Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Estimation de l'angle de frottement du sol à partir des historiques de force pied-sol d'un robot : approche bayésienne inverse pour la détection proprioceptive du sol
RecherchearXiv cs.RO 

Estimation de l'angle de frottement du sol à partir des historiques de force pied-sol d'un robot : approche bayésienne inverse pour la détection proprioceptive du sol

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

Une étude publiée sur arXiv (2609.36582) teste si l'angle de frottement interne φ d'un sol sans cohésion peut être déduit de l'historique des forces au contact pied-sol, sans capteur dédié. Les auteurs ne travaillent pas sur un quadrupède complet mais sur une jambe rotative simplifiée. Les données d'entraînement viennent d'un modèle continu bidimensionnel, implémenté avec la méthode des points matériels (MPM) et comparé à des historiques de force mesurés sur cette jambe. Deux modèles de substitution par processus gaussien permettent ensuite une inversion bayésienne sur les historiques complets. Dans des essais à modèle identique, le cadre retrouve 14 angles de frottement absents de la grille d'entraînement. L'erreur absolue médiane est d'environ 0,1 degré, le maximum d'environ 0,7 degré, et les intervalles de crédibilité contiennent la valeur vraie dans tous les cas.

Ce résultat établit une identifiabilité, pas une performance sur le terrain. Dans une expérience « matched-model », les données de test sortent du même type de modèle que celui utilisé pour l'inversion. L'erreur de 0,1 degré est donc une borne optimiste. Elle ne dit rien de l'écart entre simulation et sol réel, ni de l'effet de la cohésion, de l'humidité ou de l'hétérogénéité du terrain. L'intérêt est ailleurs. Si la méthode tient hors de ce cadre, les pieds d'un quadrupède pourraient servir de sonde de résistance du sol, avec une cartographie distribuée et une incertitude quantifiée. Cela servirait à la navigation sur terrain variable, à l'inspection de sites et à des modèles du monde fondés sur la physique pour l'entraînement de robots. Il s'agit d'une recherche amont, sans produit ni pilote.

Les quadrupèdes commerciaux comme Spot (Boston Dynamics) ou ANYmal (ANYbotics, Suisse) exploitent déjà les forces de contact pour la locomotion. En revanche, l'estimation des propriétés du sol reste souvent empirique ou apprise de façon opaque. Les auteurs proposent ici une alternative inverse, ancrée dans la mécanique des milieux granulaires. Les étapes suivantes sont logiques : tester le cas d'un modèle mal spécifié, passer à des jambes et des sols réels, puis à des robots marchants. Les auteurs citent l'évaluation de pentes après un incendie parmi les applications visées. Aucun calendrier n'est annoncé.

Impact France/UE

Pas d\'impact direct sur la France/UE

Dans nos dossiers

Boston DynamicsarXiv cs.RO

À lire aussi

GAIT : estimation proprioceptive de l'état d'un robot à pattes par attention sur tokens inertiels
1arXiv cs.RO 

GAIT : estimation proprioceptive de l'état d'un robot à pattes par attention sur tokens inertiels

Une équipe de chercheurs a publié sur arXiv (2606.14160) une nouvelle méthode d'estimation d'état proprioceptive pour robots à pattes, baptisée GAIT. L'approche repose sur une tokenisation inertielle-jambe (Inertial-Leg, IL) couplée à un réseau d'attention : plutôt que de concaténer l'ensemble des données capteurs en un seul vecteur plat, l'architecture représente les mesures inertielles et les mesures par jambe comme des tokens distincts, puis utilise un mécanisme d'attention pour pondérer dynamiquement chaque source selon les conditions de contact courantes. La méthode a été validée sur un robot quadrupède Unitree Go1, sur des terrains encombrés de débris absents de la simulation d'entraînement, et sur des allures (gait patterns) non présentées lors de l'apprentissage. L'enjeu de GAIT est de résoudre un problème central des estimateurs à pattes : la fiabilité des mesures de cinématique directe dépend du contact effectif du pied avec le sol. Les estimateurs classiques "contact-aided" contournent ce problème via un module de détection de contact explicite et l'hypothèse d'un appui stationnaire, ce qui les rend fragiles sur terrains irréguliers ou lors de transitions d'allure. GAIT apprend ce comportement de repondération directement depuis les données, sans estimateur de contact dédié, éliminant une source d'erreur en cascade. Les résultats montrent une supériorité sur les estimateurs d'apprentissage existants pour des allures non vues, ainsi qu'une amélioration par rapport aux méthodes modèles contact-aided, confirmant que les architectures à attention peuvent réduire le gap sim-to-real sur l'estimation proprioceptive bas-niveau. L'estimation d'état proprioceptive reste un défi persistant en robotique à pattes : les filtres de Kalman étendu (EKF) et variantes invariantes dominent en production chez Boston Dynamics et Unitree, mais peinent sur terrains non structurés. Les approches d'apprentissage antérieures traitaient généralement les capteurs comme un vecteur plat homogène, sans différenciation structurelle entre inertielles et cinématiques. GAIT s'inscrit dans la tendance 2024-2026 d'appliquer des mécanismes d'attention aux données robotiques bas-niveau, une direction convergente avec les architectures VLA (Vision-Language-Action) pour la commande motrice. Le code n'est pas encore publié ; la prochaine étape naturelle serait une validation sur plateformes bipèdes telles que l'Unitree H1 ou le Boston Dynamics Atlas, où la phase de vol rend l'estimation d'état encore plus critique.

RecherchePaper
1 source
Exploration active dans l'apprentissage par renforcement bayésien basé sur un modèle pour la manipulation robotique
2arXiv cs.RO 

Exploration active dans l'apprentissage par renforcement bayésien basé sur un modèle pour la manipulation robotique

Des chercheurs de l'Université de Saragosse (groupe ropertunizar) publient la version 3 d'un article sur l'exploration active dans l'apprentissage par renforcement basé sur modèle (MBRL) bayésien, appliqué à la manipulation robotique. Le principe: construire un modèle dynamique du robot afin de mener l'essentiel de l'apprentissage de la politique en simulation, ce qui limite le coût de collecte de données réelles et permet de réutiliser ces données d'une tâche à l'autre. Les auteurs emploient l'apprentissage profond bayésien (BDL) à double fin. D'abord, améliorer la calibration du modèle, donc la fiabilité de ses estimations d'incertitude. Ensuite, accroître l'efficacité en données: pendant une phase d'exploration préliminaire, le système estime le gain d'information de chaque transition et l'utilise comme récompense d'exploration. Plusieurs méthodes BDL sont comparées dans une configuration de manipulation réaliste. Le code est publié en open source sur GitHub. Il s'agit d'un travail académique, sans produit ni déploiement industriel annoncé. Pour les intégrateurs et les équipes R&D, le résultat revendiqué est que cette approche atteint la qualité d'alternatives pertinentes avec nettement moins d'exécution sur le robot réel. Or le temps robot reste l'un des principaux postes de coût et de risque dans l'apprentissage de politiques de manipulation. Le point méthodologique le plus notable tient à la validation: les travaux antérieurs de ce type étaient testés surtout sur des environnements RL standards, alors que celui-ci traite des tâches de bras robotisé dans un simulateur de manipulateur complet, CoppeliaSim. C'est un cran plus proche des conditions réelles, mais cela reste de la simulation. L'abstract ne chiffre ni la réduction du temps d'exécution, ni les tâches, ni le robot, et ne présente aucun transfert sim-to-real sur matériel. Il faut donc lire « beaucoup moins d'exécution robot » avec prudence tant que les chiffres du texte complet n'ont pas été examinés. Ce travail s'inscrit dans une tendance de fond: face au coût des données robotiques, une partie de la communauté mise sur le MBRL et l'exploration guidée par l'incertitude, tandis qu'une autre, très visible côté humanoïdes, parie sur les grands modèles vision-langage-action entraînés sur d'énormes volumes de démonstrations. Ces deux voies ne sont pas exclusives: un modèle dynamique bien calibré pourrait servir à générer des données synthétiques ou à affiner des politiques pré-entraînées. La publication d'une troisième version indique un processus de révision abouti, mais les suites concrètes, comme des essais sur bras physiques ou des comparaisons avec des politiques généralistes, ne sont pas annoncées. L'ouverture du code permet à d'autres équipes de reproduire les résultats et de tester la méthode sur leurs propres cellules de manipulation.

UETravail académique de l'Université de Saragosse (Espagne) dont le code open source peut être réutilisé par les équipes de R&D européennes en manipulation robotique.

RecherchePaper
1 source
Ancrage auto-supervisé de la perception tactile à la proprioception et aux actions proactives pour l'apprentissage par imitation robotique
3arXiv cs.RO 

Ancrage auto-supervisé de la perception tactile à la proprioception et aux actions proactives pour l'apprentissage par imitation robotique

Publiée sur arXiv le 25 septembre 2026 sous la référence 2609.29822, une étude propose PROPRA, une méthode de pré-entraînement pour l'apprentissage par imitation en robotique de manipulation à partir de capteurs placés au bout des doigts. Le constat de départ : les caméras externes peinent à capter la proximité d'un objet, l'instant du contact ou l'état de la préhension, souvent occultés par la main du robot. L'équipe combine un capteur tactile sensible à la pression, informatif après contact, et un capteur de proximité réfléchissant, informatif avant contact, chacun couplé à un encodeur pré-entraîné. Ajouter naïvement ces signaux à une politique de contrôle dégrade parfois les performances par rapport à une politique vision seule. PROPRA aligne indépendamment l'historique de chaque capteur avec la proprioception et les actions du robot, offrant une référence sensorimotrice disponible en continu. Sur des tâches de manipulation réelles, la méthode améliore le taux de succès moyen face aux baselines vision seule et pré-entraînement ancré sur l'image, en préservant mieux les informations sur les états pré-contact. Le résultat clé pour un intégrateur n'est pas le gain de performance en soi, mais le constat qui l'accompagne : multiplier les capteurs sur une main robotique ne suffit pas, et peut même dégrader une politique apprise par imitation si le signal est mal intégré. Cela contredit l'hypothèse selon laquelle empiler vision, tactile et proximité améliore mécaniquement la manipulation, alors que l'industrie mise sur des modèles vision-langage-action multimodaux entraînés à grande échelle. Pour les concepteurs de mains équipées de capteurs tactiles piézorésistifs, capacitifs ou optiques, l'alignement entre modalités sensorielles et proprioception devient nécessaire pour rentabiliser l'investissement matériel, notamment pour l'assemblage de petites pièces ou la manipulation d'objets fragiles. Le transfert en manipulation fine ne se résume donc pas au seul écart simulation-réel : même avec des données réelles, fusionner des signaux épars et asynchrones reste difficile quand les démonstrations disponibles pour une tâche restent rares. L'étude s'inscrit dans un champ de recherche actif sur l'intégration tactile dans l'apprentissage par imitation, où le pré-entraînement ancré sur l'image, utilisé ici comme référence de comparaison, reste l'approche dominante. Menés par le chercheur Tomohiro Motoda, les travaux positionnent PROPRA comme une alternative en misant sur la proprioception, continue, comme point d'ancrage pour des signaux tactiles et de proximité discontinus par nature. Le code et les détails méthodologiques sont annoncés sur une page de projet dédiée, sans calendrier de diffusion ni partenariat industriel évoqué. Il s'agit pour l'instant d'un résultat de recherche validé sur des tâches de manipulation réelles en laboratoire, non d'un produit commercialisé ni d'un déploiement chez un intégrateur.

RecherchePaper
1 source
FootQuery : récupération guidée par le point de pose futur du pied à partir de l'historique de profondeur pour la locomotion humanoïde perceptive
4arXiv cs.RO 

FootQuery : récupération guidée par le point de pose futur du pied à partir de l'historique de profondeur pour la locomotion humanoïde perceptive

Un article publié sur arXiv (2609.21447) présente FootQuery, un framework de locomotion perceptive pour robots humanoïdes, conçu pour les terrains complexes où le point d'appui futur d'un pied sort du champ de la caméra embarquée avant le contact, en raison de la couverture limitée des capteurs et de l'auto-occlusion du robot. À partir de la seule proprioception, le système prédit la position et l'incertitude du prochain appui de chaque pied pour interroger un historique d'images de profondeur, une récupération supervisée à l'entraînement par reprojection des contacts réels et fusionnée à une mémoire visuelle globale pour générer les commandes de contrôle. Testé sur un robot Unitree G1 équipé uniquement de proprioception et d'une caméra de profondeur, il assure une traversée continue avec une seule politique, sur escaliers extérieurs et parcours intérieurs combinant montée, descente, plateformes et trous. L'enjeu dépasse la prouesse technique : la locomotion humanoïde perceptive bute depuis longtemps sur l'écart entre le champ de vision des caméras embarquées et les besoins de planification des appuis, un robot qui ne voit plus la marche à venir devant ralentir ou deviner. En montrant qu'une politique unique, entraînée en simulation puis transférée sans réglage spécifique au terrain, gère escaliers, trous et plateformes avec pour seuls capteurs la proprioception et une caméra de profondeur, ce travail appuie le transfert sim-to-real pour la locomotion bipède, un signal utile pour les intégrateurs évaluant la robustesse d'humanoïdes sur sites accidentés. Il s'agit toutefois d'un résultat de recherche en prépublication, non d'un produit commercial : le Unitree G1 sert ici de plateforme de recherche. Ce travail s'inscrit dans une recherche plus large sur la locomotion perceptive des robots à pattes, entre politiques aveugles fondées sur la proprioception et approches combinant vision et apprentissage par renforcement, utilisées par les équipes derrière Unitree (G1, H1), Boston Dynamics (Atlas) ou Figure. FootQuery cible spécifiquement la perte d'information due à l'auto-occlusion et au champ de vision restreint des caméras embarquées, plutôt qu'un système générique supplémentaire. L'article ne mentionne ni partenariat industriel, ni calendrier de produit, ni acteur français ou européen : la validation à plus grande échelle, sur davantage de terrains et de robots, reste l'étape suivante avant toute application industrielle.

RecherchePaper
1 source