RecherchearXiv cs.RO 1 octobre 2026

Optimiser, apprendre, affiner : préhension du corps entier et lancer avec un robot souple en spirale

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs ont mis au point un cadre d'optimisation qui permet à un robot continu souple en spirale de saisir et de lancer des objets avec tout son corps, à partir d'un état initial où rien n'est encore saisi. La méthode, décrite dans un preprint arXiv (v1, non évalué par les pairs), repose sur une optimisation dans l'espace d'actionnement guidée uniquement par le résultat. La saisie est mesurée par le balayage angulaire de la pointe et par l'enveloppement de l'objet par le corps du robot. Le lancer ajoute l'alignement de la direction de relâchement et une vitesse minimale à la libération. Aucune force de contact, position de contact ou configuration du corps n'est prescrite : saisie, accélération et relâchement émergent de l'interaction compliante. En simulation, le système réussit 492 saisies sur 500 (98,4 %) et affiche 98 %, 97 % et 94 % de réussite sur trois directions de lancer. Sur le matériel, les auteurs rapportent 100 % de réussite sur 50 saisies et sur 30 lancers (10 par direction).

L'intérêt tient à la difficulté de fond : la manipulation corps entier par des robots souples, où les contacts changent en permanence, échappe aux méthodes de planification classiques. La relation entre commande et résultat est non lisse, d'où le recours à CMA-ES, un algorithme d'optimisation sans dérivées. Le cadre « optimiser, apprendre, affiner » fonctionne en trois temps : CMA-ES produit des solutions pour des conditions échantillonnées, un prédicteur conditionné par la tâche apprend des points de départ, puis CMA-ES les raffine pour des conditions inédites. Le gain est mesurable : le taux de saisie passe de 78,6 % à 98,4 % et le nombre médian de simulations par optimisation chute de 1184 à 816. Il faut toutefois relativiser. Les scores de 100 % reposent sur de petits échantillons (30 à 50 essais), le résumé ne précise ni les objets, ni leur masse, ni leur diversité, et l'écart entre simulation et matériel n'est pas chiffré. Il s'agit d'un résultat de laboratoire, sans produit ni déploiement associé.

Ce travail s'inscrit dans l'essor des robots continus et souples, qui visent des tâches où la compliance répartie est un avantage : objets fragiles, environnements encombrés, contacts incertains. Il se distingue de la ligne dominante des humanoïdes et des modèles vision-langage-action (VLA), qui apprennent des politiques par imitation ou par apprentissage par renforcement sur des préhenseurs rigides. Ici, l'apprentissage reste léger : il sert uniquement à initialiser une optimisation. Le résumé ne mentionne ni acteur industriel ni calendrier de transfert. Les suites probables sont des tests avec des objets plus variés, des charges plus lourdes et une validation en boucle fermée avec retour perceptif, étapes nécessaires avant toute application logistique ou industrielle.

Impact France/UE

Pas d\'impact direct sur la France/UE

Dans nos dossiers

IA physique & VLA arXiv cs.RO

À lire aussi

1arXiv cs.RO

Apprentissage de la préhension pour atteindre des poses 6D générales avec un objet en main

Des chercheurs ont publié sur arXiv (2609.13761) un système nommé POISE, pour Palm-relative Object reaching In SE(3), qui permet à une main robotique multi-doigts de déplacer un objet déjà saisi vers une pose cible en position et orientation, soit six degrés de liberté, sans le relâcher ni le regripper. L'architecture combine apprentissage par renforcement sim-to-real, initialisation par prises stables diversifiées, contrôle conditionné par la géométrie de l'objet et curriculum adaptatif de cibles 6D. En simulation, diversifier les prises initiales fait grimper la réussite sur des prises inédites de 40,1% à 51,5%, et la récupération après chute d'objet de 33,8% à 72,9%; le curriculum porte la réussite sur l'ensemble des poses possibles de 6,2% à 59,5%. Sur le robot physique, la récompense de maintien de prise fait passer la réussite d'une séquence de trois cibles de 20% à 80%; le système atteint ensuite des cibles 6D successives sans réinitialisation manuelle, sur plusieurs objets et orientations de poignet, en récupérant de perturbations externes. Ce travail comble un manque des méthodes de manipulation dextre actuelles, souvent limitées à la rotation continue ou à la translation isolée plutôt qu'au contrôle conjoint de position et d'orientation depuis une prise existante. Pour les intégrateurs industriels, cette capacité peut réduire les cycles de reprise de prise et les déplacements de bras lors du repositionnement de pièces en assemblage fin ou en logistique. L'écart entre 6,2% et 59,5% selon la présence du curriculum montre toutefois que le sim-to-real reste fragile sur cette tâche 6D complète. Il s'agit d'une prépublication non évaluée par les pairs, testée en laboratoire, sans main robotique commerciale nommée ni volume ou prix annoncés. La recherche s'inscrit dans le champ de la manipulation dextre multi-doigts, où les démonstrations publiques se limitent souvent à la réorientation par rotation ou à des repositionnements grossiers, plutôt qu'au contrôle simultané des six degrés de liberté. Elle se distingue des politiques génériques de type VLA, telles que celles associées aux modèles Pi-0 ou GR00T N2, en ciblant spécifiquement la sous-tâche de repositionnement en main plutôt qu'un contrôle de bout en bout. Les auteurs annoncent la publication du code sur un site dédié au projet, sans calendrier de pilote industriel ni partenaire matériel précisé, et aucun acteur français ou européen n'apparaît dans cette publication.

RecherchePaper

1 source

2arXiv cs.RO

SwingBot : un robot humanoïde apprend la brachiation en contrôle corps entier

Publié sur arXiv (2609.10283) en septembre 2026, SwingBot est un système d'apprentissage permettant à un robot humanoïde muni de crochets passifs aux poignets de traverser des barres en continu par brachiation, en se balançant de l'une à l'autre comme un primate. Le défi tenait à coordonner une longue séquence lâcher-balancement-rattrapage mobilisant tout le corps, sans mesure fiable de la position des segments ni de l'état de contact du crochet. La méthode combine des keyframes biomimétiques et une estimation d'état récurrente fournissant des latents de position et de contact pour le déploiement. Les essais matériels démontrent une traversée continue robuste aux charges utiles, aux perturbations et à l'espacement des barres, sans que l'abstract précise la plateforme ni de chiffres comme le nombre de degrés de liberté. Cette avancée importe parce qu'elle ouvre un mode de locomotion complémentaire à la marche bipède, utile quand le sol est encombré, dangereux ou impraticable, par exemple sur un chantier, en zone sinistrée ou en hauteur. La recherche en locomotion humanoïde se concentre surtout sur la marche au sol ; élargir le répertoire de mouvement au haut du corps reste peu exploré. Que la démonstration ait eu lieu sur matériel réel, et non seulement en simulation, est notable dans un secteur où beaucoup de démonstrations restent cantonnées à la vidéo, et suggère que le transfert simulation-vers-réel, ardu ici faute de capteurs fiables sur l'état de contact, reste gérable. Pour les intégrateurs, ce travail demeure toutefois un résultat de recherche précoce, sans déploiement ni pilote commercial annoncé. La brachiation, étudiée en biomécanique animale, avait déjà inspiré des robots grimpeurs spécialisés de type gibbon, dédiés à cette seule tâche. L'étendre à des humanoïdes à haut nombre de degrés de liberté, qui gèrent un élan corporel plus complexe et des contacts alternés impliquant tout le corps, distingue SwingBot de ces travaux antérieurs. L'article ne mentionne aucun acteur commercial du secteur des humanoïdes ; il s'agit d'une contribution académique, sans calendrier de pilote industriel ni de suite commerciale évoquée, présentée comme une démonstration de faisabilité ouvrant la voie à de futurs travaux sur l'intégration de la brachiation dans des humanoïdes polyvalents.

RecherchePaper

1 source

3arXiv cs.RO

HULK : apprendre la locomanipulation de force du corps entier pour les robots humanoïdes

Des chercheurs ont publié sur arXiv (octobre 2026) HULK, un cadre de contrôle du corps entier destiné à la manipulation locomotrice « avec force » sur robots humanoïdes, c'est-à-dire le transport d'objets volumineux et lourds. Le principe repose sur une commande prédictive (MPC) qui guide l'apprentissage par renforcement grâce à des prédictions de la dynamique en charge. Deux politiques « enseignantes » sont entraînées : l'une suit des mouvements de bras sous forces appliquées aux poignets, l'autre marche en tenant un grand objet plaqué contre le corps. Une fonction barrière de contrôle fondée sur le « capture point » vient renforcer l'enseignante des poignets pendant l'entraînement pour préserver l'équilibre sous charge. Les deux enseignantes sont ensuite distillées en une seule politique. L'évaluation couvre la simulation et le Unitree G1. En simulation, l'enseignante dotée de la barrière affiche les erreurs de suivi de vitesse avant et latérale les plus faibles parmi les contrôleurs comparés, à 10 kg par bras, et réduit de 35,7 % l'excursion agrégée du mouvement divergent (DCM) par rapport au seul apprentissage guidé par MPC. Elle résiste à des poussées sur le torse allant jusqu'à 130 N. L'intérêt tient au problème ciblé. La plupart des politiques de locomotion apprises pour humanoïdes sont entraînées à vide ou avec des charges légères, alors que les usages logistiques et industriels impliquent des caisses, bacs ou cartons qui déplacent le centre de masse et imposent un effort soutenu sur tout le haut du corps. En injectant la dynamique chargée dans l'entraînement, HULK s'attaque à l'un des écarts entre démonstrations et exploitation réelle. Le chiffre de 10 kg par bras reste toutefois à relativiser : il est obtenu en simulation, sur une plateforme G1 de taille et de puissance modestes, et l'article ne fournit, dans ce résumé, ni temps de cycle, ni taux de réussite sur matériel, ni durée de port. La réduction de 35,7 % du DCM est un gain relatif entre variantes de la même méthode, pas une performance absolue. La preuve d'une robustesse en conditions réelles, avec des objets variés et des sols imparfaits, reste à faire. HULK s'inscrit dans la vague des approches « teacher-student » et de contrôle du corps entier par apprentissage, déjà largement testées sur le G1 pour la marche, le saut ou les mouvements expressifs, et dans la recherche de bases communes entre MPC, qui apporte des garanties physiques, et RL, qui apporte la robustesse. Les acteurs industriels, dont Figure, Tesla avec Optimus et Agility, visent des charges utiles plus élevées sur des machines propriétaires, sans publier leurs méthodes de contrôle. Ici, il s'agit d'une contribution académique, sans produit ni pilote annoncé. La suite logique serait un transfert sur des humanoïdes plus grands et des charges réelles plus lourdes, avec des mesures publiées sur matériel.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

4arXiv cs.RO

MPC adaptatif du corps entier avec planification de posture optimale pour robots humanoïdes sous charges utiles inconnues

Des chercheurs proposent une architecture de commande « corps entier » adaptative pour qu'un robot humanoïde conserve son équilibre lorsqu'il soulève ou transporte une charge dont la masse est inconnue et variable. Le travail, publié sur arXiv (2610.12972), associe trois briques. La première est un contrôleur prédictif par modèle (MPC) centroïdal, qui génère des mouvements de référence dynamiquement réalisables. La deuxième est un contrôleur d'équilibre adaptatif à logique floue. Il compense l'écart de modèle induit par la charge en produisant des couples correctifs répartis sur les articulations de la jambe d'appui. La troisième est un planificateur de posture optimal fondé sur des points de passage et sur un modèle à triple intégrateur. Il produit des trajectoires lisses de passage assis-debout et debout-assis, qui respectent les contraintes de stabilité du centre de masse (CoM), les limites articulaires et la faisabilité du corps entier. L'ensemble doit permettre d'abaisser le robot, de saisir, soulever, porter puis déposer un objet. Les auteurs annoncent des essais en simulation et sur matériel réel, avec une meilleure robustesse d'équilibre et une moindre dégradation du suivi de trajectoire que des références non adaptatives. Le résumé ne donne ni la plateforme utilisée, ni les masses testées, ni les gains chiffrés. L'enjeu est concret pour la manutention. Un humanoïde en entrepôt ou en usine ne connaît presque jamais la masse exacte de ce qu'il prend, et une charge mal estimée déplace le centre de masse et dégrade le suivi des contrôleurs nominaux. Beaucoup de démonstrations actuelles, avec des charges légères et connues, masquent cette difficulté. Cette approche, qui traite l'incertitude de charge par une adaptation en ligne plutôt que par une identification préalable, va dans le sens d'une robustesse exigée par les intégrateurs. Le choix d'un contrôleur flou adaptatif, léger en calcul, par-dessus un MPC, est aussi un compromis intéressant face aux politiques apprises de bout en bout (VLA, apprentissage par renforcement). Ces dernières gèrent mal les perturbations hors distribution et restent difficiles à certifier. Il faut toutefois rester prudent : il s'agit d'un preprint non évalué par les pairs, sans charge maximale ni taux de réussite publiés, et la comparaison porte sur des références non adaptatives, non sur l'état de l'art industriel. Ce travail s'inscrit dans une lignée bien établie : MPC centroïdal et commande du corps entier, popularisés par les plateformes de Boston Dynamics, d'Agility Robotics ou par les travaux académiques sur Atlas, Digit et les humanoïdes de recherche. L'adaptation à la charge y reste un point faible, alors que les acteurs commerciaux (Figure, Tesla avec Optimus, Agility, Apptronik) visent des tâches de logistique avec des caisses de plusieurs kilos. En parallèle, les approches apprises (GR00T, Pi-0, Helix) dominent la communication, mais les contrôleurs basés sur un modèle gardent l'avantage de la prévisibilité. Les suites logiques seront la publication du code et des charges testées, une validation sur des plateformes variées et une confrontation directe avec des méthodes hybrides mêlant MPC et apprentissage.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source