Aller au contenu principal
Robot humanoïde tractant un pousse-pousse : locomotion corps entier sous charges à roues couplées
RecherchearXiv cs.RO 

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

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

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.

Impact France/UE

Pas d\'impact direct sur la France/UE

À lire aussi

HULK : apprendre la locomanipulation de force du corps entier pour les robots humanoïdes
1arXiv 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
EgoHumanoid-V2 : transférer à un robot humanoïde des compétences coordonnées du corps entier en locomanipulation, à partir de l'humain
2arXiv cs.RO 

EgoHumanoid-V2 : transférer à un robot humanoïde des compétences coordonnées du corps entier en locomanipulation, à partir de l'humain

Des chercheurs publient EgoHumanoid-V2 (arXiv 2609.37181), un cadre de transfert de compétences d'un humain vers un robot humanoïde à partir de vidéos égocentriques, c'est-à-dire filmées depuis le point de vue de l'opérateur. Il vise la loco-manipulation coordonnée du corps entier, où la marche et l'usage des bras sont planifiés ensemble. Son cœur est un alignement d'actions « du grossier au fin ». Une première étape corrige la référence cinématique. Une seconde affine le résultat en tenant compte de la dynamique, ce qui améliore la précision de pose de l'effecteur final tout en préservant la coordination corps entier. Pour réduire l'écart visuel entre l'humain et le robot, l'équipe ajoute un rendu du bras robotique dans les images humaines, ainsi qu'une augmentation d'images à l'entraînement pour gagner en robustesse au changement de point de vue. Sur quatre tâches réelles, des politiques VLA (vision-langage-action) entraînées sur ces données humaines alignées réalisent un transfert « zéro-shot », sans aucune démonstration robot sur la tâche cible. Les scores sont annoncés comme comparables à ceux de politiques entraînées par téléopération, pour un coût de collecte plus faible. Le résumé ne donne ni le robot utilisé, ni le nombre de démonstrations, ni le coût chiffré. L'enjeu est d'abord économique. La téléopération reste le principal goulot d'étranglement des politiques humanoïdes : elle exige des robots, des opérateurs formés et du temps machine, et ses volumes plafonnent bien en dessous de ce que réclame un modèle généraliste. Filmer des humains est bien moins cher et couvre une diversité de scènes que aucun parc de robots ne peut reproduire. Si le résultat se confirme, il indique que la donnée humaine peut servir de supervision directe de compétences, et non plus seulement de préentraînement de la perception. Pour un intégrateur, cela ouvrirait la voie à des compétences apprises sur site sans mobiliser de robot. Il faut toutefois rester prudent : quatre tâches, une comparaison « comparable » sans écart chiffré dans le résumé, et un article en version préliminaire (v1) qui n'a pas passé de relecture par les pairs. Rien ne dit non plus que ces scores tiennent hors du laboratoire, sur des cadences industrielles. Ce travail prolonge une première génération de méthodes égocentriques qui misait surtout sur la généralisation de scènes, avec un contrôle découplé entre locomotion et manipulation, ce qui laissait de côté les compétences corps entier coordonnées. Il s'inscrit dans une course plus large à la donnée humaine : les grands acteurs des modèles fondation humanoïdes, comme Figure avec Helix, NVIDIA avec GR00T ou Physical Intelligence avec Pi-0, cherchent tous à réduire leur dépendance à la téléopération, par la simulation, la vidéo humaine ou les deux. Aucun déploiement ni calendrier commercial n'est annoncé ici, il s'agit d'une contribution de recherche. La suite logique serait un test sur davantage de tâches et de morphologies, avec des comparaisons chiffrées de coût et de performance face à la téléopération.

RecherchePaper
1 source
MPC adaptatif du corps entier avec planification de posture optimale pour robots humanoïdes sous charges utiles inconnues
3arXiv 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
Apprentissage d'une locomotion adaptative à la pente pour robots humanoïdes sur chantiers de couverture
4arXiv cs.RO 

Apprentissage d'une locomotion adaptative à la pente pour robots humanoïdes sur chantiers de couverture

Un article publié sur arXiv (référence 2609.20558v1) présente un cadre logiciel permettant à un robot humanoïde Unitree G1 d'exécuter des tâches de couvreur sur toitures en pente : marche en montée, utilisation d'une cloueuse pneumatique, martelage et mouvements de flexion. La méthode capture des démonstrations humaines par un système de suivi de mouvement, les retranscrit sur le robot, puis s'appuie sur un modèle métrique 3D du toit pour ancrer précisément les points de contact des pieds et des mains ainsi que les relations de travail (distance à l'outil, zones de dégagement) à la surface réelle. Une optimisation au niveau de la trajectoire fixe ces contraintes, tandis qu'un apprentissage par renforcement sensible à l'exécution maintient ces relations malgré les erreurs de suivi en conditions dynamiques. Les auteurs évaluent l'approche via une étude de suivi multi-mouvements, une matrice couvrant différentes pentes de toit, une ablation à cinq configurations sur la tâche de cloueuse, des tests croisés sur le martelage et la poussée latérale, ainsi que des comparaisons avec un apprentissage par renforcement pur et une téléopération sans apprentissage préalable. Résultats obtenus : des erreurs de dégagement de travail comprises entre 0,256 et 0,531 cm, un taux de réussite de 3 sur 3 pour chaque tâche testée, et des erreurs moyennes de position du tronc inférieures à 80 mm lors des expériences physiques. L'intérêt de ces travaux tient au problème qu'ils ciblent : les surfaces inclinées et irrégulières du bâtiment restent l'un des terrains les plus difficiles pour les humanoïdes, bien plus exigeants que les sols plats des entrepôts où la plupart des démonstrations commerciales sont tournées. L'étude illustre aussi un écueil classique de l'apprentissage par imitation : retranscrire fidèlement un geste humain capturé ne garantit pas un placement correct des appuis par rapport à l'environnement réel, d'où l'ajout d'un ancrage explicite à un modèle de scène. Pour les intégrateurs et décideurs du BTP, ce résultat reste un signal de recherche amont plutôt qu'une preuve de déploiement : il indique une piste méthodologique crédible pour doter les humanoïdes de compétences de chantier extérieur, sans annoncer de produit ni de pilote commercial. Le travail s'appuie sur le Unitree G1, plateforme humanoïde chinoise largement utilisée par les laboratoires de recherche en robotique incarnée pour son coût réduit face à des concurrents comme Boston Dynamics ou Tesla Optimus. Il s'inscrit dans une vague plus large de recherches combinant apprentissage par imitation et renforcement pour le contrôle corps entier des humanoïdes, dans la lignée conceptuelle de projets industriels comme Helix de Figure AI ou GR00T N2 de NVIDIA, sans toutefois émaner d'un acteur commercial identifié : il s'agit d'une prépublication arXiv non encore validée par relecture par les pairs. Les auteurs présentent leur approche comme une base pour de futures primitives de mouvement humanoïde dédiées au bâtiment, sans calendrier de pilote ni partenariat annoncé à ce stade.

RecherchePaper
1 source