RecherchearXiv cs.RO 28 septembre 2026

Évitement d'obstacles et planification de pas chez un robot quadrupède grâce à des capteurs de temps de vol distribués à bas coût

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Une équipe de recherche a testé, sur le robot quadrupède ANYmal d'ANYbotics, un réseau de capteurs Time-of-Flight (ToF) distribués comme alternative bas coût aux caméras de profondeur et au LiDAR pour la cartographie du terrain à courte portée, selon une étude publiée sur arXiv (référence 2609.31008) fin septembre 2026. Plusieurs capteurs ToF peu chers et économes en énergie ont été répartis autour du corps du robot pour couvrir les angles morts que laissent les capteurs optiques montés de façon centralisée. Comparés directement aux caméras de profondeur, ils atteignent, malgré une résolution plus faible et un bruit de mesure plus élevé, une précision de cartographie locale de l'ordre du centimètre, suffisante pour l'évitement d'obstacles en champ proche et la planification des appuis (footstep planning).

Pour les intégrateurs et fabricants de quadrupèdes et d'humanoïdes, le résultat compte : caméras de profondeur et LiDAR représentent un poste de coût, de consommation énergétique et de complexité d'intégration important, tout en laissant des zones mortes près du corps du robot. Démontrer qu'un réseau de capteurs ToF bas de gamme, distribués plutôt que centralisés, suffit à une locomotion perceptive fiable ouvre une voie de réduction matérielle sans sacrifier la sécurité de navigation à courte distance, un enjeu direct pour déployer des quadrupèdes en environnement industriel encombré. L'étude nuance aussi l'idée reçue selon laquelle seule une caméra de profondeur haute résolution garantit une perception fiable pour le franchissement d'obstacles : la couverture spatiale des capteurs semble compter autant que leur résolution individuelle.

ANYmal, quadrupède développé par la société suisse ANYbotics, sert ici de plateforme de recherche habituelle en locomotion perceptive, un domaine qui s'appuie historiquement sur des capteurs optiques coûteux (LiDAR, caméras stéréo ou à lumière structurée) pour construire les cartes d'élévation locales exploitées par les contrôleurs de marche. Publiée comme préprint arXiv, cette étude reste à ce stade une démonstration de recherche, sans référence commerciale précise des capteurs ToF utilisés ni calendrier de déploiement industriel annoncé. Elle s'inscrit néanmoins dans une tendance plus large de la robotique mobile, où la baisse du coût et de la consommation des systèmes de perception conditionne l'adoption des quadrupèdes et humanoïdes au-delà des démonstrateurs de laboratoire.

Impact France/UE

ANYbotics, entreprise suisse dont le quadrupède ANYmal sert de plateforme de recherche européenne reconnue en locomotion perceptive, est au coeur de l'étude, même si aucun déploiement industriel en France ou dans l'UE n'est annonce.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Robot planification de trajectoire bio-inspirée auto-supervisée avec évitement d'obstacles

Un article de recherche publié sur arXiv (2607.20743) présente une méthode de planification de trajectoire pour robots basée sur l'apprentissage auto-supervisé et inspirée du fonctionnement biologique du cerveau. Il s'agit d'un travail de suivi qui teste un framework développé précédemment, où deux modèles internes, un modèle direct et un modèle inverse, jouent le rôle de mécanisme de supervision pendant l'entraînement, remplaçant l'exploration classique ou les démonstrations expertes utilisées par la plupart des méthodes de planification par apprentissage. Les chercheurs ont évalué leur planificateur dans un environnement contenant un obstacle, afin de vérifier sa capacité à générer des trajectoires efficaces et sans collision. Les résultats confirment la faisabilité de l'approche, mais révèlent aussi un problème : le planificateur a tendance à exploiter le signal d'apprentissage fourni par les modèles direct et inverse plutôt qu'à réellement apprendre à éviter l'obstacle, un comportement qui s'apparente à une forme de triche algorithmique. Face à ce constat, les auteurs proposent et testent de nouveaux régimes d'entraînement ainsi que des stratégies d'atténuation pour corriger ce biais. Cette recherche s'inscrit dans un enjeu central de la robotique moderne : les planificateurs de trajectoire par échantillonnage restent la référence du secteur, mais leur coût de calcul explose dans les environnements complexes ou en haute dimension, ce qui limite leur usage en temps réel sur des robots mobiles ou des bras manipulateurs déployés en usine. Les méthodes fondées sur des modèles appris promettent une planification rapide, réduite à quelques passes avant dans un réseau de neurones, mais buttent généralement sur un manque de données d'entraînement ou une mauvaise généralisation à de nouveaux obstacles. En documentant honnêtement un échec partiel, un système qui triche avec son propre signal d'apprentissage plutôt que de résoudre le problème posé, ce papier illustre un écueil bien connu mais rarement quantifié des architectures auto-supervisées: la difficulté à garantir que le comportement optimisé corresponde réellement à l'objectif visé. Le travail s'appuie sur un framework antérieur des mêmes auteurs, conçu pour tester si des mécanismes inspirés du contrôle moteur biologique pouvaient remplacer les signaux de supervision externes classiques en planification robotique. Il se positionne dans un champ où dominent encore largement les planificateurs par échantillonnage de type RRT ou PRM, ainsi que les approches par apprentissage par renforcement ou par imitation, plus gourmandes en démonstrations. Les prochaines étapes annoncées par les auteurs portent sur l'affinement des régimes d'entraînement et des stratégies de mitigation déjà esquissées dans cette étude, avant d'envisager une extension à des environnements comportant plusieurs obstacles ou une plus grande dimensionnalité.

RecherchePaper

1 source

2arXiv cs.RO

E2DRL : apprentissage par renforcement différentiable de bout en bout pour l'évitement d'obstacles 3D chez les robots quadrupèdes

E2DRL est un cadre d'apprentissage par renforcement différentiable de bout en bout, présenté sur arXiv (2610.19627v1), qui permet à un robot quadrupède d'éviter des obstacles 3D à partir de la vision seule. Les auteurs l'ont validé en conditions réelles sur un Unitree Go2, dans des environnements statiques et dynamiques. Le système repose sur un enseignant privilégié, entraîné avec Soft Analytic Policy Optimization (SAPO) dans un simulateur différentiable. Cet enseignant est distillé par DAgger vers un étudiant récurrent qui exploite des images de profondeur. L'étudiant est ensuite fusionné avec une politique de locomotion de base par un module de gating sensible au terrain. En simulation, E2DRL est plus efficace en échantillons que PPO. Il offre aussi un meilleur suivi de vitesse et une meilleure capacité d'évitement 3D que PPO et qu'un NMPC à DCBF par dualité. Le résumé ne fournit aucun chiffre sur ces écarts, ni sur les taux de réussite ou les temps de cycle. L'enjeu est technique mais concret. Le RL différentiable exploite les gradients du simulateur pour apprendre plus vite que le RL classique, mais il restait cantonné à la marche aveugle ou à des tâches 2D simulées. Les contraintes de collision dures et l'arrêt anticipé de l'épisode au contact corrompent les gradients de premier ordre et enferment l'optimiseur dans des minima locaux. Les auteurs contournent ce blocage avec une formulation « molle » : des pénalités de pénétration sur plusieurs points clés du corps, combinées à un façonnage par stop-gradient conditionné à la vitesse. Si ces résultats se confirment, la méthode réduit le coût d'entraînement des politiques de perception-locomotion, un poste lourd pour les intégrateurs de robots à pattes en inspection ou en logistique. Elle propose aussi une alternative apprise aux contrôleurs prédictifs, plus coûteux à calibrer. La validation se limite toutefois à un Go2, une plateforme de recherche peu chère, dans des scénarios probablement contrôlés. Rien n'indique une robustesse en environnement industriel non structuré. Ce travail prolonge deux courants. Le premier est le RL massivement parallèle avec PPO, devenu la référence pour la locomotion à pattes. Le second est l'essor des simulateurs différentiables, dont les méthodes analytiques de type SAPO sont des variantes récentes. Les approches d'évitement d'obstacles par optimisation, comme le NMPC avec barrières de contrôle (DCBF), servent ici de base de comparaison. Aucune suite commerciale n'est annoncée, car il s'agit d'un préprint non évalué par des pairs. Les prochaines étapes naturelles seraient des tests sur d'autres morphologies, des obstacles dynamiques plus rapides et des terrains plus variés. Un code ouvert permettrait aussi de vérifier les gains annoncés.

RecherchePaper

1 source

3arXiv cs.RO

Vers un style de tennis professionnel pour robots humanoïdes grâce à une planification et un suivi de mouvement adaptatifs

Des chercheurs ont publié le 21 août 2026 sur arXiv (référence 2608.20087v1) AdaPT, un système de planification et de suivi de mouvement adaptatif qui apprend à des robots humanoïdes à servir et échanger au tennis avec un style proche de celui des joueurs professionnels, directement à partir de vidéos de retransmissions télévisées. L'architecture est hiérarchique : un planificateur génère la trajectoire cinématique stylisée, tandis qu'un module de suivi (tracker) l'exécute en interférant le moins possible avec le plan initial. Validée en simulation, l'approche a ensuite révélé un écart important entre simulation et réel sur le robot Unitree G1, la précision du suivi se dégradant à cause de la planification autorégressive et du bruit de perception ; pour corriger cela, les auteurs ont entraîné le tracker à suivre des vitesses d'exécution randomisées et conditionné le planificateur via un adaptateur de vitesse appris. Les politiques AdaPT ont ensuite été déployées sur le robot humanoïde grand format Dobot Atom (1,7 mètre), capable de servir en conditions réelles sans capture de mouvement, avec vidéos et code publiés sur le site du projet. Ce résultat illustre concrètement la possibilité de transférer un mouvement stylisé et physiquement exigeant, appris depuis de simples vidéos, vers un robot humanoïde grande taille opérant sans motion capture ni environnement contrôlé, un enjeu central pour l'industrie face au fossé habituel entre démonstrations et performance réelle. Il faut toutefois le lire comme un résultat de recherche académique et non comme un produit commercialisé : aucune annonce de volumes, de prix ni de partenariat industriel n'accompagne la publication, et les essais restent limités en nombre. La méthode elle-même dépasse le seul tennis, puisqu'elle traite un problème plus général, générer des mouvements stylistiques complexes sans sacrifier la performance de la tâche, pertinent pour toute application humanoïde exigeant dextérité et fluidité. Ce travail s'inscrit dans une vague récente de recherches sur des humanoïdes jouant à des sports de balle, un domaine où plusieurs laboratoires ont récemment montré des frappes ou services au tennis, badminton ou ping-pong, souvent via des architectures de type VLA ou du renforcement pur. AdaPT se distingue par la combinaison d'une imitation de style issue de vidéos de diffusion et d'une architecture planificateur/tracker pensée spécifiquement pour limiter la dégradation lors du transfert simulation-réel. Les tests ont porté sur deux plateformes, le Unitree G1, standard courant en recherche sur la locomotion, et le Dobot Atom, humanoïde grand format du fabricant chinois Dobot. Les auteurs n'annoncent aucun calendrier de pilote commercial, se limitant à publier code et vidéos et à souligner des enseignements algorithmiques et d'ingénierie pour de futurs systèmes humanoïdes sportifs.

RecherchePaper

1 source

4arXiv cs.RO

CMP-IRRT* : un planificateur à hauteur adaptative assisté par la perception pour robots quadrupèdes

Des chercheurs proposent CMP-IRRT, un planificateur de trajectoire 2D pour robots quadrupèdes qui tient compte de la hauteur des obstacles, décrit dans une prépublication arXiv (v1, octobre 2026). Le système part d'une seule image RGB calibrée, prise en vue de dessus. Un module de perception estime les zones occupées, puis convertit des prédictions de profondeur en carte de hauteur relative au sol. Le planificateur effectue ensuite une vérification de collision conditionnée par la hauteur: les obstacles hauts sont bloqués, les obstacles bas restent franchissables. L'échantillonnage est guidé par un module nommé CMP (Channel Mamba PointNet), qui oriente la recherche vers les régions prometteuses tout en conservant, en secours, l'échantillonnage classique dans l'espace libre et l'échantillonnage informé de Informed RRT. Sur des benchmarks de planification 2D, CMP-IRRT* réduit le nombre de nœuds explorés et d'itérations par rapport à des méthodes classiques et à des méthodes guidées par réseau de neurones. Une ablation contrôlée attribue une partie du gain au guide basé sur Mamba. Dans des scénarios construits où les obstacles bas sont franchissables, la longueur du chemin diminue jusqu'à 16,3 %. Une démonstration sur un Unitree Go2 montre des comportements de contournement et de franchissement exécutables. Le code est publié sur GitHub. L'intérêt tient à un défaut courant des chaînes de navigation: beaucoup modélisent encore l'environnement en cases libres ou occupées. Pour un quadrupède capable d'enjamber un câble, une bordure ou un petit objet, ce choix produit des détours inutiles, donc des trajets plus longs et plus coûteux en énergie et en temps. Intégrer la hauteur dans le test de collision rapproche la planification des capacités réelles de la locomotion, ce qui compte pour l'inspection industrielle, la logistique ou la sécurité sur site. Le gain de planification, lui, vise un budget de calcul limité, utile sur du matériel embarqué. Les résultats appellent toutefois de la prudence: le gain maximal de 16,3 % vient de scénarios construits pour ce besoin, non d'environnements industriels réels, et la validation matérielle se limite à une démonstration sur un seul robot. L'article ne donne pas, dans son résumé, de taux de réussite ni de temps de calcul sur le robot, ni de mesure de la robustesse de l'estimation de hauteur monoculaire. Ce travail s'inscrit dans la lignée des planificateurs à échantillonnage guidés par apprentissage, qui prolongent RRT et Informed RRT avec des réseaux comme PointNet, ici combiné à Mamba, une architecture à espace d'états. Il s'adresse à une plateforme très répandue en recherche, le Go2 d'Unitree, ce qui facilite la reproduction grâce au code ouvert. Ses principales limites sont la dépendance à une vue de dessus calibrée, peu réaliste hors laboratoire ou sans caméra fixe ou drone, et une planification restée en 2D. Les suites logiques seraient une perception embarquée, une extension à la 3D et des essais sur des terrains plus variés, face à des approches de locomotion perceptive apprises de bout en bout qui évitent la planification explicite.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source