Actualités robotique — page 13

4 531 articles au fil, du plus récent au plus ancien.

47

601arXiv cs.RO 

Étude de cas sur l'acceptation d'une tête robotique humanoïde utilisée dans trois espaces publics

Une équipe de recherche a testé en conditions réelles une tête robotique humanoïde interactive dans trois lieux publics allemands : un office de tourisme, une bibliothèque municipale et l'accueil d'une administration du bâtiment (Bauamt). Le robot y a fonctionné en continu pendant plusieurs jours, engageant la conversation avec les visiteurs dans leur propre langue grâce à un pipeline de traitement du langage naturel couplé à un moteur de simulation émotionnelle, qui génère des réponses verbales multimodales enrichies d'expressions faciales. Les chercheurs ont mesuré l'acceptation des usagers via le questionnaire TAM2 (Technology Acceptance Model), un outil standard évaluant l'utilité perçue et la facilité d'usage. Résultat global : les utilisateurs se sont montrés motivés à interagir avec le robot et l'ont jugé plutôt utile et facile à prendre en main, quel que soit le site. Mais un usager sur cinq a trouvé le temps de réponse du système trop lent, ce qui nuisait à la fluidité du dialogue. L'enseignement principal dépasse la simple démonstration technique : l'acceptation d'un robot humanoïde conversationnel dépend fortement du contexte d'usage, pas seulement de ses capacités. L'office de tourisme et la bibliothèque, lieux où l'interaction est perçue comme légitime et sans enjeu, se sont révélés bien plus favorables que l'accueil administratif, où la volonté d'engager la conversation était nettement plus faible. Pour les intégrateurs et décideurs qui envisagent de déployer des robots d'accueil ou d'assistance multilingue, ce résultat suggère de prioriser les environnements à faible friction sociale plutôt que les guichets administratifs, et de traiter la latence de réponse comme un frein d'adoption aussi critique que la précision linguistique elle-même. Ce travail s'inscrit dans la lignée des recherches en interaction homme-robot social, où l'acceptation en conditions réelles reste plus rarement documentée que les démonstrations en laboratoire. Contrairement aux plateformes humanoïdes orientées tâches industrielles ou logistiques, ce projet cible l'accueil du public et la médiation linguistique. Les auteurs identifient la réduction du temps de réponse comme priorité pour les développements futurs, condition jugée nécessaire avant d'envisager un déploiement plus large de ce type de tête robotique interactive dans d'autres services publics.

Recherche❖Paper

1 source

45

602arXiv cs.RO 

VLASH : des VLA en temps réel grâce à une inférence asynchrone anticipant les états futurs

Des chercheurs du MIT Han Lab publient VLASH, une méthode d'inférence asynchrone pour les modèles Vision-Language-Action (VLA) qui vise à résoudre le problème de latence de réaction sur les robots. Aujourd'hui, la plupart des VLA fonctionnent en mode synchrone : le robot suspend son action pendant que le modèle calcule la suivante, ce qui crée des à-coups visibles et l'empêche de réagir aux changements de son environnement pendant l'exécution. L'inférence asynchrone permettait déjà d'agir et de calculer en parallèle, mais générait un décalage temporel entre l'état prédit et l'état réel au moment de l'exécution, provoquant de l'instabilité. VLASH corrige ce décalage en projetant l'état futur du robot à partir du chunk d'action précédent, sans changement d'architecture ni surcoût de calcul. Les auteurs annoncent une réduction de la latence de réaction jusqu'à 11,8 fois par rapport à l'inférence synchrone, une précision supérieure à toutes les méthodes asynchrones existantes, et, combinée à une quantification des actions, une accélération de 1,5 à 2 fois du temps de complétion des tâches avec une perte de précision minime. Le code est disponible sur GitHub (mit-han-lab/vlash). Pour l'industrie robotique, cette avancée s'attaque directement à un goulot d'étranglement connu des VLA à l'échelle : leur difficulté à gérer des tâches rapides et dynamiques, un point faible régulièrement cité face aux approches de contrôle classiques. En améliorant un modèle existant comme π0.5 sans le réentraîner ni alourdir son architecture, VLASH illustre une voie d'optimisation logicielle low-cost pour rendre les VLA déployables sur des cas d'usage à haute cadence, un enjeu clé pour les intégrateurs qui cherchent à sortir ces modèles du seul cadre de la démonstration en laboratoire. Les auteurs démontrent concrètement ce gain sur des tâches exigeant une réaction fine et rapide, comme jouer au ping-pong ou au jeu de la taupe, des scénarios où l'inférence synchrone échoue purement et simplement. Ce travail s'inscrit dans une course plus large autour des VLA temps réel, aux côtés de modèles comme GR00T N2, Pi-0 ou Helix, où la latence de contrôle devient un critère de différenciation aussi important que la précision des gestes.

IA physique⚡Actu

1 source

45

603arXiv cs.RO 

N₀-TWAM : passage à l'échelle d'un modèle monde-action tactile natif pour la manipulation à contacts riches

Des chercheurs présentent N0-TWAM, un modèle monde-action "tactile natif" conçu pour la manipulation robotique dans des tâches à contact riche, capable de prédire à la fois l'image future et le contact physique futur. Selon les auteurs, il s'agirait du premier modèle monde-action tactile entraîné à grande échelle, une affirmation à prendre avec la prudence habituelle pour ce type de papier arXiv (2607.23783, non encore relu par les pairs). Le pré-entraînement combine vision et tactile sur des démonstrations couvrant six morphologies de robots différentes et 450 tâches. Le système s'appuie sur NeoForce, une représentation tactile unifiée basée sur la force, censée fournir un signal de contact physiquement ancré pour guider la génération d'actions. Pour gérer les tâches longues et multi-étapes, les auteurs introduisent des "événements de contact tactile" qui marquent la progression d'une étape à l'autre. Côté architecture, un Mixture-of-Transformers asymétrique associe un expert large pour la prédiction vidéo à des experts plus légers pour l'action et le tactile, dans un souci d'efficacité temps réel. Le modèle a été évalué sur des benchmarks réels et simulés, et le code ainsi que les poids seront publiés en open source. L'enjeu dépasse la simple prouesse technique. Les modèles vision-langage-action actuels, de π0 à GR00T N2 en passant par Helix, reposent presque exclusivement sur la vision, ce qui explique une bonne partie de leurs échecs sur les tâches fines de contact : insertion de pièces, préhension d'objets déformables, assemblage. Un modèle qui démontre un gain mesurable grâce au passage à l'échelle des données tactiles apporterait un signal utile pour les intégrateurs industriels confrontés à ce fossé entre démonstration en vidéo et fiabilité en production. Le manque de jeux de données tactiles standardisés à grande échelle est resté un frein connu du secteur, contrairement à la vision où les corpus type RT-X abondent. En couvrant six embodiments, N0-TWAM s'inscrit dans cette logique de généralisation multi-robots. La publication annoncée du code et des checkpoints permettra à la communauté de vérifier ces résultats et d'évaluer si l'approche tient face à des déploiements réels sur des tâches d'assemblage ou de manipulation fine.

Recherche❖Paper

1 source

45

604arXiv cs.RO 

Pyramide de données pour la manipulation incarnée

Une équipe de recherche publie sur arXiv (2607.24744) une revue structurant l'écosystème des données pour l'apprentissage robotique en une "pyramide" à cinq niveaux : données réelles issues de robots physiques, données de type UMI (capture de démonstrations humaines avec interface portable), vidéos égocentriques et exocentriques, données de simulation, et données vision-langage générales issues du web. Les auteurs organisent cette pyramide autour d'un compromis central entre scalabilité et alignement robotique, et évaluent chaque source selon quatre critères : qualité, diversité, réutilisabilité et fidélité physique. Ils passent ensuite en revue les modèles fondation récents pour la robotique, qu'il s'agisse de modèles de "cerveau" incarné, de modèles vision-langage-action (VLA) ou de modèles monde-action, en analysant comment chacun sélectionne, aligne et mélange ces différentes sources lors du pré-entraînement, et comment ce choix conditionne leurs capacités de perception, de raisonnement, de planification et de prédiction. Cette cartographie répond à un problème identifié depuis plusieurs années dans le secteur : contrairement aux modèles de langage ou de vision, qui s'entraînent sur la quasi-totalité du contenu textuel et visuel disponible sur internet, les agents incarnés ne peuvent pas se contenter de données passives puisqu'ils doivent apprendre le couplage entre observation, état physique et action. C'est ce goulot d'étranglement qui explique pourquoi des modèles comme Pi-0, GR00T N2 ou Helix combinent systématiquement plusieurs sources de données plutôt qu'une seule, et pourquoi des plateformes comme Figure 03 ou Optimus Gen 3 misent autant sur la collecte de données réelles en usine que sur la simulation. Les auteurs terminent par six chantiers non résolus : constituer des jeux de données tactiles à grande échelle, capturer des séquences d'échec et de récupération, développer des pipelines de collecte scalables, aligner les actions entre différentes morphologies de robots, exploiter les données égocentriques pour la manipulation dextre, et concevoir des recettes de données principielles plutôt qu'empiriques, autant de points de friction qui continuent de freiner le passage de la démonstration au déploiement industriel fiable.

Recherche❖Paper

1 source

45

605arXiv cs.RO 

Robotique par imitation autorégressive : un VLM incarné unifié pour l'action robotique

Des chercheurs présentent GenieReasoner, un modèle Vision-Langage-Action (VLA) conçu pour combler l'écart entre raisonnement sémantique et précision d'exécution motrice chez les robots généralistes. L'équipe introduit d'abord ERIQ (Embodied Reasoning Intelligence Quotient), un benchmark de plus de 6 000 paires question-réponse couvrant quatre dimensions du raisonnement incarné, qui permet d'évaluer séparément la capacité de raisonnement d'un modèle et sa capacité à agir. Cette évaluation découplée révèle une corrélation forte entre le score de raisonnement d'un modèle et sa capacité de généralisation en tâche réelle. Pour traduire ce raisonnement en gestes précis, les auteurs développent FACT, un tokenizer d'actions basé sur le flow matching, qui convertit des trajectoires de contrôle continues en séquences discrètes tout en préservant une reconstruction fidèle du mouvement. GenieReasoner, le modèle final, optimise conjointement raisonnement et action dans un espace unifié et surpasse, selon les auteurs, les approches à action continue comme les approches à action discrète existantes sur des tâches de manipulation en conditions réelles. L'enjeu dépasse la simple performance sur un jeu de tests: c'est le compromis raisonnement-précision, souvent cité comme le principal frein à la généralisation des VLA hors laboratoire, que ce travail cherche à quantifier puis à résoudre. Pour les intégrateurs et équipes R&D en robotique, disposer d'un benchmark comme ERIQ offre un outil de diagnostic pour repérer si un modèle échoue par manque de compréhension sémantique de la scène ou par imprécision motrice, deux problèmes qui appellent des solutions très différentes. Les résultats annoncés restent toutefois issus des auteurs eux-mêmes, sans validation tierce indépendante à ce stade. Ce travail s'inscrit dans la lignée des modèles VLA à grande échelle type Pi-0 ou GR00T N2, qui cherchent tous à unifier compréhension du langage, de la vision et génération d'actions robotiques dans une seule architecture. La tokenisation discrète des actions, plutôt que leur régression continue, est une piste explorée par plusieurs laboratoires pour rapprocher l'entraînement des VLA de celui des grands modèles de langage. Le code et les détails du projet sont disponibles sur la page dédiée des auteurs; les prochaines étapes attendues portent sur l'extension du benchmark ERIQ et des tests sur une plus grande diversité de plateformes robotiques.

IA physique⚡Actu

1 source

43

606arXiv cs.RO 

Real2Sim2Real pour la manipulation vision-langage-action : un pipeline basé sur AMD ROCm

Des chercheurs publient sur arXiv (2607.22997v1) une pile logicielle de bout en bout entièrement basée sur ROCm, l'écosystème ouvert d'AMD, pour entraîner et déployer des modèles vision-langage-action (VLA) en robotique de manipulation. L'architecture couvre trois niveaux de matériel AMD : silicium d'entraînement en datacenter, cartes Radeon PRO pour la simulation et le rendu, et puces Ryzen AI pour le calcul embarqué. Quatre démonstrations illustrent la pile : un pipeline sim-to-real entraîné avec le modèle SmolVLA et déployé sur un bras robotique Franka ; une tâche de sélection d'objet guidée par le langage baptisée « one-of-three » ; un pipeline real-to-sim qui associe des reconstructions de scènes réelles par 3D Gaussian Splatting (3DGS) au moteur physique Genesis pour générer des données d'entraînement synthétiques ; et un entraînement par renforcement à grande échelle pour la locomotion de robots quadrupèdes et humanoïdes, benchmarké sur plusieurs plateformes matérielles. L'ensemble fonctionne nativement sous ROCm et PyTorch sur des GPU RDNA4 (Radeon AI PRO R9700) et RDNA3.5 (Radeon PRO W7900), et les pipelines sont reproductibles gratuitement sur la Radeon Cloud Platform. L'enjeu dépasse la simple démonstration technique : la quasi-totalité des pipelines VLA publiés jusqu'ici, de SmolVLA à Pi-0 en passant par GR00T N2 ou Helix, s'entraînent et se déploient sur des écosystèmes CUDA de Nvidia, aujourd'hui quasi incontournable dans l'IA physique. En montrant qu'un pipeline sim-to-real complet, du rendu 3DGS à l'inférence embarquée, tient sur ROCm sans réécriture lourde, les auteurs ouvrent une alternative matérielle crédible pour les intégrateurs et laboratoires cherchant à diversifier leurs fournisseurs de calcul ou à réduire leurs coûts. Pour les décideurs B2B, le signal principal reste la reproductibilité gratuite via la Radeon Cloud Platform, qui abaisse la barrière d'entrée pour tester des politiques VLA sans investir dans du matériel Nvidia. Le papier demeure toutefois une preuve de faisabilité technique sur des tâches de manipulation limitées (un bras Franka, un tri à trois objets), sans démonstration de déploiement industriel à l'échelle ni de comparaison chiffrée de performance face aux stacks CUDA équivalentes. Cette publication s'inscrit dans la course engagée par AMD pour rattraper son retard face à Nvidia sur le marché de l'IA, et plus spécifiquement sur celui, naissant, de l'IA physique évoqué par Lisa Su au CES 2026 et par Jensen Huang lors de la GTC Paris de juin 2025. Le choix des briques logicielles, SmolVLA (Hugging Face), Genesis (moteur physique open source) et 3D Gaussian Splatting, situe les auteurs dans la mouvance open source de la robotique généraliste, aux côtés d'acteurs comme Physical Intelligence (Pi-0) ou Nvidia lui-même avec GR00T. Aucun acteur français ou européen n'apparaît dans cette publication centrée sur l'infrastructure matérielle. Les auteurs annoncent code et pipelines reproductibles dès aujourd'hui sur la Radeon Cloud Platform, sans toutefois préciser de calendrier de commercialisation ni de partenariats industriels concrets à ce stade.

Infrastructure⚡Actu

1 source

42

607arXiv cs.RO 

Robot low-cost, banc de test ArmnetBench v0.1 pour évaluer des politiques de manipulation en parallèle

Des chercheurs ont publié ArmnetBench v0.1, un benchmark d'évaluation en conditions réelles pour les politiques de manipulation robotique, exécuté sur une flotte de bras low-cost SO-101 sous supervision humaine légère sur site. Cette première version compare 7 politiques sur 12 tâches, en configuration bras unique et bimanuelle. Chaque politique est entraînée ou affinée sur 50 démonstrations par tâche. Le benchmark comptabilise 2 518 rollouts de politiques et 600 démonstrations de référence, soit 3 118 épisodes au total, chacun annoté selon une échelle à trois niveaux (réussite, sous-optimal, échec). Les rollouts sont notés manuellement, tandis que les démonstrations sont par construction considérées comme réussies. L'ensemble des 3 118 épisodes est publié en deux formats standards, LeRobot v3.0 et RoboMeter, pour faciliter la réutilisation par la communauté. L'évaluation en conditions réelles reste le principal goulot d'étranglement du développement de politiques de manipulation généralistes : chaque rollout nécessite du matériel physique et un opérateur pour installer, réinitialiser et noter la tentative, ce qui limite fortement le volume de tests réalisables face aux simulateurs. En s'appuyant sur des bras SO-101 peu coûteux et une supervision réduite, ArmnetBench propose un compromis entre le coût d'un banc d'essai physique et la scalabilité recherchée pour comparer des politiques à grande échelle. Au-delà du classement, la valeur du jeu de données tient surtout à son étiquetage qualité par épisode : ces trajectoires annotées peuvent nourrir l'entraînement de modèles de récompense, de modèles du monde prédictifs, ou de politiques apprises sur des données de qualité mixte, un axe distinct de la simple mesure de performance. Ce travail s'inscrit dans la lignée des efforts communautaires autour de l'écosystème LeRobot et des bras robotiques abordables comme le SO-101, popularisés notamment par Hugging Face pour démocratiser la recherche en manipulation hors des laboratoires équipés de bras industriels coûteux. Il fait écho aux benchmarks existants bâtis en simulation ou sur du matériel plus onéreux, en offrant une alternative reproductible à bas coût. Les auteurs présentent ce classement initial comme un point de départ sous budget partagé plutôt qu'une évaluation définitive, cette v0.1 servant avant tout à valider l'infrastructure de la ferme de bras de bout en bout. Les suites attendues incluent l'élargissement du nombre de tâches et de politiques comparées, ainsi que l'exploitation des données mixtes pour entraîner de nouveaux modèles.

Infrastructure⚡Actu

1 source

42

608arXiv cs.RO 

τ : apprendre des modèles vision-langage-action augmentés par le toucher à partir d'une supervision visuelle future

Un article publié sur arXiv (référence 2607.24485v1, catégorie "new") présente τ (tau), un framework qui enrichit les modèles Vision-Language-Action (VLA) avec une représentation tactile spatio-temporelle conditionnée par l'action. La méthode s'inspire du JEPA (Joint-Embedding Predictive Architecture) : elle apprend cette représentation en prédisant les futures observations visuelles à partir du signal tactile, puis fusionne cette information avec les caractéristiques vision-langage pour générer les actions du robot. Cette supervision opère uniquement dans l'espace latent et pendant l'entraînement, sans surcoût au moment du déploiement. Les auteurs publient également TacAura, un jeu de données synchronisant vision, proprioception et signaux tactiles à base de capteurs visuels, collecté sur quatre tâches de manipulation impliquant des contacts riches. L'enjeu est la sous-exploitation du toucher dans les modèles VLA actuels, qui reposent majoritairement sur la vision et le langage, ou au mieux sur une détection binaire de contact ou des séquences de torseurs 6D, insuffisantes pour exploiter des signaux tactiles haute dimension. Le papier s'attaque frontalement au problème de rareté des données : les démonstrations spécifiques à une tâche sont limitées, tandis qu'un pré-entraînement tactile à grande échelle reste coûteux. En montrant qu'une supervision auto-supervisée de type JEPA permet d'extraire une représentation tactile exploitable avec peu de données, l'étude touche à un débat central du secteur, celui de l'efficacité des données pour des tâches de manipulation fine (insertion, préhension d'objets déformables) où la seule vision atteint ses limites, un enjeu direct pour les intégrateurs industriels visant l'assemblage de précision. Ce travail s'inscrit dans la lignée des modèles VLA généralistes (Pi-0, GR00T N2, Helix) qui combinent perception et langage pour piloter des robots, mais qui ont historiquement négligé le tactile faute de capteurs standardisés et à cause du coût de collecte. Les auteurs comparent τ à des approches existantes centrées sur les états de contact instantanés, et démontrent une meilleure généralisation à des objets et scènes inédits. Il s'agit à ce stade d'un travail de recherche académique, sans annonce de déploiement industriel ni de partenariat commercial.

Recherche❖Paper

1 source

41

609arXiv cs.RO 

Épisode oublié : mise en œuvre et évaluation d'une mémoire épisodique personnalisée pour la tête du robot humanoïde Kim

Des chercheurs ont développé et testé un module de mémoire épisodique pour Kim, une tête de robot humanoïde social, afin de résoudre un problème classique des agents conversationnels basés sur des grands modèles de langage : l'absence de mémoire persistante entre les sessions. Le système combine une récupération sémantique par vecteurs avec un modèle de dialogue piloté par LLM, en utilisant une fonction de score hybride qui associe similarité cosinus et une métrique de "force mémorielle" pour sélectionner les interactions passées les plus pertinentes et les injecter dans le prompt de génération. L'équipe a évalué l'approche via une étude en ligne à base de vidéos, en intra-sujets, auprès de 43 participants, à l'aide de l'échelle HRIES (Human-Robot Interaction Evaluation Scale). Les résultats montrent une augmentation significative de la sociabilité perçue (d = 0,60, p < .001), avec des effets particulièrement marqués sur la confiance perçue (d = 0,62) et la chaleur perçue (d = 0,56), tandis que le niveau de gêne ressenti par les participants est resté strictement inchangé (d = 0,00). Ce dernier point est le résultat le plus significatif pour l'industrie : ajouter de la mémoire personnalisée à un robot social améliore la qualité relationnelle perçue sans déclencher de malaise lié à la vie privée ni d'effet de vallée dérangeante, deux risques souvent redoutés par les concepteurs de robots compagnons. Pour les équipes qui développent des agents conversationnels embarqués, ces travaux apportent une validation empirique concrète à une intuition répandue mais peu testée : la mémoire à long terme agit comme un "lubrifiant social" qui renforce la relation humain-robot, sans compromis apparent sur l'acceptabilité. C'est un signal utile alors que la majorité des déploiements actuels de robots conversationnels restent limités à des interactions sans continuité d'une session à l'autre. Le travail s'inscrit dans la lignée des systèmes de récupération augmentée (RAG) appliqués à l'interaction humain-robot, un domaine où la plupart des architectures LLM conversationnelles butent encore sur la gestion du contexte long terme. Contrairement aux approches propriétaires opaques des grands robots commerciaux, cette étude fournit une méthodologie reproductible et une mesure quantifiée de l'impact social de la mémoire, ouvrant la voie à des évaluations comparables sur d'autres plateformes robotiques et à une intégration plus large de mécanismes de mémoire persistante dans les futurs robots compagnons ou d'assistance.

Recherche❖Paper

1 source

41

610arXiv cs.RO 

Benchmark LabRobFail : évaluer l'analyse des défaillances robotiques dans les laboratoires autonomes de chimie

Une équipe de recherche (affiliée à SciRobo, projet disponible sur GitHub sous Su-ISE-2001) a publié LabRobFail, un référentiel dédié à l'analyse des défaillances robotiques dans les laboratoires chimiques autonomes. Le système repose sur trois briques : LabRobFail-Sim, un simulateur qui injecte des pannes contrôlées à trois niveaux (contrôle, physique, sémantique) ; LabRobFail-Data, une base de plus de 20 000 trajectoires couvrant plus de 70 scénarios de tâches, cinq catégories de défaillances et 11 types de pannes détaillés ; et LabRobFail-Bench, un protocole d'évaluation testant six capacités : compréhension de la tâche, détection de défaillance, localisation temporelle, évaluation de la sévérité, classification et correction actionnable. Les chercheurs ont aussi entraîné LabRobFail-VLM, un modèle vision-langage spécialisé pour ce domaine, qui atteint 92,58 % de précision en détection de défaillance et 85,58 % en localisation temporelle sur des environnements déjà vus, surpassant nettement les VLM généralistes. Intégré comme superviseur en temps réel, ce modèle améliore le taux de réussite des tâches VLA en aval de 10 à 20 points de pourcentage. Ce travail cible un angle mort connu du secteur de la robotique de laboratoire : la fiabilité. Les expériences chimiques sont irréversibles et potentiellement dangereuses, ce qui rend la simple absence de données de défaillance un obstacle majeur au déploiement d'agents robotiques autonomes en labo. En créant un jeu de données synthétique massif et un protocole d'évaluation fin plutôt qu'un simple score de réussite binaire, l'équipe déplace le débat du "est-ce que ça marche en démo" vers "est-ce que le système sait détecter et corriger ses propres erreurs". Le gain de 10 à 20 points sur les tâches VLA lorsqu'un superviseur de supervision des pannes est ajouté est significatif pour les intégrateurs et responsables R&D qui évaluent si les architectures VLA (vision-langage-action) actuelles, comme Pi-0 ou GR00T N2 dans d'autres contextes robotiques, sont mûres pour une autonomie en boucle fermée sans supervision humaine constante. Le contexte est celui d'une course plus large à l'automatisation de la découverte scientifique, où les laboratoires "self-driving" combinent bras robotiques, instruments automatisés et modèles d'IA pour accélérer chimie et science des matériaux, un secteur où les incidents matériels coûtent cher et où la confiance des chercheurs reste un frein à l'adoption. Contrairement à des annonces de robots humanoïdes commerciaux où l'accent est mis sur la performance brute, LabRobFail adopte une approche inverse : construire un référentiel de sécurité et de diagnostic avant le déploiement à grande échelle. Le code et les données étant publiés en open source, cette initiative pourrait servir de base de comparaison pour d'autres équipes développant des VLM ou VLA spécialisés en robotique de laboratoire, avec pour prochaine étape probable l'extension du référentiel à d'autres types d'instruments ou de protocoles chimiques.

Recherche❖Paper

1 source

41

611arXiv cs.RO 

La malédiction de la précision : une loi d'échelle des données pour la manipulation robotique de haute précision

Le laboratoire à l'origine de cet article, publié sur arXiv (2607.23108v1) sous le titre "The Curse of Precision", s'attaque à une question restée peu étudiée dans l'apprentissage par imitation : la relation entre volume de données et précision atteignable sur des tâches d'assemblage robotique en environnement fermé. Les auteurs établissent une nouvelle loi d'échelle empirique : pour maintenir un taux de réussite fixe, le nombre de démonstrations N nécessaires croît de façon super-exponentielle à mesure que la précision cible P se rapproche d'une limite c, selon la relation log(N) proportionnel à 1/(P-c). Autrement dit, au-delà d'un certain seuil de précision, ajouter des démonstrations supplémentaires devient rapidement improductif, voire prohibitif en coût de collecte. Le résultat central de l'étude est que cette limite c n'est pas une constante physique propre à la tâche, mais une propriété émergente de l'ensemble du système agent, incluant ses capteurs et sa politique experte. Les expériences, menées sur des tâches de manipulation canoniques, montrent que des ajustements système comme l'ajout d'une caméra poignet ou l'utilisation d'un expert plus performant abaissent mesurablement c, élargissant ainsi la précision maximale accessible. Cette découverte a une portée pratique directe pour les équipes qui développent des systèmes de manipulation robotique de haute précision, un domaine clé pour l'assemblage industriel et l'intégration de bras robotiques dans des lignes de production. Plutôt que de multiplier aveuglément les démonstrations pour améliorer la précision d'un modèle appris par imitation, la loi proposée offre une méthode de diagnostic : si les gains stagnent malgré l'ajout de données, le problème vient probablement d'une limite systémique (capteur insuffisant, politique experte imparfaite) plutôt que d'un manque de volume. Cela répond à une hypothèse implicite mais rarement testée dans le secteur des politiques vision-langage-action (VLA), à savoir que plus de données suffit toujours à améliorer la précision. Le travail s'inscrit dans la lignée des études sur les lois d'échelle en apprentissage par imitation, jusqu'ici centrées sur la généralisation en environnement ouvert plutôt que sur la précision en tâche fermée. Il fournit un cadre théorique et une métrique quantitative pour évaluer les capacités d'un système de manipulation, avec des implications pour le débogage et la conception des futures générations de politiques robotiques à haute précision.

Recherche❖Paper

1 source

41

612arXiv cs.RO 

Renormalisation des paramètres effectifs : comportement réel, du concept de masse infinie de l'électron à l'écart simulation-réel en robotique

Des chercheurs proposent une nouvelle approche pour combler l'écart entre simulation et réalité (sim-to-real gap) en robotique, publiée sur arXiv sous le titre « Effective Parameters, Real Behavior: Renormalization for Robotics ». Plutôt que de construire des simulateurs toujours plus précis, l'équipe emprunte le concept de renormalisation, issu de la physique théorique, pour introduire des paramètres effectifs dépendant de la résolution, qui absorbent les détails que le simulateur omet. Ces valeurs peuvent s'écarter des grandeurs physiques mesurées car elles compensent ce que le modèle ne capture pas. Les auteurs démontrent analytiquement ce mécanisme pour un contrôle proportionnel dérivé (PD) à fréquence de simulation finie : le gain proportionnel modifie le gain dérivé effectif, et le retour dérivé modifie l'inertie effective du système. Ils appliquent ensuite cette lecture à deux cas concrets, la manipulation dynamique de corde et la nage sous marine, avant de proposer une procédure pratique en trois étapes : choisir les bonnes observables, identifier la physique omise par le simulateur, puis en déduire les paramètres effectifs à utiliser. Le sim-to-real reste le principal goulot d'étranglement pour déployer des politiques entraînées en simulation, qu'il s'agisse d'apprentissage par renforcement ou de modèles VLA (vision-language-action) comme Pi-0, GR00T N2 ou Helix, calibrés en environnement virtuel avant transfert sur robot réel. L'hypothèse dominante du secteur veut que ce fossé se résorbe en améliorant la fidélité physique des simulateurs (contact, friction, dynamique des fluides). Cette approche par renormalisation la nuance : elle suggère qu'un simulateur volontairement simplifié, combiné à des paramètres correctement recalibrés, peut reproduire un comportement réel sans effort de modélisation supplémentaire. Pour les intégrateurs et équipes de recherche qui calibrent des contrôleurs PD ou entraînent des politiques en simulation, cela ouvre une piste potentiellement moins coûteuse en calcul que la course à la simulation haute fidélité. Le concept s'inspire directement de la renormalisation en physique quantique, où la masse « habillée » d'un électron diffère de sa masse nue pour absorber des interactions non modélisées, un problème historiquement lié à la masse infinie de l'électron en électrodynamique quantique. Son transfert à la robotique reste, à ce stade, une contribution théorique : la démonstration analytique porte sur un cas simple (PD à fréquence finie) et deux illustrations qualitatives (corde, nage), sans expérimentation à grande échelle sur robot physique ni comparaison chiffrée avec les méthodes de calibration existantes comme l'identification de système ou la randomisation de domaine. Les auteurs présentent leur procédure comme un complément, non un remplacement, aux efforts de simulation haute fidélité ; les prochaines étapes attendues portent sur la validation avec des systèmes robotiques plus complexes et des déploiements réels.

Recherche❖Paper

1 source

40

613arXiv cs.RO 

Modélisation sensible à la pose pour atténuer les artefacts liés à la posture dans les gants tactiles

Une équipe de recherche publie sur arXiv (2607.22964, soumis le 27 juillet) une méthode logicielle pour corriger un défaut connu des gants tactiles utilisés en robotique. Ces gants, volontairement conçus souples et flexibles pour préserver la dexterité de la main lors des interactions avec des objets, souffrent d'un effet de bord : leurs capteurs réagissent non seulement aux forces de contact mais aussi aux simples changements de posture, générant des artefacts dits liés à la pose (pose-related artifacts, PRA). Ce bruit est particulièrement problématique dans la plage des faibles forces, où il provoque des détections tardives ou manquées, ce qui dégrade la force minimale détectable (MDF) du gant. Plutôt que de redessiner le matériel, les chercheurs proposent un cadre algorithmique agnostique au type de gant : le modèle exploite les données de posture de la main, de plus en plus disponibles via les systèmes de capture de mouvement, pour estimer et soustraire la déformation du capteur induite par la posture, via une branche de prédiction résiduelle ajoutée au pipeline classique tactile vers force. Testée sur 3 modèles de gants différents et 15 utilisateurs, la méthode réduit la MDF de 10,4%, 12,2% et 18,3% selon le gant, avec des gains cohérents sur l'ensemble des métriques évaluées. L'enjeu dépasse le confort de laboratoire. Les gants tactiles sont un outil clé pour collecter des données de démonstration humaine (téléopération, apprentissage par imitation) destinées à entraîner des politiques de manipulation dexterous chez les robots, un maillon central des approches VLA actuelles. Une MDF plus basse signifie moins de contacts fins manqués lors de la capture, donc des jeux de données d'entraînement plus fidèles, sans changer de capteur ni de fournisseur. C'est un correctif purement logiciel et rétrocompatible, ce qui compte pour les équipes qui ont déjà investi dans du matériel de capture existant. Le travail s'inscrit dans la tension classique des capteurs tactiles souples : la flexibilité qui garantit le confort et la naturalité du geste dégrade la précision de mesure, un compromis bien documenté dans la littérature sur la robotique tactile. Le papier reste à ce stade un preprint arXiv, sans nom de laboratoire mis en avant dans le résumé ni partenariat industriel annoncé ; il ne précise pas non plus de calendrier d'intégration dans des pipelines commerciaux de téléopération ou de collecte de données pour l'entraînement de modèles robotiques.

Recherche❖Paper

1 source

40

614arXiv cs.RO 

Système Anti-Complémentarité et Fonctions Barrières de Contrôle pour un Contrôle Corporel Complet et Sûr du Robot

Une équipe de chercheurs publie une version révisée sur arXiv (2504.17647v2) d'un travail théorique qui établit, pour la première fois de façon formelle, l'équivalence mathématique entre deux outils utilisés séparément pour garantir la sécurité des robots en temps réel : les contraintes de complémentarité et les fonctions barrières de contrôle, plus connues sous l'acronyme CBF. La démonstration porte sur des systèmes du premier ordre à données échantillonnées, c'est à dire le cadre typique du contrôle numérique embarqué sur un robot réel, et couvre à la fois le cas d'une seule contrainte de sécurité et celui de contraintes multiples simultanées, comme lorsqu'un bras ou un robot à corps entier doit éviter plusieurs obstacles ou respecter plusieurs limites articulaires en même temps. Cette unification théorique a une portée pratique directe pour le contrôle dit "whole body", c'est à dire la coordination de l'ensemble des degrés de liberté d'un robot humanoïde ou d'un bras manipulateur pour garantir l'évitement de collision en réactif, sans replanification lourde. Les deux communautés, celle de l'optimisation sous contraintes de complémentarité et celle des CBF popularisées ces dernières années en robotique et en conduite autonome, avaient développé des garanties de robustesse et des méthodes algorithmiques largement indépendantes. Prouver leur équivalence permet désormais de transférer directement les avancées de l'un vers l'autre : un résultat de robustesse démontré côté complémentarité devient exploitable côté CBF, et inversement, sans repartir de zéro. Pour les équipes qui développent des contrôleurs de sécurité pour robots industriels ou humanoïdes, cela signifie un choix d'implémentation moins contraint par la littérature disponible dans chaque sous domaine. Les CBF se sont imposées depuis une dizaine d'années comme un cadre de référence pour encoder des contraintes de sécurité dans des lois de commande temps réel, tandis que les contraintes de complémentarité viennent de la tradition de l'optimisation et du contrôle optimal sous contraintes d'inégalité. Le fait que ces deux approches, nées dans des communautés distinctes, se révèlent mathématiquement équivalentes dans ce cadre précis ouvre la voie à des travaux de comparaison plus larges, notamment pour des systèmes du second ordre et des scénarios de contraintes plus complexes, que les auteurs identifient explicitement comme prochaine étape de recherche.

Recherche❖Paper

1 source

40

615arXiv cs.RO 

« À base d'agents » ou pas, ce titre parle de synthèse de politiques robotiques guidées par le langage

Traduction et résumé français de l'article ARCHITECT : Une équipe de recherche présente ARCHITECT, un framework qui reformule l'apprentissage de politiques robotiques comme une tâche de synthèse de programme interactive plutôt que comme un modèle de bout en bout. Contrairement aux modèles vision-langage-action (VLA) qui produisent des politiques opaques et difficiles à corriger, ARCHITECT s'appuie sur des agents de codage basés sur des LLM pour générer des programmes robotiques modulaires exploitant une bibliothèque d'outils de perception et de contrôle. Un superviseur humain peut intervenir par des corrections en langage naturel, que le système relie directement au code de la politique grâce aux traces d'exécution du programme, puis distille dans une bibliothèque de compétences persistante, une forme d'apprentissage en contexte à long terme. Sur un benchmark utilisant un bras robotique Franka Panda, ARCHITECT surpasse à la fois les modèles VLA de référence et les méthodes de synthèse de programme concurrentes sur des tâches longues et complexes, dont la manipulation d'objets articulés et le pliage de tissu. L'intérêt principal réside dans la réponse apportée à un problème récurrent du secteur : le décalage entre les démonstrations impressionnantes des modèles VLA et leur fragilité en conditions réelles, où un changement de distribution provoque des échecs en cascade difficiles à diagnostiquer. En rendant chaque politique modulaire et traçable, ARCHITECT permet d'isoler précisément l'origine d'un échec et de corriger uniquement le module fautif, plutôt que de réentraîner un modèle entier. Pour les intégrateurs et décideurs industriels, cela ouvre la voie à des systèmes plus auditables et moins gourmands en données d'entraînement, un argument clé face au coût et à l'opacité des grands modèles de fondation robotiques. Ce travail s'inscrit dans un mouvement de recherche cherchant des alternatives aux VLA monolithiques, en misant sur les capacités de raisonnement des LLM pour écrire et corriger du code robotique plutôt que d'apprendre des politiques end-to-end. La bibliothèque de compétences accumulée permettrait au système de transférer ses acquis vers des tâches nouvelles avec une intervention humaine décroissante, un axe que les auteurs présentent comme une alternative data-efficiente et pilotable à l'apprentissage robotique en boîte noire. Il s'agit pour l'instant d'un résultat de recherche évalué en laboratoire, sans indication de déploiement industriel.

Recherche❖Paper

1 source

40

616arXiv cs.RO 

MSG-Loc : appariement de graphes sémantiques multi-étiquettes basé sur la vraisemblance pour la localisation globale au niveau des objets

Une équipe de recherche en robotique a présenté MSG-Loc, un nouveau cadre de localisation globale pour robots basé sur l'appariement de graphes sémantiques à étiquettes multiples. Publié sur arXiv (version révisée, décembre 2025), le travail s'attaque à un problème concret : lorsqu'un robot cherche à se repérer dans un environnement dont il ne connaît pas à l'avance les classes d'objets, l'ambiguïté sémantique multiplie les erreurs de classification et les associations incorrectes entre objets détectés et carte de référence, ce qui dégrade fortement la précision de la pose estimée. Plutôt que de représenter chaque objet observé par une seule étiquette sémantique comme le font les approches existantes, MSG-Loc construit des représentations en graphe à étiquettes multiples, capturant le contexte sémantique complet de chaque observation. La méthode affine ensuite la correspondance entre graphes en combinant, pour chaque nœud, sa propre vraisemblance avec la vraisemblance maximale de ses voisins, via un mécanisme de propagation contextuelle. Les auteurs valident l'approche à la fois en configuration "closed-set" (catégories d'objets connues à l'avance) et "open-set" (catégories non anticipées), sur des scènes intérieures réelles et des environnements synthétiques, en testant la scalabilité à un grand vocabulaire d'objets. Pour l'industrie robotique, ce travail s'attaque à un vrai point de friction dans le déploiement de robots mobiles autonomes en environnement non structuré : la plupart des systèmes de localisation sémantique actuels supposent un ensemble fermé et connu de catégories d'objets, une hypothèse qui s'effondre dès qu'un robot rencontre un objet inattendu sur un site industriel ou logistique réel. En montrant qu'une représentation multi-étiquettes réduit les erreurs d'association même en configuration open-set, MSG-Loc pointe vers des systèmes de navigation plus robustes pour les AMR (robots mobiles autonomes) déployés hors des laboratoires contrôlés, un enjeu direct pour les intégrateurs qui doivent garantir une localisation fiable sans cartographie exhaustive préalable de chaque objet possible. Ce papier s'inscrit dans la lignée des méthodes de localisation par graphes sémantiques, une alternative aux approches purement géométriques (SLAM classique) qui gagne du terrain à mesure que la détection d'objets par vision profonde devient plus fiable et plus rapide. La démarche de validation croisée entre closed-set et open-set, ainsi que le test de scalabilité sur un vocabulaire large, suggère une comparaison implicite avec les méthodes de graphe sémantique à étiquette unique publiées ces dernières années. L'article ne mentionne pas de partenariat industriel ni de déploiement sur robot physique en conditions réelles au-delà des scènes intérieures testées, ce qui en fait pour l'instant une contribution de recherche plutôt qu'une brique prête à l'industrialisation.

Recherche❖Paper

1 source

40

617arXiv cs.RO 

RRTrack : suivi robuste et récupérable de la pose 6D d'objets pour scènes dynamiques

Des chercheurs ont présenté RRTrack, un système de suivi de pose 6D d'objets conçu pour les scènes robotiques dynamiques, dans un article publié sur arXiv fin juillet 2026. L'architecture repose sur une boucle fermée à deux niveaux : une branche 2D assure la localisation continue de la cible via un module de segmentation vidéo d'objets basé sur la mémoire (VOS), tandis qu'une branche 6D vérifie la cohérence géométrique avant chaque mise à jour de cette mémoire. Pour récupérer une cible perdue après une occlusion complète, les auteurs ajoutent un module d'appariement de templates à double banque, fondé sur DINOv2, qui combine des modèles synthétiques générés hors ligne avec des ancres d'observation captées en temps réel. Un nouveau benchmark RGB-D synthétique, couvrant trois scénarios robotiques à mouvement rapide et occlusion totale, a été introduit pour évaluer la méthode. Sur ce benchmark, RRTrack améliore le score ADD-S AR de 66,3 % et l'AUC ADD-S de 65,7 % par rapport à FoundationPose, tout en tournant à 55,2 images par seconde. Des essais en conditions réelles, avec capteurs bruités, confirment la robustesse du système. Ce travail s'attaque à une limite concrète des pipelines de manipulation robotique : les estimateurs de pose image par image sont précis mais trop lourds pour du temps réel, alors que les trackers existants décrochent dès qu'un objet disparaît brièvement du champ de vision, par exemple lors d'une prise rapide ou d'une occlusion par un bras ou un autre objet. Un suivi capable de récupérer automatiquement la cible sans relancer une détection complète réduit la latence et la fragilité des boucles de perception-action, un point critique pour les intégrateurs qui déploient des bras ou des AMR dans des environnements encombrés où la visibilité continue n'est jamais garantie. FoundationPose, utilisé ici comme référence de comparaison, s'est imposé ces deux dernières années comme une base solide pour l'estimation de pose 6D généralisable sans réentraînement par objet, mais reste coûteux à faire tourner en continu. RRTrack se positionne comme une alternative plus légère et récupérable, taillée pour la robotique embarquée. Le code et le benchmark sont publiés sur GitHub, ce qui laisse la porte ouverte à une adoption rapide par la communauté recherche avant d'éventuels transferts vers des systèmes industriels.

Recherche❖Paper

1 source

40

618arXiv cs.RO 

VL-LN Bench : vers une navigation orientée objectifs à long horizon avec dialogues actifs

Une équipe de recherche propose Interactive Instance Goal Navigation (IIGN), une nouvelle tâche de navigation robotique où l'agent peut librement interroger un oracle en langage naturel pendant sa recherche d'un objet spécifique, plutôt que de recevoir une instruction figée et non ambiguë comme c'est le cas dans la navigation par instruction classique. Pour évaluer cette capacité, les chercheurs publient VL-LN Bench, un benchmark construit autour d'un pipeline de collecte de données automatisé ayant généré plus de 41 000 trajectoires de dialogue longues et augmentées, destinées à l'entraînement des modèles. Le benchmark inclut aussi un protocole d'évaluation automatique couplé à un oracle dédié capable de répondre aux questions de l'agent en cours de mission. Les expériences menées identifient deux verrous techniques majeurs : l'exploration sur de longs horizons temporels et la capacité à relier finement une information textuelle à la bonne instance parmi des distracteurs de même catégorie visuelle. Ce travail éclaire un point sensible pour l'industrie de la robotique embarquée : la plupart des agents de navigation actuels, y compris les modèles vision-langage-action (VLA) les plus avancés, fonctionnent bien sur des instructions bien formées mais s'effondrent dès que la consigne devient ambiguë, ce qui est pourtant la norme dans un usage réel en entrepôt, en intérieur domestique ou en environnement industriel non structuré. Les résultats montrent que le dialogue actif atténue partiellement ces limites, mais que l'écart avec la performance humaine reste important, ce qui tempère les annonces de robots capables de "comprendre" des instructions naturelles complexes sans supervision. IIGN s'inscrit dans la continuité de l'Instance Goal Navigation (IGN), une tâche déjà établie dans la littérature d'IA embarquée, en y ajoutant la dimension conversationnelle qui manquait pour rapprocher les benchmarks académiques des conditions réelles de déploiement. Les auteurs valident également, via des ablations, l'intérêt de leur pipeline de génération de données et montrent que leur oracle automatisé peut se substituer à une supervision humaine à moindre coût, ouvrant la voie à un entraînement à plus grande échelle de ces agents dialogiques.

Recherche❖Paper

1 source

40

619arXiv cs.RO 

N₀-VTLA : passage à l'échelle du modèle vision-tactile-langage-action grâce à des tokens tactiles latents

Une équipe de recherche présente N0-VTLA, un modèle fondation vision-tactile-langage-action (VTLA) conçu pour la manipulation fine en contact avec des objets, combinant perception tactile et contrôle par retour tactile. Décrit dans un article publié sur arXiv (2607.23782), le système repose sur trois étapes d'entraînement : un pré-entraînement visuo-tactile sur NeoData, un vaste jeu de données robotiques propriétaire combinant vision et toucher, une intégration progressive d'un canal tactile dédié, puis une amélioration de politique hors ligne baptisée ALTER. Les auteurs revendiquent le premier modèle VTLA pré-entraîné sur des données tactiles à cette échelle. Sur les neuf tâches du benchmark réel NeoReal, N0-VTLA l'emporte face à toutes les méthodes concurrentes testées. Sur une suite de vingt tâches en simulation, il atteint 63,8% de réussite moyenne, contre 44,0% pour la meilleure référence. Les politiques entraînées avec ALTER atteignent 75 à 95% de réussite sur trois tâches réelles à horizon long. Ces résultats ciblent un point de friction connu de la robotique manipulatrice : les modèles vision-langage-action actuels gèrent mal les tâches nécessitant un contact fin et continu, comme la manipulation d'objets déformables, faute d'un signal tactile correctement intégré. En démontrant qu'un canal tactile prédictif, distillé à partir de priors appris à grande échelle, améliore significativement la réussite sur des tâches de préhension délicate, l'étude apporte un argument concret pour l'intégration systématique du toucher dans les futures architectures VLA, un sujet jusqu'ici moins mature que la seule perception visuelle. La méthode ALTER, qui transforme des comparaisons de progression et d'événements de trajectoire en étiquettes d'avantage binaires, offre aussi une piste pour exploiter des corpus de déploiement déjà collectés sans reconstruire un pipeline de reward complexe. Le travail s'inscrit dans la vague récente de modèles VLA génériques (Pi-0, GR00T N2, Helix) qui cherchent à généraliser la manipulation robotique au-delà de tâches scriptées, mais reste à ce stade une contribution académique évaluée sur des benchmarks internes aux auteurs plutôt qu'un produit ou un déploiement industriel documenté. Aucune date de disponibilité, aucun partenariat commercial ni acteur français ou européen n'est mentionné dans l'article ; les prochaines étapes annoncées concernent l'extension du jeu de données NeoData et l'application d'ALTER à d'autres familles de tâches de manipulation contact-riches.

Recherche⚡Actu

1 source

40

620arXiv cs.RO 

IA incarnée dans GPT-5.1 : la preuve d'un modèle du monde ?

Une équipe de chercheurs publie une étude exploratoire sur arXiv (2607.23899) testant GPT-5.1 comme contrôleur haut niveau d'un robot mobile physique, sans qu'il ait reçu le moindre entraînement en simulation ni la moindre expérience sensorimotrice préalable. Le modèle ne dispose que d'images en première personne à basse résolution et d'un ensemble d'actions discrètes pour naviguer et accomplir des tâches orientées objet, comme localiser puis entrer en contact avec un jouet cible. Sur plusieurs essais, GPT-5.1 a montré des capacités émergentes inattendues: mémoire à court terme de la position d'objets sortis du champ de la caméra, inférence des conséquences physiques de ses propres déplacements, et exécution de séquences cohérentes comme percuter un objet puis reculer pour vérifier visuellement le résultat. Le modèle reste toutefois limité, avec des stratégies d'alignement imprécises et des erreurs d'identification sur des distracteurs éloignés. Ces résultats intéressent directement l'industrie robotique car ils questionnent l'idée reçue, ancrée en sciences cognitives et en robotique, selon laquelle un corps physique et un entraînement embarqué (simulation, données réelles massives) seraient des prérequis indispensables pour développer une forme de compréhension spatiale et physique. Si un modèle multimodal généraliste peut afficher un comportement proche d'un "modèle du monde" sans pipeline d'entraînement dédié à l'embodiment, cela ouvre la voie à des architectures de contrôle plus légères pour les intégrateurs, où un LLM prêt à l'emploi ferait office de cerveau haut niveau au-dessus d'une couche d'actions bas niveau, plutôt qu'une politique VLA entraînée spécifiquement. Le résultat s'inscrit en contraste avec la génération actuelle de modèles vision-langage-action (type Pi-0, GR00T N2 ou Helix) qui acquièrent leurs compétences physiques via de vastes corpus de démonstrations simulées ou réelles. L'étude reste exploratoire, à petite échelle et sans comparaison benchmarkée face à ces systèmes dédiés: les auteurs eux-mêmes appellent à des travaux complémentaires pour cerner l'ampleur, les limites et la robustesse de ces capacités émergentes avant d'en tirer des conclusions définitives.

IA physique❖Paper

1 source

40

621arXiv cs.RO 

Try Once, Puis Optimal : Mémoire de Procédure Dé-redondée pour l'Amortissement de l'Exploration Inter-Épisodes

Des chercheurs présentent Instance-Oriented Memory (IOM), un système de mémoire objet-centrique qui évite aux robots manipulateurs de re-sonder à chaque rencontre les objets à état caché, comme un four à micro-ondes verrouillé ou une porte au mécanisme invisible. Dès la première rencontre, réussie ou non, IOM enregistre une courte procédure indexée sur les caractéristiques visuelles de l'objet, puis l'injecte comme biais souple dans une politique de manipulation ; à la rencontre suivante, le robot reconnaît l'objet et rappelle directement la procédure au lieu de re-explorer. La distillation s'appuie sur un modèle vision-langage (VLM) prêt à l'emploi, sans entraînement spécifique à la tâche. Sur quatre tâches d'objets articulés (four et porte en simulation, bouteille et armoire sur robot réel), une mémoire de procédure oracle réduit les opérations de manipulation de 16 à 30 % sans perte de réussite, et la version instrumentée par VLM récupère 69 à 88 % de ce gain dès la sortie de boîte. L'apport cible un angle mort des mémoires inter-épisodes existantes, qui organisent la réutilisation autour d'états génériques plutôt qu'autour de l'objet et du coût réel de sa re-exploration. Pour des intégrateurs déployant des robots en environnement semi-structuré (entrepôt, cuisine, hôpital) où les mêmes appareils reviennent souvent dans le champ d'action, ce gain d'efficacité réduit directement le temps de cycle. Le point le plus significatif pour la fiabilité en conditions réelles : la procédure retrouvée n'est qu'un biais sur une politique pilotée par retour sensoriel, pas une instruction impérative, donc une mémoire erronée est corrigée plutôt que suivie aveuglément. Le taux de réussite ne régresse jamais, même quand la procédure rappelée est fausse, ce qui arrive dans environ 12 % des instances de porte, et il s'améliore même sur le robot réel. IOM s'inscrit dans la recherche sur la manipulation d'objets articulés à état caché, où le robot doit sonder physiquement un loquet ou une charnière avant d'agir de façon fiable. Contrairement aux politiques VLA généralistes récentes comme GR00T N2, Helix ou Pi-0, centrées sur la généralisation de compétences entre tâches, IOM se positionne comme une couche de mémoire additionnelle au-dessus d'une politique existante plutôt que comme un concurrent direct. L'article, soumis sur arXiv le 28 juillet 2026 en tant que nouvelle contribution, précise que le code sera publié après acceptation : aucune implémentation n'est donc encore disponible publiquement, et la validation reste pour l'instant limitée à quatre tâches de laboratoire.

Recherche❖Paper

1 source

40

622arXiv cs.RO 

Vue-Langage-Action : agir, réfléchir ou s'abstenir selon la complexité perçue

Une équipe de recherche propose un mécanisme d'inférence adaptative pour les modèles Vision-Language-Action (VLA), publié sur arXiv (2603.05147v2). Le principe: au lieu d'appliquer systématiquement un raisonnement coûteux à chaque tâche, le système classe la complexité de la situation perçue et choisit entre trois modes, Act (exécution immédiate pour les tâches connues), Think (raisonnement approfondi pour les cas ambigus) et Abstain (arrêt préventif face à une anomalie physique ou sémantique). La méthode transforme le backbone vision-langage du VLA en détecteur actif, en projetant ses embeddings latents dans des estimateurs paramétriques et non paramétriques. Testé sur les benchmarks LIBERO et LIBERO-PRO ainsi que sur un robot réel, le modèle combinant un Gaussian Mixture Model appliqué aux embeddings fusionnés vision-langage-instruction obtient jusqu'à 87,5% de F1-score sur deux backbones VLA différents, SmolVLA et π0, et conserve 83% de performance avec seulement 5% des données d'entraînement, dépassant les détecteurs d'échec de l'état de l'art. Pour l'industrie robotique, ce travail s'attaque à deux problèmes concrets qui freinent le déploiement des VLA en production: le coût de calcul du raisonnement systématique, qui pénalise le temps de cycle et l'autonomie embarquée sur des tâches triviales, et l'absence de garde-fou fiable face aux scénarios hors distribution, source de défaillances catastrophiques en environnement réel. En donnant au modèle une estimation d'incertitude native plutôt qu'un raisonnement en force brute partout, l'approche vise un compromis entre latence et sécurité que les intégrateurs réclament pour justifier un passage du laboratoire à l'usine ou à l'entrepôt. Le fait que la robustesse se maintienne avec 5% des données seulement suggère aussi une piste pour réduire le coût d'entraînement spécifique à chaque nouvelle tâche. Le travail s'inscrit dans la lignée des VLA généralistes comme π0 (Physical Intelligence) et des modèles compacts comme SmolVLA, dont la généralisation reposait jusqu'ici surtout sur l'ajout de modules de raisonnement, au prix de la latence. En s'appuyant sur les benchmarks de simulation LIBERO et sa variante durcie LIBERO-PRO, complétés par une validation sur robot physique, les auteurs positionnent leur détecteur de complexité comme une alternative aux approches existantes de détection d'échec. Les prochaines étapes attendues concernent l'extension à d'autres familles de VLA et une validation à plus grande échelle en conditions industrielles réelles.

Recherche⚡Actu

1 source

39

623arXiv cs.RO 

Object SLAM sémantique semi-incrémental sans association de données

Une équipe de recherche publie sur arXiv (identifiant 2607.23384) un nouveau framework de SLAM baptisé "Semantic Semi-Incremental Data-Association-Free Object SLAM", conçu pour résoudre conjointement quatre problèmes habituellement traités séparément : l'association des mesures aux bons landmarks, l'estimation de la trajectoire du robot, la position des objets repérés dans l'environnement, et leur sémantique. Le système exploite à la fois des mesures de position classiques et des informations sémantiques issues de réseaux de détection d'objets (labels de classe) ou de modèles de fondation visuels (vecteurs de features), qu'il combine avec les données odométriques du robot. La méthode adopte un schéma d'estimation semi-incrémental, un compromis entre les approches purement incrémentales et par lots, pensé pour améliorer la précision tout en maîtrisant le coût de calcul. Les auteurs fournissent également des heuristiques et une justification théorique pour estimer automatiquement le nombre de landmarks présents dans une scène, un paramètre souvent fixé arbitrairement dans les systèmes existants. Le framework est validé sur des jeux de données synthétiques et réels, avec deux types d'information sémantique testés, et affiche des performances supérieures à des baselines jugées solides par les auteurs. L'enjeu dépasse la seule prouesse académique. L'association de données reste l'un des goulots d'étranglement historiques du SLAM : une erreur d'appariement entre une mesure et un landmark peut faire diverger toute la carte construite par un robot mobile ou un AMR en environnement encombré. En intégrant la sémantique directement dans le calcul d'association plutôt qu'en l'utilisant comme simple filtre a posteriori, cette approche s'inscrit dans une tendance de fond où les systèmes de perception cessent de traiter géométrie et sémantique comme deux couches indépendantes. Pour les intégrateurs travaillant sur la navigation autonome en entrepôt ou en environnement industriel, cela laisse entrevoir des cartes plus robustes aux occlusions et aux environnements dynamiques, où les repères géométriques seuls sont souvent ambigus. Ce travail s'inscrit dans la lignée des systèmes "SLAM sémantique" et "SLAM sans association explicite" qui se sont multipliés depuis l'essor des détecteurs d'objets profonds et des modèles de fondation visuels type CLIP ou DINO. Contrairement aux approches qui traitent l'association de données comme un problème résolu en amont par un simple seuillage de similarité, les auteurs la formulent comme une variable à estimer conjointement avec le reste du système, ce qui la rapproche des travaux récents en SLAM bayésien multi-hypothèses. La publication ne mentionne pas de déploiement sur robot réel en conditions industrielles ; il s'agit à ce stade d'une contribution méthodologique évaluée en benchmark, dont l'adoption pratique dépendra de sa capacité à tourner en temps réel embarqué.

Recherche❖Paper

1 source

39

624arXiv cs.RO 

CReF : fusion croisée et récurrente pour la locomotion humanoïde conditionnée par la profondeur

Cette avancée en recherche fournit une méthode de bout en bout pour permettre à un robot humanoïde de marcher sur des terrains complexes en utilisant seulement une caméra de profondeur, sans passer par une carte 3D intermédiaire du terrain. Baptisée CReF (Cross-modal and Recurrent Fusion), l'approche fusionne directement les données de profondeur brutes captées à l'avant du robot avec les signaux de proprioception (l'état interne des articulations et du corps), via un mécanisme d'attention croisée piloté par la proprioception. Cette fusion passe ensuite par un bloc résiduel à porte, puis par une unité récurrente GRU dotée d'une porte de sortie de type "highway", qui pondère dynamiquement la contribution des informations récurrentes et instantanées selon le contexte. Les chercheurs ajoutent une récompense d'appui au sol qui identifie, à partir de nuages de points sous les pieds, les zones porteuses les plus proches et incite le robot à y poser le pied. Testée en simulation puis sur un humanoïde physique, la méthode montre un transfert zero-shot réussi vers des environnements réels variés : mains courantes, palettes ajourées, surfaces fortement réfléchissantes et terrains extérieurs encombrés visuellement. L'intérêt pour l'industrie tient à la simplification radicale du pipeline perception-vers-contrôle. Les méthodes précédentes s'appuyaient souvent sur des représentations de terrain 2.5D centrées sur le robot ou sur des objectifs géométriques auxiliaires pendant l'apprentissage, ce qui imposait des étapes de construction de carte ou des transferts de compétences en plusieurs stades. En évitant ces intermédiaires géométriques explicites, CReF réduit la latence et la complexité d'intégration, un enjeu direct pour les intégrateurs qui cherchent à déployer des humanoïdes en environnement logistique ou industriel réel plutôt qu'en démonstration contrôlée. Le succès du transfert zero-shot sur des surfaces réfléchissantes et des structures ajourées, deux cas connus pour perturber les capteurs de profondeur, est une preuve empirique concrète que l'apprentissage bout-en-bout depth-vers-contrôle peut tenir la route hors laboratoire, un point encore débattu dans le secteur. Ce travail s'inscrit dans la lignée des recherches sur la locomotion perceptive des humanoïdes, où la tension entre robustesse et simplicité d'architecture reste un problème ouvert, à côté des approches concurrentes utilisant des cartes d'élévation ou des skills pré-entraînés séparément. L'article, disponible sur arXiv, en est à sa troisième version révisée, signe d'itérations après retours de relecture. Les auteurs ne précisent pas de plateforme commerciale ni de partenaire industriel associé à ces travaux, qui relèvent pour l'instant de la recherche académique plutôt que d'un produit déployé ; la prochaine étape naturelle serait une validation sur davantage de plateformes humanoïdes et en conditions de production prolongées.

Recherche❖Paper

1 source

39

625arXiv cs.RO 

IA incarnée : représentations polynomiales pour le contrôle moteur structuré par l'interaction

Des chercheurs présentent PRISM (Polynomial Representations for Interaction-Structured Motor Control), une nouvelle architecture pour les politiques de contrôle robotique, décrite dans un preprint arXiv publié fin juillet 2026. Le constat de départ : la quasi-totalité des politiques robotiques reposent aujourd'hui sur des MLP (perceptrons multicouches) qui associent observations et actions de façon linéaire couche par couche, alors que des phénomènes physiques clés (puissance, effets inertiels, contact, glissement, compliance) dépendent en réalité de produits entre variables observées, pas de leur simple somme pondérée. PRISM introduit un module polynomial factorisé qui expose ces interactions d'ordre supérieur sans énumérer tous les termes polynomiaux possibles, ce qui le rend compact et entraînable de bout en bout. En apprentissage par renforcement, le module s'ajoute après un backbone MLP standard via une fonction polynomiale élément par élément activée progressivement ; en apprentissage par imitation, il remplace le conditionnement proprioceptif linéaire de Diffusion Policy par une couche polynomiale. Sur des tâches de locomotion humanoïde et de manipulation à contacts riches, PRISM surpasse les MLP classiques, y compris des MLP plus larges à capacité équivalente, et produit un comportement compliant sans capteur de force, de couple, tactile, ni étiquette de contact ou contrôle en admittance. Pour l'industrie robotique, le résultat central est que la structure des interactions ne se remplace pas simplement par davantage de paramètres, un argument qui s'oppose à la tendance actuelle consistant à gonfler la taille des modèles VLA (Pi-0, GR00T N2, Helix) pour gagner en performance. La compliance sans capteur intéresse particulièrement les intégrateurs, car elle réduit le coût et la complexité du câblage tactile sur les mains et pinces. PRISM se positionne comme une brique architecturale plutôt qu'un produit : c'est un preprint non encore relu par les pairs, testé en simulation sur des benchmarks académiques, avec code et vidéos disponibles sur la page du projet. La comparaison directe avec Diffusion Policy, référence largement utilisée en apprentissage par imitation, suggère une piste d'intégration dans les têtes d'action des futurs modèles VLA plutôt qu'un remplacement complet des architectures existantes.

Recherche❖Paper

1 source

39

626arXiv cs.RO 

Le contexte peut-il combler l'écart de réalité ? Transfert simulation-réel des politiques sensibles au contexte

Le sim-to-real transfer, c'est-à-dire le passage d'une politique de contrôle entraînée en simulation vers un robot réel, reste l'un des obstacles majeurs de l'apprentissage par renforcement (RL) en robotique. Une équipe de recherche propose dans cet article (arXiv:2511.04249, version révisée) d'intégrer un module d'estimation du contexte, c'est-à-dire une estimation des paramètres dynamiques de l'environnement, directement dans le pipeline d'entraînement basé sur la Domain Randomization (DR). Les chercheurs comparent plusieurs stratégies de supervision de cet estimateur de contexte, considérées comme état de l'art, et évaluent les politiques résultantes sur deux terrains : un benchmark de contrôle standard en simulation, et une tâche réelle de poussée d'objet (pushing) exécutée avec un bras robotique Franka Emika Panda. L'enjeu dépasse la seule prouesse technique : la Domain Randomization, qui consiste à exposer la politique à une large gamme de dynamiques aléatoires pendant l'entraînement pour la rendre robuste, améliore le transfert vers le réel mais dégrade souvent les performances, car la politique doit rester valable pour tous les cas randomisés plutôt que de s'optimiser pour un seul. En conditionnant la politique sur une estimation du contexte plutôt qu'en l'entraînant à l'ignorer, les auteurs cherchent à réconcilier robustesse et performance, un compromis central pour quiconque déploie du RL sur du matériel réel en usine ou en logistique. Les résultats montrent que les politiques context-aware surpassent systématiquement la baseline context-agnostic sur tous les scénarios testés, ce qui confirme l'intérêt de cette approche, mais sans stratégie de supervision universelle : le choix optimal dépend de la tâche. Ce travail s'inscrit dans une lignée de recherches visant à combler l'écart de réalité (reality gap) qui limite le RL appliqué à la robotique depuis plusieurs années, la DR classique restant la référence malgré ses limites connues. En publiant une version révisée sur arXiv, les auteurs affinent une méthode déjà proposée plutôt que d'annoncer un nouveau système. La validation reste à ce stade circonscrite à une tâche de manipulation simple sur un seul bras robotique commercial ; l'étape suivante consisterait à tester la généralisation de cette approche sur des tâches plus complexes et des plateformes variées avant d'envisager une adoption industrielle.

Recherche❖Paper

1 source

39

627arXiv cs.RO 

Mémoire pour attention : re-perception conditionnée par le langage avec une carte vision-langage-mouvement

Des chercheurs testent une carte persistante annotée par comportements, la Vision-Language-Motion Map (VLMM), sur deux questions de planification robotique. Sur 28 scènes du simulateur AI2-THOR, un planificateur exploitant les coûts comportementaux de la VLMM réduit l'objectif de planification d'environ 35% par rapport à une approche classique. Mais en exécution réelle en boucle fermée, ce gain fond à environ 4%, et un modèle vision-langage (VLM) interrogé à la demande fait quasiment aussi bien. Sur la seconde question, celle de savoir quoi ré-observer en priorité quand le budget de perception est limité, la mémoire de la carte, historique des changements ou simple date de dernière observation, produit le meilleur calendrier de re-perception, équivalent à un oracle, là où un VLM sans mémoire se révèle médiocre. Le bénéfice se concentre sur les objets importants (facteur d'environ 1,6 fois la moyenne), et une tâche de récupération d'objet confirme moins de trajets inutiles. Le gain croît avec l'hétérogénéité des scènes selon une borne de Cauchy-Schwarz, égale à la variance de la racine de la volatilité. Avec un vrai prior CLIP sur des objets rendus, l'avantage atteint +21 à 26%. Quand la tâche est conditionnée par le langage, la VLMM identifie les objets pertinents en vocabulaire ouvert et suit leurs changements, dépassant une base récence-pertinence de +2,5% et un VLM à la demande de +8,9%. Ce résultat nuance l'idée répandue qu'une carte sémantique persistante améliore mécaniquement la navigation: pour "comment contourner une pièce", la mémoire est un luxe dont l'intérêt s'évapore à l'exécution, un VLM interrogé au vol suffisant. En revanche, pour décider quoi re-observer sans tout rescanner, cruciale pour un robot mobile ou humanoïde à budget de calcul et de caméra limité, la mémoire change la donne. Pour les intégrateurs, la leçon est concrète: pas besoin de carte comportementale complexe pour le déplacement, mais un vrai gain à prioriser les re-vérifications sur les objets qui comptent, avec économie de calcul et de temps de cycle. Ni le langage seul ni la dynamique seule ne suffisent, seule leur combinaison produit l'avantage. Les cartes sémantiques enrichies par VLM se sont multipliées avec la montée des modèles vision-langage-action, généralement validés en simulation avant tout déploiement réel. Ce travail se positionne en creux face à cette tendance en exposant l'écart entre gains de planification hors ligne et performance réelle en boucle fermée, un avertissement utile pendant que le secteur multiplie les annonces de cartes cognitives pour robots humanoïdes et logistiques. Les auteurs comparent leur approche aux VLM à la demande, sans mémoire mais coûteux en calcul, et aux baselines de récence pondérée. Travail de recherche publié sur arXiv, sans partenaire industriel annoncé, ses suites naturelles porteraient sur une validation hors simulateur et sur des plateformes robotiques réelles, où l'arbitrage calcul-mémoire-perception est plus contraint.

Recherche❖Paper

1 source

39

628arXiv cs.RO 

UAV-ON : un référentiel pour la navigation aérienne autonome vers des objets en monde ouvert

Un nouveau benchmark baptisé UAV-ON vise à évaluer la capacité de drones autonomes à localiser des objets dans de vastes environnements ouverts, sans dépendre d'instructions linguistiques détaillées. Publié sur arXiv (2508.00288v5), le jeu de données couvre 14 environnements haute fidélité construits sous Unreal Engine, mêlant zones urbaines, milieux naturels et espaces mixtes, avec des agencements spatiaux complexes. Il définit 1270 objets cibles annotés individuellement, chacun décrit par une instruction de niveau instance précisant la catégorie, l'emprise physique et des descripteurs visuels, permettant un raisonnement ancré dans la scène. Les chercheurs ont aussi implémenté plusieurs méthodes de référence, dont Aerial ObjectNav Agent (AOA), une politique modulaire combinant sémantique de l'instruction et observations égocentriques pour une exploration orientée objectif sur de longs horizons. Résultat: tous les modèles testés peinent à accomplir la tâche, ce qui souligne la difficulté cumulée de la navigation aérienne et de l'ancrage sémantique des objectifs. Ce benchmark marque une rupture avec le paradigme dominant de la navigation vision-langage (VLN), qui repose sur des séquences d'instructions pas à pas et limite de fait l'autonomie et le passage à l'échelle des agents. En proposant une tâche d'Object Goal Navigation où l'agent ne reçoit qu'un objectif sémantique de haut niveau, UAV-ON teste une compétence plus proche des besoins réels d'inspection, de surveillance ou de cartographie par drone. L'échec généralisé des baselines confirme que le passage d'instructions détaillées à des objectifs sémantiques abstraits reste un verrou majeur, loin d'être résolu malgré les progrès des modèles vision-langage-action sur d'autres plateformes robotiques. La navigation aérienne embarquée demeure sous-explorée comparée à la navigation terrestre, où les benchmarks VLN se sont multipliés ces dernières années. UAV-ON s'inscrit dans cette lignée en l'adaptant aux contraintes spécifiques du vol: grande échelle, environnements non structurés, absence de repères au sol. Les auteurs positionnent ce travail comme une fondation pour de futures recherches sur l'autonomie UAV pilotée par des descriptions sémantiques, ouvrant la voie à des méthodes capables de généraliser au-delà des scénarios scriptés actuels.

Recherche❖Paper

1 source

39

629arXiv cs.RO 

NEO : NeRF Une Fois, Éditer Plusieurs Fois pour la Manipulation Continue d'Objets

Des chercheurs présentent NEO (NeRF It Once, Edit It Many Times), un framework unifié qui permet d'éditer des champs de radiance neuronaux (NeRF) guidés par le langage pour la manipulation robotique. Le système repose sur trois apports techniques : une méthode de suppression d'objets guidée par texte combinant un rééchantillonnage du champ neuronal avec un inpainting progressif cohérent sur plusieurs vues, une technique d'édition directe des poids du NeRF par distillation de connaissances qui compose le champ original et le champ édité via un modèle enseignant-élève, permettant de modéliser à l'avance l'état futur d'une scène avant qu'un robot n'exécute une action, et NEO-Dataset, présenté comme le premier benchmark dédié à l'évaluation quantitative des méthodes d'édition de scènes NeRF appliquées à la manipulation robotique. Selon les auteurs, l'approche surpasse les méthodes de référence de l'état de l'art sur des tâches d'édition de scène, incluant la suppression d'objets et des expériences robotiques de type pick-and-place, avec des résultats visuellement cohérents et géométriquement consistants, réduisant les artefacts habituellement générés par les approches concurrentes. Pour les équipes qui travaillent sur la perception et la planification robotique, l'intérêt de NEO tient à sa capacité à anticiper l'état d'une scène après une action, sans reconstruire un NeRF complet à chaque itération : c'est un gain potentiel en temps de calcul et en robustesse pour les pipelines de saisie et de manipulation basés sur des représentations 3D implicites. La réduction des artefacts est un point concret pour les intégrateurs, car les distorsions géométriques issues d'un NeRF édité de façon incohérente peuvent fausser la planification de préhension ou la détection de collision. L'existence d'un benchmark dédié, NEO-Dataset, comble aussi un manque : jusqu'ici, l'évaluation des méthodes d'édition de scène NeRF pour la robotique manquait de protocole standardisé, ce qui rendait les comparaisons entre approches peu fiables. Ce travail s'inscrit dans une tendance de recherche plus large visant à exploiter les NeRF, initialement conçus pour le rendu de vues nouvelles, comme représentations exploitables pour la planification robotique et la simulation de scènes futures. Les méthodes antérieures d'édition de NeRF souffraient soit d'un coût de réentraînement prohibitif, soit d'artefacts visuels limitant leur usage en boucle fermée avec un robot. En proposant une édition directe des poids par distillation plutôt qu'un réentraînement complet, NEO se positionne comme une alternative plus légère aux approches existantes. Le papier, publié sur arXiv, ne précise pas encore de déploiement matériel à grande échelle ; il s'agit à ce stade d'une contribution méthodologique et d'un benchmark, dont l'adoption par d'autres équipes de recherche en manipulation robotique reste à confirmer.

Recherche❖Paper

1 source

39

630arXiv cs.RO 

WorldDiT : une architecture de diffusion unifiée pour la modélisation du monde et des actions

WorldDiT est une nouvelle architecture de transformeur à diffusion présentée dans un article arXiv publié fin juillet 2026, qui unifie la génération d'actions robotiques et la modélisation visuelle du monde dans un seul réseau. Contrairement à la tendance dominante consistant à adosser les politiques robotiques à de grands modèles vision-langage (VLM) préentraînés comme backbone, un unique transformeur à diffusion génère ici des séquences d'actions continues tout en prédisant, en parallèle, des patchs RGB normalisés issus des futures images de caméra. Sur les quatre suites de simulation LIBERO, référence standard pour évaluer la généralisation en manipulation robotique, WorldDiT se positionne sur la frontière de Pareto reliant nombre de paramètres et taux de réussite moyen, avec un modèle de moins d'un milliard de paramètres. Ce résultat questionne une hypothèse répandue dans le secteur des politiques vision-langage-action (VLA) : que la performance en manipulation exige de coupler l'action à un VLM massif préentraîné, comme le font des approches telles que Pi-0 ou GR00T N2. Un modèle sub-milliard capable de rivaliser sur ces bancs d'essai ouvre une voie vers des architectures moins gourmandes en calcul, un enjeu concret pour les intégrateurs visant un déploiement embarqué plutôt que du cloud. Le papier s'inscrit dans une lignée de recherches couplant prédiction visuelle et contrôle moteur, alors que le secteur multiplie les architectures VLA à grande échelle (Helix chez Figure, GR00T N2 chez Nvidia). Les auteurs présentent toutefois WorldDiT comme une base de référence pour de futures études de mise à l'échelle, uniquement validée en simulation LIBERO, sans expérimentation sur robot réel à ce stade.

Recherche⚡Actu

1 source

39

631arXiv cs.RO 

Modèle vision-langage-action adaptatif via hyperréseaux pour le guidage, la navigation et le contrôle multitâche

Une équipe de recherche présente HYPER-GNC, un système de contrôle par apprentissage par renforcement multi-tâches destiné aux robots autonomes en vol libre dans l'environnement orbital, c'est-à-dire aux satellites capables de manœuvrer seuls. Le principe repose sur un hyper-réseau qui traduit des embeddings de tâches informés par la physique en poids d'un réseau acteur-critique partagé, permettant à un seul contrôleur compact de maîtriser quatre missions de guidage, navigation et contrôle (GNC) distinctes : le suivi de vitesse, l'amarrage (docking), l'inspection et la navigation avec évitement d'obstacles. L'espace d'embedding étant continu, le système généralise à de nouvelles configurations de mission au moment du déploiement, sans réentraînement. Les auteurs rapportent une efficacité d'apprentissage comparable à celle de contrôleurs spécialisés entraînés tâche par tâche, une stabilité maintenue face à des perturbations inertielles importantes et à des forces externes, ainsi qu'une validation sur un émulateur satellite physique, franchissant l'écart simulation-réel sur l'ensemble des profils de mission. Le code, les modèles entraînés et les scripts de déploiement sont publiés en accès libre. L'enjeu dépasse la seule performance académique : dans l'industrie spatiale, chaque mission de servicing, d'inspection ou de rendez-vous orbital nécessite aujourd'hui un contrôleur dédié, ce qui complique la maintenance logicielle et ralentit l'adaptation à de nouvelles missions. Un contrôleur unique capable de couvrir plusieurs tâches et de généraliser sans réentraînement réduirait la charge d'ingénierie pour les opérateurs de satellites de servicing et de constellations, un argument comparable à celui avancé par les modèles génériques de robotique terrestre de type VLA. La validation sur banc physique, et non uniquement en simulation, répond directement au scepticisme habituel sur l'écart entre démonstrations simulées et comportement réel. Ce travail s'inscrit dans la tendance plus large des hyper-réseaux et du RL multi-tâches appliqués à la robotique, où l'architecture partagée remplace la multiplication de politiques spécialisées. La publication du code et des modèles entraînés ouvre la voie à une reproduction et à une extension par d'autres équipes, notamment vers des missions orbitales réelles au-delà du seul émulateur satellite utilisé pour la validation.

IA physique⚡Actu

1 source

39

632arXiv cs.RO 

FloAff-Kitchen : relier navigation et manipulation par apprentissage canonique et progressif de l'affordance du sol

Des chercheurs du HERO Lab (Central South University, Chine) ont publié fin juillet 2026 sur arXiv "FloAff-Kitchen", un système qui apprend aux robots mobiles à choisir où poser leur base au sol non pas seulement pour atteindre une cible de navigation, mais pour maximiser la réussite d'une tâche de manipulation qui suit. Le cœur technique repose sur deux briques : une représentation canonique de l'affordance au sol (CFAR), qui isole la géométrie d'interaction utile en supprimant les variations de position et d'orientation des objets sans rapport avec le placement du robot, et un apprentissage progressif (PFAL), qui transfère des priors appris sur une tâche de manipulation de référence vers un éventail de compétences hétérogènes en aval. Pour évaluer l'approche, l'équipe a construit le premier benchmark multi-scènes et multi-points de vue dédié à cette problématique, FloAff-Kitchen, couvrant différentes compétences de manipulation, agencements de pièces, styles de mobilier et angles de caméra. Sur trois configurations de test, la méthode dépasse systématiquement les approches de référence, et des études d'ablation confirment l'apport de chaque composant proposé. La contribution cible un angle mort classique de la manipulation mobile : la plupart des systèmes de navigation évaluent uniquement si une position est atteignable, sans tenir compte de si elle permet réellement de réussir la préhension ou la manipulation qui suit. Distinguer une perception conditionnée par la navigation d'une perception conditionnée par la tâche est précisément ce qui bloque souvent le passage de la démonstration en environnement contrôlé au déploiement en cuisine ou en environnement domestique réel, où l'orientation des objets et l'encombrement varient. Pour les intégrateurs travaillant sur des robots mobiles manipulateurs ou des humanoïdes destinés à des tâches ménagères ou de service, ce travail illustre une tendance de fond de la recherche actuelle : combler l'écart entre modules de navigation et de manipulation plutôt que les traiter comme deux problèmes séparés, une des limites régulièrement citées pour expliquer l'écart entre vidéos de démonstration et fiabilité en conditions réelles. Ce travail s'inscrit dans la lignée des recherches sur l'apprentissage d'affordances spatiales pour la robotique, un domaine qui s'est étendu des affordances de préhension d'objets aux affordances de placement du robot lui-même, en écho aux efforts de modèles VLA comme Pi-0 ou GR00T N2 qui cherchent à unifier perception et action dans un même modèle. Contrairement aux approches génériques de navigation qui ignorent l'objectif de manipulation final, FloAff-Kitchen propose un cadre pensé spécifiquement pour l'environnement cuisine, un cas d'usage central pour les startups de robots domestiques. L'équipe met à disposition le benchmark et la page du projet publiquement, ce qui devrait permettre des comparaisons directes avec de futures méthodes sur ce sous-problème encore peu standardisé de la manipulation mobile.

Recherche❖Paper

1 source

38

633arXiv cs.RO 

Apprentissage de priors moteurs hybrides réutilisables pour la locomotion humanoïde par imitation de mouvement

Une équipe de recherche propose un pipeline en trois étapes pour transformer l'imitation de mouvement humain en un "hybrid motion prior" (HMP) réutilisable pour la locomotion humanoïde. D'abord, une politique experte est entraînée par apprentissage par renforcement à imiter des séquences de motion capture humaine retargetées sur un squelette robotique. Cette expertise est ensuite distillée dans une architecture figée composée d'un encodeur proprioceptif, d'un codebook RVQ (residual vector-quantized) et d'un décodeur d'actions. Enfin, des politiques spécifiques à chaque tâche sont entraînées à sélectionner des entrées discrètes de ce codebook, sans jamais réentraîner le HMP sous-jacent. La méthode est évaluée en simulation sur trois tâches : suivi de vitesse, navigation vers un point cible, et récupération de chute avec suivi de vitesse. La politique de suivi de vitesse a ensuite été déployée sur un robot réel, un Unitree G1. Les chercheurs montrent aussi qu'entraîner le codebook avec un "rotation trick" plutôt qu'un estimateur straight-through classique améliore l'organisation de l'espace latent et réduit le nombre de chutes en aval. L'intérêt principal tient à la réutilisabilité : au lieu d'entraîner une politique RL distincte par tâche avec sa propre fonction de récompense, un seul module d'action reste figé et sert d'interface commune à plusieurs politiques de haut niveau. Cela répond à une limite connue de l'imitation de mouvement, dont les contrôleurs restent généralement de simples "suiveurs" de référence, inutilisables tels quels pour résoudre une tâche. Le codebook obtenu s'avère aussi interprétable : le nombre d'étages RVQ actifs module directement les types de démarche disponibles, un signal utile pour du contrôle hiérarchique. Pour les équipes qui construisent des piles logicielles humanoïdes, cette approche s'inscrit dans la même logique que les bibliothèques de compétences motrices low-level découplées des politiques de tâche, un principe partagé par des modèles VLA comme Pi-0, GR00T N2 ou Helix, même si ceux-ci ciblent surtout la manipulation. Ce travail s'inscrit dans la lignée des méthodes d'imitation de mouvement pour humanoïdes (type DeepMimic, ASE) qui cherchent depuis plusieurs années à extraire des priors moteurs génériques à partir de données de capture humaine. Le déploiement reste toutefois limité à un seul robot et une seule tâche testée en réel, la navigation et la récupération de chute n'ayant été validées qu'en simulation. Les auteurs présentent cela comme une brique réutilisable, ouvrant la voie à d'autres politiques de tâche construites sur le même HMP sans nouveau cycle d'entraînement complet.

Recherche❖Paper

1 source

38

634arXiv cs.RO 

DeReCo : découpler l'apprentissage de la représentation et de la coordination pour le transport coopératif décentralisé multi-robots adaptatif à l'objet

Une revue académique (pas d'annonce produit ni de déploiement commercial), donc j'adapte le cadre en conséquence. Des chercheurs présentent DeReCo (Decoupling Representation and Coordination learning), un nouveau framework d'apprentissage par renforcement multi-agent (MARL) pour le transport coopératif décentralisé d'objets par plusieurs robots. Le problème ciblé : généraliser cette coopération à des objets de formes et de propriétés physiques très variées, sous exécution décentralisée, où chaque robot ne dispose que d'observations partielles. L'approche classique optimise conjointement, de bout en bout, la représentation de l'objet et la politique de coordination en randomisant formes et propriétés durant l'entraînement, une méthode coûteuse en échantillons car les erreurs de représentation, dues à l'observabilité partielle, déstabilisent l'apprentissage de la coordination, tandis que la non-stationnarité propre au MARL dégrade en retour la qualité des représentations. DeReCo découple les deux tâches via un entraînement en trois étapes : apprentissage centralisé de la coordination avec accès à des informations privilégiées sur l'objet, reconstruction des représentations dépendantes de l'objet à partir des observations locales seules, puis retrait progressif de ces informations privilégiées pour aboutir à une exécution totalement décentralisée. En simulation, DeReCo dépasse les méthodes de référence sur trois objets d'entraînement, se généralise à six objets inédits présentant des masses et coefficients de friction différents, et obtient de meilleurs résultats que les baselines sur deux objets inédits testés en conditions réelles avec de vrais robots. Pour l'industrie robotique, ce travail s'attaque à un verrou concret : la manipulation coopérative multi-robots reste aujourd'hui largement cantonnée à des objets connus à l'avance ou à des scénarios d'entraînement peu variés, ce qui limite son déploiement en logistique, en entrepôt ou sur chantier, où les charges à déplacer diffèrent sans cesse en poids, en forme et en friction. En démontrant qu'un découplage architectural, plutôt qu'un entraînement bout en bout monolithique, améliore à la fois l'efficacité d'apprentissage et la généralisation à des objets jamais vus, DeReCo apporte une piste méthodologique réutilisable au-delà du transport d'objets, pour tout système multi-agent décentralisé confronté à des tâches non stationnaires. Le test sur robots réels, même limité à deux objets inédits, est le point le plus significatif : il confirme que les gains obtenus en simulation ne s'évaporent pas au passage au monde réel, un écart (sim-to-real gap) qui reste l'un des principaux points de friction du secteur. Ce papier, disponible sur arXiv sous une version révisée (2603.08111v2), s'inscrit dans un courant de recherche plus large sur l'apprentissage par renforcement multi-agent appliqué à la robotique coopérative, où la difficulté majeure reste de faire coexister observabilité partielle, communication limitée entre agents et diversité des tâches. La stratégie en trois étapes de DeReCo, avec informations privilégiées en phase d'entraînement puis retrait progressif, rappelle les techniques de type teacher-student déjà utilisées en locomotion de robots quadrupèdes et humanoïdes pour combler l'écart entre simulation et déploiement réel. Les auteurs limitent pour l'instant leurs validations réelles à un nombre restreint d'objets et ne précisent pas le nombre de robots impliqués ni le matériel utilisé, ce qui laisse ouverte la question du passage à l'échelle vers des flottes plus larges ou des objets de très grande taille, typiques des usages industriels visés à terme.

Recherche❖Paper

1 source

38

635arXiv cs.RO 

FutureRTC : exécution robotique en temps réel par regroupement d'actions conditionné par anticipation

Des chercheurs présentent FutureRTC, un framework destiné à corriger un problème concret du déploiement temps réel des politiques Vision-Language-Action (VLA) sur robots : lorsque l'exécution est asynchrone, c'est-à-dire que le prochain bloc d'actions (« chunk ») est calculé pendant que le bloc courant s'exécute encore, un décalage apparaît entre ce qui a été prédit et ce qui se passe réellement, provoquant des discontinuités visibles aux frontières entre chunks. Contrairement aux approches existantes qui lissent superficiellement ces transitions, réentraînent coûteusement la politique, ou ne prédisent que les états proprioceptifs sans tenir compte des observations visuelles, FutureRTC s'installe en complément d'une politique VLA existante sans la modifier. Le système combine un module de correction d'état, qui compense l'écart entre les états proprioceptifs projetés en avance et ceux réellement observés à l'exécution, et un module de prédiction d'observation, qui anticipe les représentations visuelles au moment de l'exécution en utilisant le mouvement du robot comme a priori physique via un transport et une reconstruction de caractéristiques conditionnés par ce mouvement. Une fonction de perte de cohérence aligne enfin les chunks d'actions générés à partir de ces contextes prédits avec ceux que produirait la politique si elle recevait directement les entrées réelles. Ce travail cible un angle mort fréquent des démonstrations de VLA : la plupart des résultats publiés minimisent la latence d'inférence, un scénario éloigné des contraintes réelles d'un robot où le calcul d'un nouveau chunk prend un temps non négligeable pendant lequel le bras ou l'humanoïde continue de bouger. En corrigeant ce décalage sans réentraîner la politique, FutureRTC s'attaque directement à l'écart entre démonstration en laboratoire et déploiement industriel, un enjeu central pour les intégrateurs qui font tourner des politiques VLA génériques sur du matériel aux contraintes de latence variables. Les auteurs rapportent des trajectoires plus lisses, une exécution plus rapide et de meilleurs taux de succès face aux délais d'inférence, en simulation comme sur robot réel, sans toutefois publier de chiffres détaillés dans le résumé. Le papier s'inscrit dans la recherche actuelle sur les politiques VLA généralistes, dans la lignée de modèles comme Pi-0 ou GR00T N2, où la latence d'inférence devient critique à mesure que ces modèles grossissent. Publié sur arXiv comme nouvelle soumission, sans partenariat industriel ni calendrier de déploiement mentionné, il reste pour l'instant un résultat académique dont la portée pratique dépendra de sa reproduction sur des plateformes robotiques tierces.

Recherche⚡Actu

1 source

38

636arXiv cs.RO 

PAC-DP : apprentissage de politiques de diffusion par une approche PAC-bayésienne

L'article scientifique publié sur arXiv le 28 juillet 2026 présente PAC-DP (PAC-Bayesian Diffusion Policy), une méthode d'entraînement pour les politiques de diffusion utilisées en manipulation robotique. Les auteurs modélisent la politique de diffusion comme un réseau de neurones bayésien et définissent une borne de généralisation PAC-Bayes, ce qui leur permet de dériver un nouvel objectif d'entraînement. Concrètement, cet objectif ajoute à la fonction de perte de débruitage standard un terme de régularisation basé sur la divergence de Kullback-Leibler entre la distribution postérieure et la distribution a priori des paramètres du réseau. Les résultats expérimentaux, obtenus sur plusieurs benchmarks de manipulation robotique, montrent une amélioration des performances de débruitage, une log-vraisemblance négative variationnelle plus faible, et des taux de réussite supérieurs par rapport aux politiques de diffusion classiques. Cette contribution s'adresse à un problème concret et récurrent en robotique : l'entraînement des politiques de diffusion repose généralement sur un objectif de débruitage qui offre peu de garanties de généralisation, en particulier dans les régimes à données limitées typiques des applications robotiques réelles, où collecter des démonstrations expertes reste coûteux. Les auteurs montrent que les gains de performance sont les plus marqués justement dans ces régimes à faibles données et sur les tâches complexes, ce qui suggère que PAC-DP pourrait être particulièrement utile pour les intégrateurs et laboratoires de recherche disposant de jeux de démonstrations restreints plutôt que de flottes massives de collecte de données comme celles utilisées par les grands acteurs des politiques vision-langage-action (VLA). Les politiques de diffusion se sont imposées ces dernières années comme une approche dominante pour l'apprentissage de comportements de manipulation complexes à partir de démonstrations, notamment dans des frameworks comme Diffusion Policy ou dans des composants de modèles VLA plus larges. Mais leur dépendance à un entraînement purement génératif, sans mécanisme explicite de contrôle de la généralisation, reste une limite reconnue par la communauté. PAC-DP s'inscrit dans une lignée de travaux cherchant à apporter des garanties théoriques plus rigoureuses à l'apprentissage de politiques robotiques, en s'appuyant sur le cadre PAC-Bayes déjà utilisé en apprentissage automatique classique. L'article, disponible en prépublication, ne précise pas encore de calendrier de publication en conférence ni de code source associé.

Recherche❖Paper

1 source

38

637arXiv cs.RO 

Modèle du monde visuo-tactile FeelWorld pour la prédiction et la planification hiérarchiques du contact

FeelWorld est un nouveau modèle du monde visuo-tactile hiérarchique présenté dans un article arXiv (2607.24267v1) qui prédit conjointement les futurs visuels latents et trois états tactiles : l'état de contact, un latent tactile 3D encodant les informations de force, et l'état de glissement. Ces trois signaux sont produits par un modèle de dynamique latente partagé, entraîné avec une supervision explicite et un mécanisme d'attention asymétrique à porte de contact, qui maintient un chemin de prédiction purement visuel avant tout contact puis active la prédiction conjointe visuo-tactile une fois le contact établi. L'entraînement s'appuie sur des rollouts autorégressifs et une injection de bruit contextuel pour limiter l'accumulation d'erreurs. Sur trois tâches de manipulation, saisie de puces électroniques, saisie de fruits et insertion de connecteurs USB, FeelWorld réduit le LPIPS à 10 pas de 0,084 à 0,058 et reste 61% inférieur au LPIPS d'un modèle purement visuel après un rollout autorégressif de 80 pas. Couplé à un planificateur CEM sensible au contact, il atteint un taux de réussite moyen de 81,7% en planification zero-shot. L'apport principal tient au constat que les modèles du monde utilisés en robotique se limitent en général à la dynamique visuelle, ce qui peut générer des futurs imaginés plausibles à l'œil mais physiquement incohérents dès qu'il y a contact réel avec l'objet. Pour des tâches d'assemblage précis, de préhension d'objets fragiles ou d'insertion, cette lacune pèse directement sur la fiabilité du planning robotique. En intégrant le retour tactile directement dans la boucle de prédiction plutôt qu'en aval, FeelWorld cible un des points faibles connus des architectures VLA et des pipelines de planification par imagination, où l'écart entre démonstration visuelle et physique réelle reste un obstacle à la mise à l'échelle. Le travail s'inscrit dans la lignée des modèles du monde issus du RL basé sur modèle et des architectures récentes de prédiction visuelle, jusqu'ici quasi exclusivement centrées sur l'image. La détection tactile constituait jusque-là un axe de recherche largement séparé. Il s'agit ici d'une contribution académique, sans déploiement industriel annoncé ni acteur commercial identifié ; les suites naturelles concernent des tests sur du matériel physique équipé de capteurs tactiles et une intégration dans des piles de planification robotique plus larges.

Recherche❖Paper

1 source

38

638arXiv cs.RO 

Stress-tester des agents LLM dans un laboratoire de chimie robotisé

Une équipe de recherche a testé des agents basés sur des grands modèles de langage (LLM) dans un laboratoire de chimie entièrement robotisé, utilisé comme banc d'essai physique plutôt que simulé. Le laboratoire compte 45 postes de travail modulaires exposés sous forme de compétences ("skills") lisibles par machine, ce qui a permis de lancer 4 608 essais au total. Résultat brut : seulement 3,3% des essais ont produit des workflows exécutables jugés valides par des experts humains selon les contraintes réelles du laboratoire. Même le système le plus performant testé n'a atteint que 28,1% de réussite. Sur le plan de la planification à long horizon, à peine trois workflows exécutables ont dépassé 30 opérations enchaînées, le plus long comptant 44 étapes. Sur cinq rounds successifs intégrant du feedback expérimental, les agents ont procédé à des ajustements ponctuels et locaux, mais aucun n'a jamais replanifié un workflow dans son ensemble ni redessiné une méthode analytique complète. Ce résultat vient tempérer le discours ambiant sur des agents IA capables de piloter seuls une découverte scientifique de bout en bout. Il montre que la génération de plans en langage naturel, aussi convaincante soit-elle sur le papier, ne garantit pas l'exécutabilité physique réelle en environnement contraint, et que l'écart entre démonstration et déploiement reste très large. Pour les acteurs de l'automatisation de laboratoire et les décideurs qui envisagent des pipelines de R&D pilotés par IA, le signal est clair : les agents actuels excellent à produire des plans plausibles, mais échouent majoritairement à les adapter face à des preuves expérimentales contradictoires, une capacité pourtant centrale à toute démarche scientifique itérative. Le champ de l'"IA agentique pour la science" s'est développé rapidement ces deux dernières années, porté par des promesses de laboratoires autonomes capables de concevoir et exécuter des expériences sans intervention humaine. La plupart des évaluations existantes reposent toutefois sur des simulations ou des tâches purement textuelles, ce qui limite leur valeur prédictive. En s'appuyant sur un vrai laboratoire robotisé avec ses contraintes physiques, cette étude propose un cadre diagnostique reproductible pour mesurer la maturité réelle de déploiement de ces agents, et appelle à des travaux futurs axés sur des boucles fermées permettant une véritable replanification et une redéfinition des méthodes analytiques en cours d'expérience.

Recherche❖Paper

1 source

38

639arXiv cs.RO 

Modèle de cognition du monde pour l'interaction humain-robot généralisable

Un article scientifique publié sur arXiv (référence 2607.22999v1) présente WCM, pour World-Cognition Model, un agent robotique conçu pour rendre l'interaction homme-robot aussi fluide que celle qu'offrent déjà les agents conversationnels dans le logiciel. Le système repose sur une architecture baptisée SLAK, acronyme de Sensing, Logic, Action et Knowledge, qui sépare explicitement la perception, le raisonnement, le contrôle moteur et la mémoire. Cette séparation s'appuie sur un runtime asynchrone permettant au raisonnement, au dialogue et à l'exécution de se dérouler en parallèle plutôt que séquentiellement. WCM ajoute un mode d'apprentissage supervisé par l'humain, où l'utilisateur peut enseigner interactivement au robot des tâches longues ou complexes ; ces épisodes d'enseignement, combinés aux exécutions autonomes, sont ensuite convertis en données de supervision par chaîne de raisonnement (chain-of-thought) pour affiner le modèle en continu. Sur neuf tâches réelles d'interaction homme-robot, le système atteint un taux de réussite moyen de 73,8 %, y compris sur des tâches exclues de l'entraînement par chaîne de raisonnement et sur une tâche longue apprise uniquement par démonstration humaine. L'enjeu dépassé ici n'est pas tant la performance brute que la question de la contrôlabilité. Les approches dominantes actuelles, qu'il s'agisse des politiques vision-langage-action (VLA) ou des planificateurs fondés sur des modèles du monde, sont optimisées pour exécuter une instruction, mais laissent peu de visibilité à l'utilisateur sur les raisons d'une action donnée et peu de moyens de corriger ou réorienter le robot en cours de tâche. En proposant un mécanisme explicite de correction et d'enseignement en temps réel, WCM répond à un point de friction identifié par les intégrateurs industriels : un robot qui exécute bien mais s'explique mal reste difficile à déployer et à faire confiance sur des tâches non anticipées. Le travail s'inscrit dans la lignée des recherches récentes sur les modèles de fondation pour la robotique, où des architectures comme les VLA ont cherché à généraliser l'exécution de tâches à partir de démonstrations massives. WCM se positionne en complément plutôt qu'en rupture, en ajoutant une couche cognitive et interactive au-dessus du contrôle bas niveau. Les auteurs ne précisent pas de calendrier de déploiement industriel ni de partenaire commercial ; il s'agit à ce stade d'une publication de recherche, dont la prochaine étape logique serait l'extension à un plus grand nombre de tâches et de plateformes robotiques.

Recherche❖Paper

1 source

38

640arXiv cs.RO 

Structured Observation Language pour la navigation vision-langage efficace et généralisable

Une équipe de recherche propose SOL-Nav (Structured Observation Language for Navigation), une nouvelle méthode de navigation par instructions en langage naturel pour agents embarqués, décrite dans un article déposé sur arXiv (2603.27577v2). Plutôt que de convertir les images en tokens visuels ou en représentations implicites comme le font la plupart des systèmes de Vision-Language Navigation (VLN) actuels, SOL-Nav découpe chaque image RGB-D captée par l'agent en une grille de N par N cellules, puis extrait pour chaque cellule des informations sémantiques, de couleur et de profondeur. Ces données sont transformées en texte structuré, concaténé directement avec l'instruction en langage naturel, avant d'être transmises telles quelles à un modèle de langage pré-entraîné (PLM). L'ensemble du pipeline évite ainsi tout module de vision dédié. Les auteurs rapportent des résultats sur les benchmarks standards R2R et RxR ainsi que des tests en conditions réelles, avec une réduction significative de la taille du modèle et de la dépendance aux données d'entraînement visuel. L'intérêt principal de cette approche réside dans la généralisation : les méthodes VLN classiques, qui s'appuient sur un pré-entraînement visuel massif, tendent à mal résister aux variations d'environnement comme les changements d'éclairage ou de texture. En reformulant l'observation visuelle en langage structuré, SOL-Nav exploite directement les capacités de raisonnement des PLM sans repasser par un espace latent visuel fragile. Pour les équipes travaillant sur la navigation robotique autonome, cela suggère une voie alternative aux architectures VLA lourdes, potentiellement plus légère à déployer et moins gourmande en données d'entraînement spécifiques à un environnement. Ce travail s'inscrit dans la lignée des recherches en VLN qui cherchent depuis plusieurs années à combler l'écart entre performance en simulation et robustesse réelle, un problème récurrent pointé par le secteur pour les agents de navigation entraînés sur des jeux de données comme R2R ou RxR. La validation en conditions réelles annoncée par les auteurs, au-delà des seuls benchmarks académiques, laisse présager des travaux de suivi visant à tester la méthode sur des plateformes robotiques variées et des instructions plus complexes.

Recherche❖Paper

1 source

38

641arXiv cs.RO 

IA physique et gouvernance : de la théorie à la pratique sur tout le cycle de vie

Voici l'article traduit et résumé, en trois paragraphes autonomes, sans titres ni tirets cadratins. Une équipe de chercheurs publie une synthèse complète sur la gouvernance de l'IA physique, ces systèmes d'intelligence artificielle qui, contrairement aux IA purement logicielles, perçoivent leur environnement, interagissent physiquement avec lui et coexistent directement avec des humains, comme les robots humanoïdes, les bras manipulateurs ou les véhicules autonomes. Le papier propose un cadre de gouvernance unifié organisé autour d'un cycle de vie en cinq étapes : recherche, conception, données, développement du modèle et déploiement. Pour chacune de ces étapes, les auteurs détaillent des pratiques concrètes de mise en œuvre, allant des contraintes de sécurité en temps réel à la gestion des interactions avec des environnements dynamiques et imprévisibles, en passant par les enjeux propres à la collecte et à l'usage des données issues de capteurs physiques. Cette contribution répond à un vide réel dans les cadres existants de gouvernance de l'IA, largement pensés pour des systèmes basés écran (chatbots, modèles de recommandation, génération de texte) et mal adaptés aux exigences des robots qui agissent physiquement sur le monde. Pour les intégrateurs, les fabricants de robots humanoïdes et les décideurs B2B qui déploient des systèmes comme des bras collaboratifs ou des plateformes mobiles autonomes en usine, l'absence de référentiel de gouvernance clair complique la certification, la conformité réglementaire et la gestion des risques liés à la sécurité humaine. Ce travail fournit un langage commun et une grille de lecture opérationnelle qui pourrait servir de base à de futures normes ou exigences réglementaires spécifiques à la robotique, distinctes de celles qui s'appliquent aux IA génératives. L'émergence de ce que les auteurs appellent la Physical AI s'inscrit dans une dynamique plus large où les modèles vision-langage-action (VLA) comme Pi-0, GR00T N2 ou Helix, ainsi que les plateformes humanoïdes de nouvelle génération, passent progressivement du stade de la démonstration à celui du déploiement réel en environnement industriel ou domestique. Alors que les questions de sécurité, de responsabilité juridique et d'acceptabilité sociale deviennent centrales à mesure que ces robots quittent les laboratoires pour les usines et les espaces partagés avec le public, ce cadre de gouvernance vise à orienter chercheurs, développeurs et régulateurs vers une conception plus rigoureuse et traçable. Les auteurs positionnent leur travail comme une référence structurante, invitant à des développements ultérieurs qui viendraient préciser des exigences sectorielles concrètes, secteur par secteur ou cas d'usage par cas d'usage.

Regulation⚖Reglementation

1 source

38

642arXiv cs.RO 

Manipulation prensile et non prensile simultanées : une approche pratique des tâches dextres multi-étapes

Des chercheurs présentent DexMulti, une méthode d'apprentissage pour mains robotiques dextres capables de manipulation concurrente préhensile et non préhensile, c'est-à-dire tenir un objet tout en agissant sur un second. L'article, publié sur arXiv (2603.11655, version révisée), a été testé sur trois tâches multi-étapes représentatives de gestes du quotidien : saisir et tirer, saisir et ouvrir, saisir et saisir. Les essais ont été menés sur deux mains robotiques différentes, Allegro et LEAP, pour un total de plus de 1 000 essais en conditions réelles. Avec seulement 3 à 4 démonstrations par objet, DexMulti atteint un taux de réussite moyen de 66 % sur les objets d'entraînement, soit 2 à 3 fois mieux que les politiques de diffusion utilisées comme référence, tout en nécessitant nettement moins de données. La méthode généralise aussi à des objets jamais vus et à des variations spatiales allant jusqu'à 25 centimètres. L'intérêt de ces résultats tient moins à la performance brute qu'à l'efficacité d'apprentissage : la manipulation dextre multi-objets et riche en contacts est réputée gourmande en données pour les politiques de bout en bout, ce qui freine leur déploiement réel. En démontrant qu'une poignée de démonstrations par objet suffit à obtenir un comportement robuste et généralisable, ces travaux répondent directement à l'un des goulots d'étranglement identifiés dans l'apprentissage par imitation pour la robotique dextre, un enjeu qui concerne aussi bien les laboratoires de recherche que les intégrateurs cherchant à déployer des mains robotiques dans des tâches industrielles ou domestiques variées sans réentraînement massif à chaque nouvel objet. Plutôt que d'entraîner une politique monolithique, DexMulti décompose les démonstrations en compétences centrées sur l'objet, dotées de frontières temporelles claires, puis les récupère et les aligne sur l'état observé de l'objet via un estimateur qui suit son centre et son orientation, avant de les exécuter selon un paradigme de récupération-alignement-exécution. Cette architecture s'inscrit dans une tendance plus large de la recherche en manipulation dextre, qui cherche des alternatives aux politiques de diffusion et aux modèles vision-langage-action entraînés de bout en bout, jugés trop coûteux en données pour certaines tâches contraintes. Les auteurs annoncent vouloir étendre l'approche à un plus grand nombre de tâches et de configurations d'objets dans de futurs travaux.

Recherche❖Paper

1 source

38

643arXiv cs.RO 

SHARE : vers une réalité augmentée montée sur casque avec SLAM centré utilisateur en espace de travail humain-robot partagé

Une équipe de recherche présente SHARE, un système de cartographie et localisation simultanées (SLAM) conçu pour la collaboration homme-robot en espace partagé via des interfaces de réalité augmentée (RA) portées sur la tête. Publié sur arXiv fin juillet 2026, le système s'attaque à un problème concret des architectures SLAM multi-agents actuelles : les serveurs en périphérie de réseau (edge) traitent tous les agents de façon uniforme, sans distinguer les besoins de latence très différents entre un robot et un humain équipé d'un casque RA. SHARE introduit un modèle de priorisation adaptatif qui ajuste dynamiquement les priorités de transmission selon le profil de chaque agent, et réduit le temps de calcul côté edge en exploitant la redondance des données visuelles captées par plusieurs agents dans un même espace. Déployé en conditions réelles avec des casques RA commerciaux et un robot terrestre, le système atteint une latence moyenne de 13,22 millisecondes pour les utilisateurs RA, soit une réduction de 43,3% par rapport à une architecture de référence, tout en conservant une précision de suivi inférieure à 2 centimètres. Des études utilisateurs rapportent une amélioration statistiquement significative de la perception du système par les porteurs de casque. L'enjeu dépasse la prouesse technique : la latence est le facteur limitant historique des interfaces RA en environnement industriel partagé avec des robots, un décalage de quelques dizaines de millisecondes suffisant à provoquer inconfort, désynchronisation visuelle ou erreurs de manipulation. En démontrant qu'une priorisation intelligente au niveau du serveur edge, plutôt qu'un simple ajout de puissance de calcul, peut diviser la latence par deux tout en maintenant la précision de localisation des robots, SHARE offre une piste concrète pour les intégrateurs qui cherchent à déployer des postes de travail mixtes humains-robots assistés par RA, un cas d'usage encore largement expérimental. Il s'agit toutefois d'un travail de recherche académique et non d'un produit commercialisé : l'abstract ne cite aucun partenaire industriel ni feuille de route de déploiement. SHARE s'inscrit dans la lignée des systèmes SLAM multi-agents à architecture edge existants, dont il corrige une limite structurelle identifiée par les auteurs, sans mention explicite de solutions concurrentes ni de calendrier de suite pour ce travail.

Recherche❖Paper

1 source

37

644arXiv cs.RO 

Modèle du monde ancré : alignements latents prédictifs pour l'action (LeapBot-WA)

Une équipe de recherche a publié sur arXiv (référence 2607.23969v1) LeapBot-WA, un nouveau modèle de type World Action Model (WAM) pour le contrôle robotique. Contrairement aux WAM classiques qui génèrent des vidéos pixel par pixel pour prédire l'évolution d'une scène, ce qui gaspille de la capacité de calcul sur des détails visuels sans intérêt pour la tâche et rend les politiques vulnérables aux distracteurs visuels, LeapBot-WA adopte une architecture "Predictive-Latent" en s'appuyant sur le Joint-Embedding Predictive Architecture (JEPA), utilisé comme "ancre du monde" (World-Anchor). Le système prédit la dynamique physique directement dans un espace latent abstrait plutôt que de reconstruire des images. Pour relier cet espace latent aux modèles de diffusion, les auteurs introduisent un Isotropic Semantic Autoencoder (ISAE), qui remodèle l'espace latent pour éviter les dérives hors variété. L'architecture repose aussi sur un Mixture-of-Transformers asymétrique : un Anchor Diffusion Transformer guide l'entraînement d'un Action Diffusion Transformer, puis est retiré à l'inférence pour ne conserver aucun surcoût de calcul. Sur les benchmarks LIBERO et RoboTwin 2.0, LeapBot-WA atteint l'état de l'art parmi les modèles prédictifs et rivalise avec les meilleurs WAM génératifs, sans pré-entraînement massif sur trajectoires. Le code est disponible sur GitHub (LeapWM/leapbot-wa). Pour l'industrie robotique, ce résultat questionne un présupposé répandu : que la génération vidéo pixel par pixel est nécessaire pour qu'un modèle de monde capture une dynamique physique exploitable. En montrant qu'un espace latent compact suffit à égaler des générateurs vidéo lourds, tout en gagnant en robustesse zero-shot face à des environnements inédits et en démontrant un transfert réel sur robot physique, LeapBot-WA plaide pour des architectures VLA plus légères et déployables, un enjeu concret pour les intégrateurs cherchant à réduire la latence d'inférence en production plutôt qu'en démonstration. Le travail s'inscrit dans la filiation du JEPA popularisé par les travaux de Yann LeCun sur l'apprentissage auto-supervisé non génératif, appliqué ici pour la première fois comme socle central d'un WAM plutôt que comme simple module auxiliaire. Il se positionne face aux générateurs vidéo dominants du secteur (type Pi-0, GR00T N2 ou Helix) qui misent sur la synthèse pixel. Les auteurs annoncent la publication du code mais ne mentionnent pas encore de partenariat industriel ni de calendrier de déploiement commercial.

Recherche⚡Actu

1 source

37

645arXiv cs.RO 

Vol anticipé guidé par les risques : un apprentissage par renforcement pour voler en sécurité dans un environnement dynamique encombré

Une équipe de recherche présente un nouveau cadre d'apprentissage par renforcement pour la navigation sécurisée de quadrirotors dans des environnements encombrés et dynamiques, publié sur arXiv fin juillet 2026. La méthode, baptisée "anticipatory risk-guided reinforcement learning", s'appuie sur des états privilégiés du simulateur pour construire une carte de risque de collision future, orientée directionnellement et calculée via le point d'approche le plus proche (Closest Point of Approach, CPA). Une architecture actor-critic asymétrique entraîne le réseau à auto-prédire ce risque structuré, qui guide ensuite la politique visuelle au moment du déploiement réel. Un encodeur spatio-temporel léger extrait les indices de mouvement directement depuis les séquences de profondeur embarquées, sans recourir au tracking d'objets ni à l'estimation de flux optique explicite. Les auteurs rapportent des gains en marge de sécurité et en efficacité de vol par rapport aux méthodes de référence, en simulation comme en conditions réelles, avec un transfert sim-to-real zero-shot validé sur un drone physique. Pour l'industrie des drones et des systèmes autonomes, ce travail s'attaque à un point de friction connu: les pipelines modulaires classiques souffrent de latence de perception, tandis que les approches end-to-end à récompense scalaire peinent à extraire des features spatio-temporelles fiables sans supervision physique explicite. En ancrant l'apprentissage dans une notion de risque géométrique anticipé plutôt que dans un signal de récompense implicite, la méthode illustre une piste pour fiabiliser le comportement des politiques visuelles face à des obstacles mobiles, un scénario encore mal couvert par la plupart des solutions commerciales d'évitement d'obstacles pour drones et robots mobiles autonomes (AMR). Ce résultat s'inscrit dans la lignée des travaux récents combinant perception par profondeur et RL pour le vol autonome en environnement dynamique, un axe de recherche actif face aux limites persistantes des méthodes géométriques classiques. Il s'agit à ce stade d'une publication de recherche avec validation expérimentale limitée, non d'un produit ou d'un déploiement industriel; les prochaines étapes attendues porteraient sur l'extension à des essaims de drones, des obstacles multiples plus denses, et une validation à plus grande échelle hors simulation.

Recherche❖Paper

1 source

37

646arXiv cs.RO 

IA sans pilotage : DeVA, un modèle vidéo-action découplé guidé par la physique

Des chercheurs présentent DeVA (Decoupled Video-Action model), une nouvelle architecture pour l'apprentissage de politiques robotiques combinant génération vidéo et prédiction d'actions, détaillée dans un article publié sur arXiv le 28 juillet 2026. Contrairement aux modèles Vision-Language-Action (VLA) classiques, qui reposent sur un pré-entraînement essentiellement statique offrant peu de supervision sur la dynamique physique et la causalité temporelle, DeVA s'appuie sur des modèles génératifs vidéo capables d'anticiper l'évolution d'une scène pendant l'exécution d'une instruction en langage naturel. L'architecture sépare un expert vidéo et un expert action, reliés par un transfert de caractéristiques multi-niveaux, et ajoute une supervision par guidage physique explicite fondé sur l'affordance et la profondeur. Les auteurs rapportent des résultats sur des benchmarks de simulation et lors de déploiements réels, avec de bonnes performances malgré peu de données d'entraînement. L'enjeu principal est l'efficacité des données et la vitesse de convergence: les modèles Video-Action existants couplent souvent vidéo et action dans un même réseau, ce qui rend l'adaptation de la politique difficile à optimiser, ou n'exploitent que partiellement l'information vidéo pour guider l'action. En découplant les deux experts tout en maintenant un transfert d'information riche, DeVA affiche une convergence plus rapide qu'une architecture unifiée équivalente, selon les auteurs. Pour les équipes qui développent des politiques de manipulation robotique généralisables, l'apport potentiel est de réduire le volume de démonstrations réelles nécessaires, un goulot d'étranglement connu du secteur, tout en améliorant la robustesse face aux variations de scène. Le travail s'inscrit dans la lignée des VLA de nouvelle génération qui cherchent à exploiter les a priori spatio-temporels des modèles génératifs vidéo plutôt que le seul pré-entraînement image-texte statique. Il se positionne comme une alternative aux architectures où vidéo et action partagent un même tronc, jugées plus difficiles à entraîner de bout en bout pour la tâche de contrôle. Les auteurs soulignent en particulier le gain apporté par le guidage physique salient sur les couches intermédiaires, un signal distinct des simples pertes de reconstruction vidéo. Il s'agit à ce stade d'un travail de recherche publié en preprint, sans indication de déploiement industriel ou de partenariat avec un fabricant de robots.

IA physique⚡Actu

1 source

37

647arXiv cs.RO 

Interface KAI : une approche tenant compte de la cinématique pour la manipulation efficace d'objets articulés

Des chercheurs présentent KAI (Kinematic-Aware Articulation Interface), une nouvelle représentation intermédiaire structurée conçue pour l'apprentissage de politiques de manipulation d'objets articulés par des robots, comme des tiroirs, des portes ou des charnières. Contrairement aux approches qui tentent d'apprendre la structure cinématique uniquement à partir de démonstrations robotiques, KAI intègre directement des a priori géométriques et cinématiques interprétables dans le processus d'apprentissage. Testée sur six tâches de simulation, la méthode atteint un taux de réussite moyen de 82,9%, égalant voire dépassant les performances des méthodes de référence tout en n'utilisant que la moitié des données de démonstration nécessaires. Le système, entraîné dans un environnement unique et non encombré, démontre également une capacité de généralisation vers des arrière-plans inédits et des scènes réelles encombrées de distracteurs visuels. En combinant l'entraînement avec des vidéos d'interactions humaines, grâce à sa conception indépendante de l'action ("action-agnostic"), le taux de réussite moyen dépasse 70% même face à des perturbations visuelles diverses. Pour l'industrie robotique, ce travail s'attaque à un goulot d'étranglement bien identifié: l'apprentissage par démonstration coûte cher en temps d'annotation et de téléopération, en particulier pour les objets articulés dont la cinématique varie fortement d'un instance à l'autre. Diviser par deux le volume de démonstrations nécessaires, si le résultat se confirme au-delà de la simulation, représenterait un gain d'efficacité concret pour les intégrateurs travaillant sur la manipulation domestique ou industrielle (portes d'armoires, électroménager, machines-outils). La possibilité de co-entraîner avec des vidéos humaines, sans capture de données robotiques dédiées, ouvre aussi une piste pour réduire davantage le coût de collecte, un enjeu central alors que les approches VLA (vision-language-action) peinent encore à passer l'échelle sans volumes massifs de données. Il s'agit à ce stade d'un article de recherche déposé sur arXiv, sans nom d'institution ni de laboratoire précisé dans le résumé, et les résultats restent principalement validés en simulation, avec un transfert vers le réel limité à des scènes encombrées plutôt qu'à un déploiement en conditions industrielles. Le travail s'inscrit dans un courant de recherche plus large visant à injecter des priors structurels explicites dans les politiques d'apprentissage, en contraste avec les approches purement end-to-end de type GR00T N2 ou Pi-0, et pourrait alimenter les futures générations de modèles de manipulation généralistes si sa robustesse se confirme sur du matériel physique.

Recherche❖Paper

1 source

36

648arXiv cs.RO 

Sling2Sim2Real : identification élastique en un seul essai pour l'apprentissage de politiques de fronde non destructif

Des chercheurs proposent Sling2Sim2Real, un cadre de manipulation robotique capable d'apprendre à tirer un lance-pierre élastique à partir d'une seule interaction réelle non destructive. Publié sur arXiv fin juillet 2026, le système a été testé sur un bras Franka Emika Panda avec des bandes élastiques aux propriétés physiques variées, pour atteindre des distances de tir différentes. La méthode fonctionne en deux temps : d'abord une identification "Real2Sim" multi-démarrage qui exploite la covariance des paramètres pour estimer les caractéristiques élastiques de la bande à partir d'un seul essai réel, sans avoir à la faire claquer ou casser ; ensuite un apprentissage de politique entièrement en simulation, suivi d'un transfert "zero-shot" vers le robot réel une fois le simulateur calibré. Les auteurs rapportent une réduction significative du nombre d'essais physiques nécessaires, sans toutefois donner de chiffres précis sur les taux de réussite ou le nombre d'itérations économisées. L'enjeu dépasse le simple exercice de lance-pierre : la manipulation d'objets élastiques (bandes, câbles, tissus) reste un point aveugle de la robotique, car leurs propriétés de déformation ne se déduisent pas de l'observation visuelle seule et varient énormément d'un objet à l'autre. Les méthodes classiques de calibration nécessitent souvent des dizaines d'essais destructifs coûteux en temps robot. En réduisant cette calibration à une seule interaction sûre, Sling2Sim2Real s'attaque directement au goulot d'étranglement du sim-to-real pour les objets déformables, un problème plus difficile que celui, déjà largement traité, des objets rigides ou articulés. Ce travail s'inscrit dans la lignée des recherches sur l'apprentissage par renforcement en simulation pour la manipulation robotique, où le fossé entre simulateur et monde réel reste l'obstacle principal au déploiement. Contrairement aux approches qui multiplient les essais réels pour affiner un modèle physique, ou qui exigent des capteurs spécialisés pour mesurer l'élasticité, Sling2Sim2Real mise sur l'inférence statistique à partir d'un minimum de données. Il s'agit pour l'instant d'un résultat de laboratoire limité à une tâche de démonstration, sans indication de généralisation à d'autres familles d'objets élastiques ni de calendrier vers une application industrielle.

Recherche❖Paper

1 source

35

649arXiv cs.RO 

WARL : apprentissage par renforcement augmenté par la clé pour l'apprentissage indépendant de la tâche chez les robots à pattes

Il s'agit d'un article de recherche (arXiv), sans annonce commerciale ni acteur industriel identifié. Voici le résumé en trois paragraphes autonomes : Une équipe de recherche présente WARL (Wrench-Augmented Reinforcement Learning), une méthode d'apprentissage par renforcement pour robots à pattes qui ajoute un wrench, c'est-à-dire une force et un couple, à l'espace d'action habituellement limité aux seules commandes articulaires. L'idée centrale consiste à combiner une exploration guidée par ce wrench avec un mécanisme de curriculum basé sur le taux de réussite, afin d'élargir les capacités d'exploration en début d'entraînement, tout en visant à terme des comportements pilotés uniquement par le contrôle articulaire classique. Les expériences ont été menées sur un robot quadrupède, testé sur des terrains variés et plusieurs tâches motrices, sans ajustement de récompense spécifique à chaque terrain ni conception de curriculum complexe. Une étude d'ablation a confirmé l'efficacité du "Switching Curriculum", le mécanisme qui élimine progressivement le wrench au fil de l'apprentissage. Pour le secteur de la robotique à pattes, ce travail s'attaque à un goulot d'étranglement connu de l'apprentissage par renforcement : la difficulté d'explorer efficacement quand l'espace d'action se limite aux articulations, ce qui oblige souvent les équipes à multiplier les réglages de récompense terrain par terrain. En démontrant qu'un espace d'action augmenté par un wrench permet un apprentissage robuste sans cette ingénierie manuelle, WARL propose une piste pour réduire le temps de développement des politiques de locomotion. Mais l'étude apporte aussi un bémol important pour les praticiens : l'introduction du wrench peut favoriser des comportements qui n'exploitent pas pleinement les capacités physiques réelles du robot, un compromis entre facilité d'entraînement et fidélité à l'embodiment mécanique. Ce travail s'inscrit dans la lignée des recherches en RL pour la locomotion des quadrupèdes, où le compromis entre efficacité de l'exploration et réalisme physique reste un défi ouvert. Les auteurs positionnent explicitement leur contribution comme une amélioration de l'efficacité d'apprentissage plutôt qu'une solution définitive, et identifient comme prochaine étape critique la conception d'un espace d'action augmenté qui reste cohérent avec la structure physique du robot. Aucune date de publication de code, aucun partenaire industriel ni déploiement réel n'est mentionné à ce stade : il s'agit d'une contribution méthodologique en amont, destinée à la communauté recherche en robotique et apprentissage par renforcement.

Recherche❖Paper

1 source

32

650arXiv cs.RO 

Manipulateurs souples à câbles : estimation à horizon glissant et commande prédictive non linéaire

Une équipe de chercheurs présente un nouveau cadre de commande pour les manipulateurs souples actionnés par câbles, combinant estimation à horizon glissant (MHE) et commande prédictive non linéaire (NMPC), fondé sur des modèles de Cosserat réduits qui décrivent la dynamique du robot souple de façon physique plutôt que par apprentissage pur. Les auteurs développent une formulation lissée de la commande par longueur de câble, qui approxime la relation de complémentarité entre tension et relâchement du câble, permettant de piloter le robot uniquement via la longueur des câbles, sans capteur de tension dédié. L'estimateur MHE reconstruit l'état réduit et la configuration complète du bras à partir des mesures de pose de l'effecteur et des longueurs de câble, tandis que le NMPC assure le suivi de trajectoire dans l'espace tâche sous contraintes de longueur et de vitesse de câble. Le système a été validé en simulation sur un manipulateur multi-câbles, puis expérimentalement sur un prototype à quatre câbles, où le schéma MHE-NMPC tourne en temps réel et suit la position de l'effecteur avec précision. L'intérêt de ces travaux tient au problème central de la robotique souple: les modèles suffisamment précis pour capturer la déformation continue d'un bras flexible sont en général trop coûteux à calculer pour une commande temps réel, ce qui pousse beaucoup d'équipes vers des approches purement data-driven, moins interprétables et moins robustes hors distribution. En montrant qu'un modèle physique réduit peut suffire à estimer et contrôler un bras souple en temps réel, sans capteur de tension supplémentaire, ce travail va dans le sens d'une commande moins instrumentée et donc moins coûteuse à déployer, un enjeu pour toute application où les manipulateurs souples visent des tâches de préhension délicate ou d'inspection en espace confiné. Il s'agit ici d'une publication de recherche académique (arXiv, prépublication non encore relue par les pairs), sans lien avec un produit commercial ou une entreprise identifiée. Elle s'inscrit dans une lignée de travaux utilisant la théorie des poutres de Cosserat pour modéliser les robots continuum, et répond spécifiquement à la difficulté classique du relâchement des câbles dans les mécanismes tendon-driven. Les prochaines étapes attendues concernent l'extension à des manipulateurs plus complexes et l'intégration dans des tâches robotiques réelles au-delà du banc d'essai à quatre câbles.

Recherche❖Paper

1 source