RecherchearXiv cs.RO 5 octobre 2026

Affinage tenant compte du filtre pour un suivi sûr du corps entier d'un robot humanoïde

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs publient sur arXiv (2610.02341) CoFiT, pour Constrained Filter-aware Tuning, une méthode de fine-tuning qui adapte un tracker de mouvement humanoïde pré-entraîné à la présence d'un filtre de sécurité. Le tracker est une politique d'apprentissage par renforcement qui suit une référence fournie par un planificateur, un téléopérateur ou un générateur de mouvement. Le filtre, de type control barrier function (CBF), corrige les sorties de la politique à l'exécution pour respecter de nouvelles contraintes. Les auteurs testent la méthode sur deux trackers existants, TWIST2 et SONIC, dans diverses scènes de contraintes. Par rapport à un entraînement limité au filtre seul, CoFiT réduit le temps de violation de 91 % sur TWIST2 et de 21 % sur SONIC, avec des corrections du filtre moins importantes. Sur un Unitree G1 réel, la réduction atteint 83 % pour TWIST2. Tous les essais se terminent sans intervention de l'opérateur, contre 50 % d'essais de référence qui ont exigé un arrêt manuel. Le nombre d'essais n'est pas précisé dans le résumé.

L'intérêt tient au constat que tracker et filtre de sécurité ne peuvent pas être conçus séparément. Le filtre modifie les actions exécutées, donc aussi la distribution des états que la politique rencontre, ce qui crée des écarts de dynamique, d'objectif et d'information entre ce que le tracker a appris et ce qu'il subit. Pour un intégrateur, l'architecture « référence, tracker RL, filtre CBF » ne garantit donc pas la sécurité par simple empilement. Le fine-tuning d'un tracker existant, sans réentraînement complet, offre une voie pragmatique vers le déploiement en environnement non structuré. L'écart de gain entre TWIST2 (91 %) et SONIC (21 %) signale toutefois que le bénéfice dépend fortement du tracker de départ. La validation matérielle repose sur un seul robot, le G1, un humanoïde de recherche à faible coût, et sur des scénarios de contraintes dont la complexité reste à examiner dans l'article complet.

Ce travail s'inscrit dans la généralisation des contrôleurs de suivi de mouvement du corps entier, devenus la couche d'exécution standard de la téléopération et des politiques pilotées par des modèles génératifs. Les CBF fournissent depuis longtemps des garanties de sécurité en robotique, mais surtout sur des systèmes plus simples. Il s'agit d'une prépublication v1, non évaluée par des pairs, sans déploiement industriel ni produit annoncé. Les suites probables sont des essais sur d'autres plateformes, des contraintes plus riches comme le contact ou l'évitement de personnes, et une extension à d'autres trackers. Les auteurs revendiquent des principes de conception, ce qui sera utile à tout acteur combinant politique apprise et couche de sécurité certifiable, y compris en Europe, où les exigences de sécurité machine pèsent sur les humanoïdes.

Impact France/UE

Pas d\'impact direct sur la France/UE

Dans nos dossiers

Unitree arXiv cs.RO

À lire aussi

1arXiv cs.RO

KungfuBot : contrôle physique du corps entier d'un robot humanoïde pour l'apprentissage de compétences hautement dynamiques

Des chercheurs présentent KungfuBot, un cadre de contrôle corps-entier pour robots humanoïdes basé sur la physique, capable d'imiter des mouvements humains hautement dynamiques comme le kungfu ou la danse, là où les algorithmes existants ne parviennent à suivre que des mouvements lents et fluides malgré un travail soigné sur les récompenses et le curriculum d'apprentissage. Le système repose sur un pipeline de traitement du mouvement qui extrait, filtre, corrige et retargete les captures de mouvement humain tout en respectant au maximum les contraintes physiques du robot. Pour l'imitation, les auteurs formulent un problème d'optimisation à deux niveaux qui ajuste dynamiquement la tolérance de précision de suivi selon l'erreur courante, créant un mécanisme de curriculum adaptatif, complété par une architecture acteur-critique asymétrique pour l'entraînement des politiques. Déployé sur le robot Unitree G1, le système atteint des erreurs de suivi nettement inférieures aux approches existantes et produit des comportements stables et expressifs. Le projet est documenté sur kungfubot.github.io. L'enjeu dépasse la simple prouesse technique : la capacité à reproduire des mouvements rapides et dynamiques est un point de blocage connu du contrôle corps-entier par imitation, où le compromis entre stabilité physique et fidélité au mouvement source devient critique à haute vitesse. En démontrant qu'un curriculum adaptatif basé sur l'erreur de suivi permet de dépasser ce plafond, KungfuBot apporte une preuve de concept utile pour toute l'industrie humanoïde, où l'expressivité et la robustesse des mouvements dynamiques sont devenues un argument de démonstration autant qu'un vrai défi d'ingénierie. Reste que les vidéos de démonstration, comme souvent dans ce type de publication, présentent probablement une sélection de résultats plutôt qu'un comportement systématique et généralisable. Ce travail s'inscrit dans la lignée des recherches sur l'imitation de mouvement par apprentissage par renforcement physique, un domaine où le retargeting de capture de mouvement humain vers des morphologies robotiques reste une difficulté majeure. Le fait qu'il s'agisse d'une troisième version révisée sur arXiv suggère un travail affiné après retours de la communauté. Le choix du Unitree G1, plateforme largement utilisée dans la recherche académique en robotique humanoïde, positionne ces résultats comme reproductibles par d'autres laboratoires, dans un secteur où Unitree, Figure ou Boston Dynamics rivalisent sur la démonstration de comportements dynamiques et expressifs.

RecherchePaper

1 source

2arXiv 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

3arXiv cs.RO

Robot humanoïde tractant un pousse-pousse : locomotion corps entier sous charges à roues couplées

Des chercheurs proposent un cadre de contrôle du corps entier permettant à un humanoïde Unitree G1 de tirer un pousse-pousse, c'est-à-dire un véhicule à roues passif, plutôt que de porter sa charge. Le travail, publié sur arXiv (révision v2), vise des charges nettement plus lourdes que le robot lui-même. Sur matériel réel, une politique unique réalise le démarrage, la traction soutenue, les virages et l'arrêt, avec des charges rigides comme avec des passagers humains. Elle gère une masse totale de pousse-pousse chargé pouvant atteindre 115 kg, sans réglage propre à chaque charge. L'entraînement repose sur un enseignant privilégié qui accède aux états du véhicule, aux forces d'interaction et aux propriétés de la charge. Ses actions et son espace latent sont distillés dans un étudiant conditionné par l'historique, qui infère la dynamique couplée à partir de ses seules réponses proprioceptives, puis un affinage par apprentissage par renforcement complète la chaîne. Les comparaisons avec deux variantes de référence, « No History » et « Only History », indiquent que la politique complète suit plus précisément la trajectoire du véhicule tout en réduisant ses oscillations, l'inclinaison du torse et le coût d'actuation. L'analyse comportementale montre que le G1 propulse le véhicule et génère des réactions de tout le corps synchronisées avec la marche, qui stabilisent ses mouvements latéraux et de roulis. La traction redistribue l'effort entre les articulations et donne un proxy de coût de transport normalisé par robot inférieur à celui de la marche à vide dans la plupart des combinaisons charge-vitesse testées. Il s'agit d'un proxy et non d'une mesure énergétique absolue, et les auteurs ne détaillent pas dans ce résumé les conditions de terrain ni la durée des essais. L'intérêt pour l'industrie tient au déplacement du problème. Les démonstrations de manutention humanoïde se concentrent surtout sur le portage, limité par le couple des bras et la charge utile, souvent de quelques kilos à quelques dizaines de kilos. Tirer un véhicule à roues exploite le faible frottement de roulement pour transporter plus de 100 kg avec une plateforme d'environ 35 kg, en contrepartie d'un contact persistant avec des forces inconnues, dépendantes de la configuration. Le résultat suggère qu'une politique apprise, distillée à partir d'un enseignant privilégié, peut généraliser à des charges variables sans recalibrage, ce qui compte pour des intégrateurs cherchant à réutiliser des chariots, remorques ou plateformes existants plutôt qu'à concevoir des préhenseurs de charges lourdes. Il reste un travail académique sur une plateforme de recherche bon marché, sans cadence ni fiabilité sur longue durée démontrées. Ce travail s'inscrit dans la lignée de la locomotion humanoïde par distillation enseignant-étudiant et de l'apprentissage à partir de l'historique proprioceptif, déjà utilisés pour la marche robuste. Il étend ces méthodes à la locomotion couplée à un objet externe, un cas moins traité que le portage ou la poussée de caisses. Côté industrie, Figure, Agility Robotics et Apptronik visent surtout la manutention de bacs et de colis, tandis que la traction de chariots reste largement dans le domaine des AMR. Aucun pilote ni calendrier de transfert vers un produit n'est annoncé. Les prochaines étapes probables concernent le terrain irrégulier, les pentes et le test sur des humanoïdes de taille adulte.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

4arXiv cs.RO

Suivi précis de l'effecteur final en SE(3) dans le contrôle du corps entier des humanoïdes

Des chercheurs ont présenté ResGAC, un contrôleur de corps entier pour humanoïde conçu pour suivre avec précision la pose d'un effecteur terminal dans SE(3), c'est-à-dire en position et en orientation. Décrit dans un préprint arXiv (2610.09479), le système associe un contrôle d'admittance géométrique (GAC) à de l'apprentissage par renforcement résiduel. Le GAC fournit un retour d'information structuré dans l'espace de la tâche et produit les consignes nominales de position articulaire des bras. Le réseau résiduel compense les dynamiques non modélisées et coordonne la locomotion et l'équilibre dans le même espace d'action, celui des positions articulaires. La validation a eu lieu sur un Unitree G1 réel, sur quatre bancs d'essai de suivi en position debout. ResGAC y obtient des erreurs de translation et de rotation inférieures à celles de plusieurs références, dont SONIC. Dans une tâche d'insertion de cheville dans un trou (peg-in-hole) en position debout, il atteint 90 % de réussite, contre 50 % pour SONIC. Il assure aussi un suivi précis de la pose de l'effecteur dans le repère monde pendant des mouvements du bas du corps. Le résultat touche un point faible connu de la manipulation humanoïde. Les politiques apprises de bout en bout, de type VLA ou suivi de mouvement, savent produire des comportements variés, mais elles tiennent mal la précision centimétrique ou millimétrique, car les oscillations de la base flottante, la gravité, le couplage dynamique et les perturbations de la marche se transmettent à la main. La tâche de peg-in-hole a ici valeur de test, puisqu'elle exige cette précision. Un taux de 90 % contre 50 % suggère qu'une structure géométrique explicite, combinée à un résiduel appris, peut combler une partie de l'écart entre démonstration et fiabilité industrielle. Une réserve s'impose : la validation porte sur un seul robot, le G1, plateforme de recherche peu coûteuse, et sur des essais statiques en position debout. Le nombre d'essais et la dispersion des résultats ne figurent pas dans le résumé, et les vidéos fournies sont par nature sélectionnées. La marche avec manipulation de précision n'est démontrée que pour le suivi en repère monde, pas pour des tâches d'assemblage. L'idée centrale est une formulation géométrique invariante à gauche, qui permet d'appliquer la même loi GAC dans différents repères de manipulation. Les auteurs l'exploitent avec un repère de cap attaché au sol : il conserve la locomotion planaire mais retire le roulis, le tangage et le pompage du bassin de la référence de manipulation. Les mouvements du bassin se propagent alors moins vers l'effecteur désiré. SONIC, la référence principale, représente l'approche de suivi de mouvement généraliste pour humanoïdes, que ce travail cherche à dépasser sur la précision. La suite logique serait de passer à des plateformes plus grandes, à des charges utiles réelles et à des tâches d'assemblage en marchant, ce que l'article ne démontre pas. Les vidéos et le code sont annoncés sur le site du projet resgac.github.io.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source