de recherche courante, sert de banc d'essai réaliste, mais aucun déploiement industriel ni produit n'est annoncé : il s'agit d'une publication académique. Les prochaines étapes probables sont des validations sur d'autres morphologies, des environnements plus denses et des mesures de latence de planification, que le résumé ne précise pas.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

4arXiv cs.RO

Conception évolutive générative de robots souples à base de voxels avec optimalité prouvable

Une équipe de recherche a publié sur arXiv (arXiv:2609.29491v1, 25 septembre 2026) un nouveau framework baptisé MISCO, conçu pour optimiser la conception de robots souples à base de voxels (VSR, voxel-based soft robots) grâce aux modèles génératifs profonds. MISCO associe un algorithme d'estimation de distribution à un autoencodeur variationnel spécialement conçu, doté d'apprentissage multi-tâches, de conscience positionnelle et de signalisation inter-voxels. Ces composants renforcent la capacité de représentation des morphologies de VSR et permettent un échantillonnage et une optimisation beaucoup plus efficaces des distributions morphologiques possibles. Les auteurs fournissent des garanties théoriques de convergence asymptotique vers des designs globalement optimaux, assorties d'un taux de convergence favorable. Des expériences menées en simulation, et uniquement en simulation, démontrent la capacité de MISCO à naviguer dans de vastes espaces de conception et à faire évoluer des robots souples performants sur des tâches variées, tout en équilibrant efficacité d'optimisation et diversité morphologique. L'intérêt de ces travaux tient moins à un produit qu'à une démonstration méthodologique rare dans le domaine: la plupart des algorithmes évolutionnaires appliqués à la robotique souple restent heuristiques et sans garantie mathématique de convergence, alors que MISCO en apporte une, prouvée formellement. Pour les chercheurs en robotique molle et en co-conception morphologie-contrôle, cela ouvre une voie vers des pipelines de génération de designs plus fiables et plus scalables face à des espaces de recherche combinatoires jusqu'ici traités par essais-erreurs coûteux en calcul. Il faut toutefois noter la limite centrale de l'étude: aucune validation matérielle n'est mentionnée, tout repose sur des simulateurs physiques, ce qui laisse ouverte la question classique du "reality gap" entre morphologies optimisées virtuellement et leur fabrication réelle. Les VSR s'inscrivent dans une lignée de recherche initiée par les travaux fondateurs sur l'évolution artificielle de robots modulaires souples, popularisée plus récemment par des systèmes comme les xénobots développés dans des laboratoires américains, où corps et comportement sont co-évolués plutôt que conçus séparément. Les approches historiques s'appuyaient largement sur des algorithmes évolutionnaires classiques de type CPPN-NEAT, qui peinent à passer à l'échelle. MISCO s'inscrit dans une tendance plus large de l'IA où les modèles génératifs profonds remplacent progressivement les heuristiques d'optimisation traditionnelles, y compris en conception mécanique et robotique rigide. Aucun partenariat industriel, pilote ou calendrier de validation physique n'est annoncé à ce stade: le travail demeure une contribution académique et théorique, publiée sans expérimentation sur robot réel.

RecherchePaper

1 source