Actualités robotique — page 19

4 602 articles au fil, du plus récent au plus ancien.

39

901arXiv cs.RO 

Manifold-Guided pour assemblages serrés

Des chercheurs de l'Université de Tel-Aviv publient CMG-RRT (Critical-Manifold Guided RRT), un nouvel algorithme de planification de mouvement destiné aux assemblages mécaniques à tolérances serrées. Le problème visé est classique en robotique industrielle : lorsque deux pièces doivent s'emboîter avec un jeu quasi nul, les trajectoires valides passent souvent par des configurations où les pièces sont en contact permanent, une zone que les planificateurs par échantillonnage classiques (type RRT) explorent très mal. L'idée centrale de CMG-RRT est d'identifier cette "variété critique", le sous-ensemble de l'espace des configurations où au moins un point de contact existe entre les pièces, et de biaiser activement l'échantillonnage vers son voisinage, via une subdivision hiérarchique de l'espace de configuration. Les auteurs démontrent que leur méthode reste probabilistement complète sous des hypothèses standard de clairance, et rapportent un taux de réussite de 100% sur une série de benchmarks d'assemblage rotationnel réputés difficiles, incluant ce qu'ils présentent comme la première résolution entièrement automatique du casse-tête de désenchevêtrement "Elk". Le code est disponible en open source sur la page du projet. Pour l'industrie robotique, ce type d'avancée s'attaque à un goulot d'étranglement bien identifié dans l'assemblage automatisé de précision : les tâches de type peg-in-hole serré, montage de composants électroniques ou de pièces mécaniques à faible jeu restent aujourd'hui largement programmées manuellement ou confiées à des approches d'apprentissage par renforcement coûteuses à entraîner, faute de planificateurs capables de gérer nativement les configurations de contact quasi permanent. Un planificateur garanti complet et open source sur ce créneau spécifique intéresserait directement les intégrateurs travaillant sur l'assemblage robotisé fin, en électronique ou en horlogerie/mécanique de précision, potentiellement en complément ou substitut aux stratégies actuelles de compliance active ou d'apprentissage par démonstration. Le papier s'inscrit dans la lignée des travaux sur les RRT (Rapidly-exploring Random Trees), une famille de planificateurs par échantillonnage largement utilisée depuis les années 2000 mais historiquement peu adaptée aux environnements à faible clairance. Les benchmarks utilisés, des puzzles de désenchevêtrement rotationnel, sont un terrain de test classique pour ce genre d'algorithme géométrique. À ce stade, il s'agit d'une publication de recherche (arXiv, non encore évaluée par les pairs) accompagnée d'un code source, sans indication de partenariat industriel ni de déploiement en environnement de production ; la validation empirique reste limitée aux benchmarks de simulation présentés par les auteurs eux-mêmes.

Recherche❖Paper

1 source

39

902arXiv cs.RO 

Retriever : composer des programmes robotiques asynchrones en boucle fermée

Une équipe de recherche publie Retriever, un framework pour construire des agents robotiques à horizon long qui enchaînent perception, mise à jour des croyances, planification et contrôle, des composants qui tournent à des cadences différentes avec des latences variables. Décrit dans un article arXiv (2607.17213v1), le système représente un agent comme un graphe de fonctions de flux causales et stateful, exécutées sur des horloges d'exécution explicites. Retriever couvre toute la pile technique : un modèle de décision asynchrone, un modèle de programmation, un runtime compilant ces graphes vers plusieurs backends, et un pipeline d'agent en boucle fermée fourni en exemple. Les auteurs formalisent cette approche via une boucle environnement-agent asynchrone sur des flux en temps continu, et démontrent que des politiques causales à mémoire finie peuvent être représentées par composition de ces opérateurs. Le système a été évalué à travers une étude de cas sur robot réel, complétée par des mesures contrôlées du surcoût du runtime et du comportement de rejeu déterministe. Le problème que Retriever cherche à résoudre est bien connu des équipes qui déploient des robots autonomes en conditions réelles : aujourd'hui, ces pipelines sont souvent assemblés avec des conventions de concurrence et de publication/abonnement ad-hoc, rendant implicite la sémantique de timing et de consommation des entrées. Résultat, un comportement dépendant de l'ordonnancement, difficile à reproduire, déboguer et réutiliser, un frein direct à la fiabilité des systèmes en production. En proposant un débogage systématique et un rejeu déterministe à partir de données asynchrones journalisées, Retriever s'attaque directement à un angle mort de l'ingénierie robotique actuelle, où la plupart des solutions traitent soit la couche algorithmique soit la couche systèmes, rarement les deux ensemble. Ce travail s'inscrit dans une tendance de fond de la recherche en robotique appliquée, cherchant à industrialiser les architectures d'agents complexes plutôt qu'à empiler des modèles plus puissants. Il fait écho aux efforts autour des architectures VLA (vision-language-action) et des pipelines multi-composants déployés sur des plateformes comme les humanoïdes ou les AMR, où la robustesse logicielle devient aussi critique que la performance des modèles eux-mêmes. Les auteurs ne précisent pas de partenariat industriel ni de calendrier de diffusion publique de l'outil, mais positionnent explicitement Retriever comme une brique d'infrastructure réutilisable, destinée aux équipes de recherche et développement construisant des agents robotiques à long horizon.

Infrastructure⚡Actu

1 source

39

903arXiv cs.RO 

Robot réceptionniste à tête humanoïde articulée pour interaction humaine naturelle

Une équipe de recherche présente dans une publication arXiv (juillet 2026) une tête humanoïde articulée conçue spécifiquement pour un rôle de robot réceptionniste. Le système compte 21 degrés de liberté (DoF), répartis entre des mécanismes dédiés à la bouche, aux yeux, aux sourcils et au cou, le tout recouvert d'une peau en silicone réaliste destinée à reproduire une apparence et des expressions humaines crédibles. Côté logiciel, l'architecture combine plusieurs modèles spécialisés : SCRFD, ArcFace et ByteTrack pour la reconnaissance et le suivi des visages, associés à Llama pour le traitement du langage naturel et à Whisper pour la reconnaissance vocale. L'ensemble fonctionne en temps réel et intègre une fonction de ré-identification permettant au robot de reconnaître une personne déjà rencontrée. Une étude utilisateur a mesuré quantitativement les capacités conversationnelles et de ré-identification du système, tandis que son expressivité émotionnelle et sa ressemblance humaine ont été évaluées séparément, obtenant un score moyen de similarité humaine de 4,13 sur 5. Ce travail illustre une tendance de fond dans la robotique sociale : la course ne se joue plus seulement sur la mobilité ou la manipulation, comme chez les humanoïdes industriels type Figure 03 ou Optimus, mais aussi sur l'interaction faciale fine, jugée déterminante pour l'acceptabilité dans des rôles d'accueil, d'éducation ou de service. Un score de 4,13/5 en similarité humaine, obtenu via une étude utilisateur et non une simple démonstration vidéo, constitue une donnée relativement solide face à l'inflation habituelle de communiqués promettant un réalisme "sans précédent". Pour les intégrateurs et décideurs B2B envisageant des déploiements en accueil ou en relation client, ce type de plateforme à 21 DoF avec pile logicielle ouverte (Llama, Whisper) montre qu'une expressivité crédible reste accessible sans recourir à des architectures propriétaires fermées. Le développement de têtes robotiques expressives répond à des limites connues du secteur : coûts élevés, complexité mécanique et faible adaptabilité des solutions existantes à des environnements variés. Contrairement aux humanoïdes généralistes de grande taille conçus pour la logistique ou l'industrie, cette approche cible spécifiquement l'interaction sociale localisée, un segment où des acteurs comme Enchanted Tools ou Pollen Robotics explorent également des pistes d'expressivité et d'accueil, sans toutefois atteindre le même niveau de granularité faciale. Les auteurs ne précisent pas encore de calendrier de commercialisation ni de site pilote concret, l'étude restant à ce stade au niveau de la validation en laboratoire.

Recherche❖Paper

1 source

39

904arXiv cs.RO 

GhostShell : appels de fonctions LLM en streaming pour la programmation incarnée concurrente

Un groupe de chercheurs a présenté GhostShell, une architecture logicielle permettant à des grands modèles de langage (LLM) de piloter des robots en continu, en déclenchant des fonctions directement pendant la génération du texte plutôt qu'en attendant un plan complet avant d'agir. Le système repose sur des « function tokens », une représentation au format XML des appels de fonction que GhostShell extrait du flux de génération du LLM et convertit en commandes exécutables, orchestrées par un algorithme de planification multi-canal combinant synchronisation intra-canal et dispatch asynchrone inter-canal pour coordonner plusieurs composants robotiques en parallèle. L'équipe a testé l'approche sur son prototype robotique CoCo, à travers 33 tâches réelles et neuf fournisseurs de LLM différents. Sur 30 tâches d'interaction homme-robot, le score DSBC (Directed Structured Behavior Correctness) le plus élevé, 0,83, a été obtenu avec Claude Sonnet 4, tandis que sur trois tâches multimodales longues, GPT-4.1 a atteint 7,0/10 en évaluation humaine. Face au function calling natif proposé par les fournisseurs de LLM, le schéma de function tokens de GhostShell affiche un taux de complétion de 15 tâches sur 15, contre 6 sur 15 pour l'approche standard. Ce résultat cible un point de friction concret pour l'IA embarquée en robotique : les mécanismes natifs d'appel de fonction des LLM, conçus pour des usages conversationnels ou logiciels, gèrent mal la coordination d'actions physiques et langagières simultanées, un besoin central pour tout robot devant parler et agir en même temps. En démontrant un gain net de complétion de tâches sur des scénarios concurrents plutôt que séquentiels, les auteurs apportent un argument technique en faveur d'architectures de contrôle repensées spécifiquement pour l'embodied AI, plutôt que d'un simple réemploi des API de function calling issues du monde du logiciel. Il s'agit d'un article de recherche académique, publié sur arXiv (identifiant 2508.05298, troisième version), et non d'un produit commercialisé ou d'un déploiement industriel : les résultats reposent sur un unique prototype maison, CoCo, et 33 tâches définies par les auteurs eux-mêmes, ce qui appelle à la prudence avant toute généralisation. Le code, les vidéos et le matériel supplémentaire sont mis à disposition sur le site dédié du projet, coco-robot.github.io/GhostShell, ce qui permettra à la communauté robotique d'évaluer indépendamment la reproductibilité de ces résultats face aux nombreuses autres approches de contrôle vocal-langage-action (VLA) en développement.

Recherche❖Paper

1 source

39

905arXiv cs.RO 

Utilisateur-guidé : apprentissage par démonstration de trajectoire et d'impédance

Des chercheurs publient sur arXiv (papier 2607.16998, juillet 2026) une nouvelle méthode d'apprentissage par démonstration (Learning from Demonstration, LfD) pilotée par l'utilisateur, validée sur un bras robotique KUKA LWR IV+ à 7 degrés de liberté (DOF). Le système combine un algorithme de "Fast Diffeomorphic Matching" (FDM) tridimensionnel avec un générateur de mouvement basé sur les systèmes dynamiques (DS), complété par un filtre de Kalman étendu (EKF) qui compense les erreurs de reproduction et permet au robot de récupérer après une perturbation externe. Une fonction de paramétrisation d'impédance apprend en temps réel les variations de raideur du bras à partir d'une unique démonstration, notamment pour maintenir un contact stable avec une surface. L'objectif affiché est d'éliminer le réenseignement répété d'une même tâche, en apprenant en une seule fois (single-shot) à la fois la trajectoire et la conformité mécanique nécessaires pour la reproduire avec précision. Pour les intégrateurs et les équipes de robotique industrielle, l'enjeu est la sécurité et l'efficacité de l'interaction homme-robot (HRI). Les trajectoires classiques indexées dans le temps, rigides par nature, posent un problème de sécurité dès qu'un opérateur interagit physiquement avec le bras ou qu'un obstacle imprévu survient, le robot suivant son chemin sans s'adapter. En apprenant simultanément la géométrie du mouvement et son impédance, la méthode cherche à combiner précision de reproduction et sécurité intrinsèque, sans complexifier la phase d'enseignement pour l'opérateur qui ne réalise la démonstration qu'une seule fois. C'est un signal, parmi d'autres travaux récents en LfD, que la communauté robotique cherche à sortir du dilemme précision contre compliance qui limite aujourd'hui le déploiement des bras collaboratifs sur des tâches de contact (polissage, assemblage, ébavurage) en environnement partagé avec des humains. Cette approche s'inscrit dans la lignée des méthodes de LfD basées sur les systèmes dynamiques (DS-GMM, DMP et variantes), déjà largement étudiées pour encoder des trajectoires robustes aux perturbations, mais qui peinent traditionnellement à intégrer une impédance variable sans multiplier les démonstrations ou les phases de réglage manuel. Le choix du KUKA LWR IV+, bras à sept degrés de liberté doté d'un contrôle en couple aux articulations, reste une plateforme de référence académique pour ce type d'expérimentation en contrôle d'impédance et en manipulation compliante. Déposé sur arXiv comme nouvelle soumission, le papier n'en est qu'au stade de la validation expérimentale en laboratoire: aucune indication d'industrialisation ni de partenariat n'est mentionnée, et des essais sur d'autres plateformes et des tâches d'usine réelles seront nécessaires pour juger de sa portée au-delà du cas d'étude KUKA.

Recherche❖Paper

1 source

39

906arXiv cs.RO 

Localisation permanente en environnements intérieurs dynamiques : combiner odométrie et échantillonnage de distance épars

Des chercheurs proposent un nouveau cadre de localisation robotique conçu pour fonctionner en continu dans des environnements intérieurs dynamiques, en combinant l'odométrie du robot avec un échantillonnage de distance très clairsemé plutôt qu'un balayage LiDAR complet. Publié sur arXiv le 17 juillet 2026, le papier démontre qu'il est possible de résoudre le problème du "robot kidnappé" (perte totale de repère spatial) en temps réel, à des symétries près, en s'appuyant sur seulement seize points de mesure de distance au lieu de la totalité du champ de mesure d'un capteur LiDAR classique. La méthode fusionne ces échantillons épars avec les données d'odométrie au fil du temps pour converger vers la position réelle du robot, avec une garantie mathématique de convergence vers la pose exacte dans des environnements statiques et plans. Les auteurs étendent cette garantie aux environnements dynamiques, à condition que la nature des changements (présence d'obstacles mobiles, personnes, objets déplacés) ait été correctement apprise au préalable à partir de données réelles enregistrées. Les tests ont été menés dans plusieurs environnements intérieurs réels, où la précision de localisation obtenue s'avère comparable à celle d'un SLAM complet. L'intérêt pour l'industrie tient moins à la prouesse algorithmique qu'à ce qu'elle permet d'économiser: réduire drastiquement le nombre de points de mesure nécessaires diminue le coût des capteurs embarqués, la bande passante de transmission et l'espace de stockage requis pour la cartographie, tout en limitant la quantité de données environnementales captées (donc les enjeux de vie privée liés à des relevés LiDAR denses dans des espaces partagés ou habités). Pour les intégrateurs d'AMR (robots mobiles autonomes) en entrepôt, en usine ou en environnement de service, cela ouvre la voie à des flottes de robots moins chers à instrumenter, capables de continuer à se localiser correctement même quand la carte préétablie devient obsolète à cause de changements fréquents du décor, un scénario courant en logistique où étagères, palettes et personnel se déplacent en permanence. Le papier apporte aussi une réponse concrète à une limite connue des systèmes de navigation classiques: leur fragilité face aux environnements qui évoluent après la phase de cartographie initiale. Cette approche s'inscrit dans la lignée des travaux sur le SLAM (localisation et cartographie simultanées), une brique fondamentale de la navigation robotique depuis plus de deux décennies, mais qui reste généralement gourmande en capteurs denses et en puissance de calcul pour rester fiable en environnement changeant. En misant sur la parcimonie des mesures plutôt que sur l'exhaustivité, les auteurs se positionnent en alternative légère aux pipelines SLAM traditionnels, plutôt qu'en remplacement direct pour les tâches nécessitant une cartographie 3D dense. Le papier ne précise pas de partenariat industriel ni de calendrier de déploiement commercial: il s'agit à ce stade d'une contribution de recherche, validée expérimentalement mais pas encore intégrée à un produit ou une flotte de robots en exploitation.

Recherche❖Paper

1 source

39

907arXiv cs.RO 

L'apprentissage par imitation en contexte avec raisonnement visuel

Un article de recherche publié sur arXiv (identifiant 2603.07530v2, version révisée) présente ICLR, pour "In-Context Imitation Learning with Visual Reasoning", une nouvelle méthode d'apprentissage par imitation en contexte pour les robots manipulateurs. Le principe consiste à faire adapter un robot à une nouvelle tâche à partir d'un petit nombre de démonstrations, sans réentraînement du modèle. La nouveauté d'ICLR est d'enrichir les démonstrations avec des traces de raisonnement visuel structurées, c'est-à-dire des trajectoires futures anticipées du robot représentées directement dans l'espace image, plutôt que de se limiter aux seules paires état-action utilisées par les approches existantes. Ces traces de raisonnement et les actions de bas niveau sont apprises conjointement au sein d'un unique transformeur autorégressif, ce qui permet au modèle d'imiter non seulement le geste final mais aussi le cheminement qui y conduit. Les auteurs rapportent des évaluations à la fois en simulation et sur des tâches de manipulation réelles, avec des gains constants en taux de succès et en généralisation face à des tâches inédites et de nouvelles configurations d'objets, comparé aux méthodes d'apprentissage par imitation en contexte existantes. L'enjeu pour l'industrie robotique tient au principal talon d'Achille des systèmes vision-langage-action (VLA) actuels: leur capacité à généraliser au-delà des tâches et objets vus à l'entraînement reste limitée, surtout quand une même séquence de gestes peut correspondre à des intentions différentes selon le contexte. En donnant au modèle une représentation explicite de l'intention, sous forme de trajectoire visuelle anticipée plutôt qu'une simple politique action-état, ICLR s'attaque directement à l'ambiguïté qui bloque le déploiement des robots généralistes en environnement peu structuré. Si les résultats se confirment à plus grande échelle, cela renforcerait l'hypothèse selon laquelle intégrer un raisonnement visuel explicite, plutôt que de scaler uniquement les données de démonstration, est une voie crédible pour rendre les politiques d'apprentissage en contexte plus robustes, un enjeu direct pour les intégrateurs qui cherchent à déployer des bras robotiques capables de s'adapter rapidement à de nouvelles références produits sans campagne de réentraînement coûteuse. Ce travail s'inscrit dans la lignée des recherches récentes sur l'apprentissage par imitation en contexte (in-context imitation learning), un domaine qui cherche à reproduire pour la robotique la flexibilité du few-shot learning observée dans les grands modèles de langage, et fait écho aux efforts plus larges autour des modèles VLA tels que Pi-0 ou GR00T N2, qui tentent eux aussi de combler l'écart entre démonstrations en laboratoire et déploiement réel. L'article ne précise pas d'industriel partenaire ni de calendrier de mise en production; il s'agit d'une contribution académique, acceptée pour la conférence ICLR, dont l'apport reste à ce stade expérimental. La suite logique pour ce type de travaux est généralement une intégration progressive dans des piles logicielles open source de manipulation robotique, avant une éventuelle reprise par des acteurs commerciaux du secteur.

Recherche❖Paper

1 source

39

908arXiv cs.RO 

Modèles du monde JEPA à régularisation de profondeur : des représentations plus transférables à partir de données robotiques réelles en extérieur

Publié sur arXiv (arXiv:2607.16314v1), un nouveau papier de recherche propose une architecture de modèle du monde basée sur JEPA (Joint Embedding Predictive Architecture) qui intègre la profondeur comme prior géométrique pendant l'entraînement. L'équipe a entraîné un modèle de 18 millions de paramètres sur des vidéos capturées par un robot agricole réel évoluant en extérieur, un environnement visuellement complexe et imprévisible par rapport aux données de laboratoire habituelles. La méthode combine une supervision par carte de profondeur avec un régularisateur latent isotrope appelé SIGReg, qui vise la représentation la plus riche en information possible tout en respectant la géométrie de la scène, et ajoute une surparamétrisation limitée à l'entraînement pour ne pas alourdir l'inférence. Face à la baseline LeWM, les résultats montrent une réduction de 33% de l'erreur sur une sonde d'odométrie visuelle à représentation gelée, une meilleure séparation du score de surprise à la fois sur les données d'origine et sur le benchmark hors domaine TartanGround, ainsi qu'une fidélité accrue des projections latentes multi-étapes sous décalage de domaine, avec des gains qui s'amplifient à mesure que l'horizon de prédiction s'allonge. Ce travail répond à un problème central pour la robotique de terrain: la plupart des modèles du monde performent bien en simulation ou en environnement contrôlé, mais peinent à généraliser sur des données réelles bruitées, avec éclairage variable et textures complexes. Montrer qu'un simple prior physique, la profondeur, améliore la transférabilité sans ajouter de coût de calcul à l'inférence est significatif pour les intégrateurs qui doivent déployer des modèles embarqués sur des robots agricoles, des AMR ou d'autres plateformes mobiles à ressources limitées. Le résultat le plus notable dépasse la géométrie pure: le modèle améliore aussi la détection de surprise sur des phénomènes physiques non directement liés à la 3D, comme l'éclairage et les ombres, ce qui suggère un effet d'amélioration générale de la qualité des représentations plutôt qu'un simple gain spécifique à la tâche de profondeur. À noter toutefois que les gains sont mesurés sur un seul type de robot et un modèle de taille modeste, la généralisation à d'autres plateformes reste à démontrer. Les architectures JEPA, popularisées par les travaux de Yann LeCun chez Meta, sont présentées comme une alternative aux modèles génératifs pixel par pixel pour apprendre la dynamique du monde sans reconstruire chaque détail visuel. Ce papier s'inscrit dans cette lignée en cherchant à rendre ces modèles utilisables sur des données réelles de terrain, un défi que la littérature identifie souvent comme le principal obstacle entre les démonstrations en simulation et le déploiement effectif. Les auteurs positionnent leur approche contre LeWM comme référence directe et s'appuient sur TartanGround pour valider la généralisation hors domaine. Les prochaines étapes attendues incluraient l'extension à d'autres types de robots et capteurs, et l'intégration de ce modèle du monde dans des politiques de contrôle robotique complètes plutôt que dans des sondes d'évaluation isolées.

Recherche❖Paper

1 source

39

909arXiv cs.RO 

HyperDCM : rejeu dynamique de mémoire par clusters en espace hyperbolique pour la navigation robotique continue à travers différentes scènes

Des chercheurs proposent HyperDCM (Hyperbolic Dynamic Cluster Memory), un mécanisme de mémoire destiné à la navigation robotique en apprentissage continu, décrit dans une prépublication arXiv (2607.16267v1) parue fin juillet 2026. Le système s'attache à résoudre l'oubli catastrophique, ce phénomène par lequel un robot perd sa capacité à naviguer dans des environnements déjà appris lorsqu'il en découvre de nouveaux. HyperDCM combine plusieurs briques : des modèles de vision-langage extraient des triplets sémantiques (objets, relations spatiales) à partir d'images RGB, un réseau de convolution sur graphes relationnels (R-GCN) encode ces scènes sous forme de graphes, puis ces représentations sont projetées dans un espace hyperbolique plutôt qu'euclidien pour mieux préserver la structure hiérarchique des scènes. Une stratégie de clustering dynamique sélectionne ensuite les exemples les plus représentatifs à rejouer en mémoire, plutôt que de stocker l'ensemble des trajectoires passées. Le tout s'intègre à des politiques de navigation par diffusion, testées sur des jeux de données multi-scènes en intérieur et en extérieur, où HyperDCM affiche une meilleure rétention des compétences acquises et une meilleure généralisation que les méthodes de continual learning de référence adaptées à ce cadre. Pour l'industrie robotique, ce type de travail répond à un vrai point de friction commercial : un robot mobile ou humanoïde déployé sur plusieurs sites clients doit s'adapter à chaque nouvel entrepôt ou bâtiment sans effacer ses acquis précédents, faute de quoi chaque déploiement nécessite un réentraînement coûteux. Une mémoire structurée et compacte, capable de conserver l'essentiel sans stocker toutes les données brutes, va dans le sens d'une navigation véritablement continue et scalable, un prérequis pour les flottes d'AMR ou de robots humanoïdes opérant chez plusieurs intégrateurs. Le travail s'inscrit dans la lignée des recherches sur les politiques de diffusion appliquées à la navigation et sur l'apprentissage continu en robotique, un domaine où la plupart des méthodes existantes proviennent de la vision par ordinateur classique et s'adaptent mal aux contraintes spatiales de la navigation. À ce stade, HyperDCM reste un résultat de recherche validé sur benchmarks académiques, sans annonce de déploiement industriel ni de partenariat commercial ; la suite logique serait une validation sur des plateformes robotiques réelles et une comparaison directe avec les architectures de mémoire utilisées par les grands modèles VLA du secteur.

Recherche❖Paper

1 source

39

910arXiv cs.RO 

Foresight par apprentissage résiduel pour la manipulation robotique à long horizon avec des modèles vision-langage-action

Le laboratoire de recherche en robotique derrière l'étude "Foresight Residual RL" a publié le 24 juillet 2026 sur arXiv (2607.16506v1) une méthode visant à corriger un défaut connu des politiques Vision-Language-Action (VLA) sur les tâches d'assemblage complexes. Le problème identifié est concret : sur une tâche en trois phases (saisie, déplacement-insertion, rotation) simulant le serrage d'un écrou avec une clé dans l'environnement Isaac Gym, les méthodes classiques de reinforcement learning résiduel appliquées à une politique VLA gelée échouent à enchaîner les sous-tâches correctement, même quand chaque sous-tâche individuelle réussit. La solution proposée, baptisée Foresight Residual RL, entraîne un prédicteur visuel qui estime, à partir d'une image de l'état terminal d'une sous-tâche, la probabilité de succès des sous-tâches suivantes, et utilise cette estimation comme multiplicateur de récompense pour orienter l'apprentissage. Sur la tâche testée, la méthode atteint 85,6% de réussite sur l'ensemble de la séquence, contre 54,5% pour le RL résiduel standard et des résultats inférieurs pour les politiques VLA de base seules. Ce résultat pointe un angle mort largement sous-estimé dans le déploiement industriel des politiques génératives pour la manipulation robotique : optimiser chaque geste isolément ne garantit pas un enchaînement fiable des tâches. Pour les intégrateurs qui envisagent des lignes d'assemblage à tolérances serrées, contact-riche, type ligne électronique ou mécanique de précision, la démonstration confirme un écart persistant entre la performance en démonstration isolée et la performance en séquence réelle, un des points de vigilance recurrents pointés par les acteurs du secteur, sceptiques face aux vidéos promotionnelles de robots humanoïdes. Le fait que le succès par sous-tâche reste inchangé alors que le succès global bondit change la manière de penser l'entraînement : il ne s'agit plus seulement de maximiser un taux de réussite par étape, mais de façonner l'état terminal produit à chaque étape pour qu'il reste exploitable par l'étape suivante, une nuance directement pertinente pour les équipes qui construisent des pipelines d'apprentissage par renforcement sur des bases VLA préentraînées comme Pi-0 ou GR00T. Cette approche s'inscrit dans la lignée des travaux récents combinant politiques VLA préentraînées et affinage par RL résiduel, une stratégie de plus en plus utilisée pour adapter des modèles de manipulation généralistes à des tâches industrielles spécifiques sans réentraîner l'ensemble du modèle. La méthode a été validée uniquement en simulation, sur une tâche mécanique unique et relativement contrainte ; aucune date de transfert vers un robot physique ni de partenariat industriel n'est mentionnée dans l'article. Les auteurs positionnent leurs travaux comme une réponse méthodologique générale au problème d'attribution de crédit sur des horizons longs, un défi que partagent les principaux laboratoires travaillant sur les politiques génératives pour bras robotiques et humanoïdes, de Physical Intelligence à NVIDIA, sans qu'aucun acteur français ou européen ne soit cité dans cette publication.

Recherche❖Paper

1 source

39

911arXiv cs.RO 

Déplacer d'abord, valider ensuite : initialisation globale LiDAR-BIM sélective par consensus séquentiel avec abstention sensible à la symétrie

Une équipe de recherche présente dans un nouvel article arXiv (2607.17103v1) une méthode baptisée "Move First, Commit Later", conçue pour résoudre un problème central en robotique d'intérieur : localiser globalement un robot équipé de LiDAR dans un modèle BIM (Building Information Model) d'un bâtiment, sans connaître sa position de départ. Le constat de départ est que dans les intérieurs répétitifs (couloirs, salles similaires), l'échec principal ne vient pas d'un score de correspondance faible, mais d'un "aliasing confiant" : une sous-carte peut correspondre à plusieurs zones du BIM avec des scores presque identiques, produisant une position jugée fiable mais en réalité décalée à cause de la symétrie du lieu. La méthode proposée traite le module de recalage comme une simple source d'indices et décide ensuite s'il faut valider la position ou non. Les candidats de plusieurs sous-cartes sont ramenés à un repère commun en SE(2), un consensus "top-1" agrège les preuves entre sous-cartes, et la topologie du bâtiment sert uniquement de filtre de faisabilité binaire. Le système produit trois types de décisions : COMMIT (validation), DEFER (report) ou AMBIGUOUS avec la période de symétrie détectée, cette dernière pouvant être levée si le robot se déplace de façon à briser la symétrie. Testée sur un bâtiment réel multi-pièces et une simulation symétrique contrôlée, la méthode valide correctement la position dans toutes les configurations testées et s'abstient proprement dans les cas ambigus, alors que les approches classiques à choix forcé se trompent de pièce dans la majorité des cas sur le même module de recalage. Les positions validées sont précises à 0,02-0,36 mètre par rapport à une référence laser-tracker indépendante, et à moins de 1,9 degré d'orientation. Pour les intégrateurs de robots mobiles autonomes en environnement industriel ou logistique, cela répond à un vrai point de friction : le risque qu'un robot se croie ailleurs qu'il n'est réellement dans un bâtiment aux plans répétitifs. Les auteurs précisent toutefois que l'évaluation reste limitée à un seul bâtiment et un seul module de recalage, la couche étant conçue pour rester modulaire et compatible avec d'autres front-ends de recalage.

Recherche❖Paper

1 source

39

912arXiv cs.RO 

Robot quadrupède : navigation par imagination latente prédictive

Des chercheurs ont publié sur arXiv (arXiv:2607.17574, dépôt de juillet 2026) une nouvelle méthode d'entraînement pour la navigation de robots quadrupèdes en environnement dynamique. Le système part d'une architecture réactive classique, un backbone LSTM-SRU qui choisit ses actions à partir des observations courantes et d'une mémoire à court terme, et lui ajoute pendant l'entraînement un prédicteur auxiliaire de type JEPA couplé à une régularisation SIGReg. Ce module apprend à l'état caché du réseau à anticiper son propre état futur, donc la dynamique probable des obstacles mobiles à court horizon, avant d'être entièrement supprimé au moment de l'inférence : le contrôleur final reste aussi léger que la version purement réactive, sans paramètre ni coût de calcul supplémentaire. Les auteurs valident l'approche en simulation puis sur un robot réel, un Unitree Go2, déployé en environnements intérieurs encombrés et en extérieur avec obstacles dynamiques, avec transfert sim-to-réel en zero-shot, c'est-à-dire sans aucun réglage fin sur le robot physique. L'intérêt de ce travail est de s'attaquer à un problème concret des politiques de navigation par apprentissage par renforcement : leur tendance à réagir trop tard face à des obstacles mobiles, parce que le risque de collision dépend de la structure de la scène à court horizon et non de la seule position instantanée des obstacles. En injectant une supervision prédictive uniquement pendant l'entraînement, la méthode évite le compromis habituel entre capacité d'anticipation et complexité embarquée à l'inférence, un enjeu central pour les intégrateurs qui doivent faire tourner ces contrôleurs sur du matériel embarqué à ressources limitées. Le transfert zero-shot vers un Go2 sans fine-tuning est aussi un point notable : il illustre que l'écart sim-to-réel, souvent cité comme le principal obstacle à la robotique mobile apprise, peut être réduit sans données réelles supplémentaires pour ce type de tâche de navigation. À noter toutefois que l'abstract ne fournit pas de chiffres précis de taux de réussite ou de réduction de collisions, seulement une amélioration qualifiée de substantielle. Ce travail s'inscrit dans la lignée des méthodes d'apprentissage prédictif du monde (world models, architectures JEPA popularisées notamment par les travaux de Yann LeCun chez Meta) appliquées cette fois à la robotique locomotrice plutôt qu'à la vision ou au langage. Il rejoint une tendance plus large de la recherche en navigation robotique visant à doter les politiques réactives de capacités anticipatives sans alourdir l'inférence, un axe suivi par plusieurs laboratoires travaillant sur les quadrupèdes de type Unitree Go2 ou Boston Dynamics Spot. Les prochaines étapes attendues incluent l'extension à des flottes de robots ou à des environnements encore plus denses en obstacles humains, ainsi que la comparaison directe avec d'autres approches prédictives publiées sur les mêmes benchmarks.

Recherche❖Paper

1 source

39

913arXiv cs.RO 

DROID-ANCHOR : estimation récurrente de profondeur métrique ancrée sur l'odométrie

Des chercheurs publient sur arXiv (référence 2607.17058v1, juillet 2026) un nouveau système baptisé Metric-DROID, associé au papier intitulé DROID-ANCHOR, qui vise à résoudre un problème classique de la navigation robotique autonome : l'estimation de profondeur métrique à partir d'une seule caméra. Les systèmes SLAM récents basés sur des flux récurrents atteignent un excellent niveau de robustesse mais restent incapables de fournir une échelle physique fiable, ce qu'on appelle l'ambiguïté d'échelle, avec un risque de dérive au fil du déplacement du robot. Metric-DROID propose une architecture bout-en-bout qui ancre le SLAM visuel à la réalité physique en intégrant des données d'odométrie proprioceptive, c'est-à-dire les mesures internes de déplacement du robot (roues, capteurs inertiels). Le système repose sur trois briques : un opérateur de mise à jour LSTM qui transforme les séquences d'odométrie haute fréquence en cartes de caractéristiques spatiales servant de biais métrique persistant ; un module d'ajustement de faisceaux ($BA_{odom}$) qui pondère intelligemment les données visuelles et les mesures métriques grâce à une covariance apprise, limitant l'impact du glissement des roues et du bruit capteur ; et une stratégie de réglage fin sélectif qui préserve les connaissances géométriques pré-entraînées tout en permettant un alignement métrique sans réentraînement complet (zero-shot). L'enjeu est concret pour l'industrie robotique : la plupart des systèmes de navigation autonome low-cost s'appuient sur une caméra monoculaire plutôt que sur des capteurs stéréo ou LiDAR coûteux, mais butent justement sur cette absence d'échelle métrique fiable, ce qui limite leur usage en cartographie, en évitement d'obstacles précis ou en manipulation mobile. Si l'approche tient ses promesses en conditions réelles et pas seulement en benchmark, elle pourrait permettre à des robots mobiles et des AMR équipés de capteurs bon marché d'obtenir une localisation et une perception de profondeur en unités réelles, sans dépendre exclusivement de capteurs additionnels dédiés, ce qui réduirait les coûts matériels tout en fiabilisant la navigation en environnements dynamiques. Ce travail s'inscrit dans la lignée des systèmes SLAM récurrents de type DROID-SLAM, connus pour leur robustesse mais limités par l'ambiguïté d'échelle inhérente aux approches purement visuelles. En fusionnant apprentissage profond et odométrie classique plutôt que de s'appuyer sur des capteurs de profondeur additionnels, les auteurs se positionnent face aux approches concurrentes de SLAM visuo-inertiel ou visuo-LiDAR. L'article, encore au stade de publication de préprint, ne fournit pas à ce jour de détails sur un déploiement matériel réel ni sur des tests en conditions industrielles : il s'agit pour l'instant d'une contribution méthodologique dont la validation à grande échelle sur des plateformes robotiques commerciales reste à démontrer.

Recherche❖Paper

1 source

39

914arXiv cs.RO 

Force-based memory pour les modèles vision-langage-action dans la manipulation à contacts riches

Une équipe de recherche propose FM-VLA, un modèle vision-langage-action (VLA) doté d'une mémoire basée sur la force plutôt que sur l'image, décrit dans un article publié sur arXiv (référence 2607.18231v1) daté de juillet 2026. Le système encode l'historique des forces de contact captées par le robot dans des tokens de mémoire compacts, générés par un autoencodeur variationnel (VAE) pré-entraîné à reconstruire des séries temporelles de force. Ces représentations latentes sont ensuite injectées, avec un court historique d'état, comme tokens de conditionnement supplémentaires dans le module d'action du VLA. L'équipe a testé FM-VLA sur trois tâches nécessitant une mémoire temporelle : retrouver un bloc caché, appuyer plusieurs fois sur un bouton, et essuyer une vaisselle un nombre précis de fois. Résultat annoncé : plus de 80% de taux de réussite, avec un surcoût de calcul à l'inférence jugé minime, et des performances nettement supérieures aux approches de référence. L'enjeu dépassé le simple gain de précision : les VLA actuels reposent souvent sur une hypothèse markovienne, où l'action ne dépend que de l'observation présente, ce qui les rend aveugles à des événements répétitifs difficiles à distinguer visuellement, comme plusieurs pressions rapides sur un même bouton. Les approches existantes de mémoire visuelle, qui rééchantillonnent des images passées, sont coûteuses en calcul et échouent justement sur ces cas ambigus. En s'appuyant sur le signal de force, disponible nativement sur la plupart des bras manipulateurs équipés de capteurs, FM-VLA offre une alternative légère pour la manipulation en contact riche, un domaine clé pour l'assemblage industriel, l'insertion de pièces ou la manipulation fine où la vision seule ne suffit pas à lever l'ambiguïté temporelle. Ce travail s'inscrit dans la lignée des modèles VLA généralistes comme Pi-0 ou GR00T N2, qui ont démontré la capacité de ces architectures à généraliser sur des tâches de manipulation variées, mais peinent encore sur les scénarios non markoviens. FM-VLA se positionne comme une brique modulaire plutôt qu'un système complet, testée pour l'instant en conditions contrôlées sur un nombre restreint de tâches. Les auteurs mettent à disposition une page de projet dédiée pour les détails techniques et démonstrations, sans annoncer pour l'instant de déploiement industriel ou de partenariat commercial.

Recherche⚡Actu

1 source

38

915arXiv cs.RO 

Recognition de lieux LiDAR hétérogène sans apprentissage via tokenisation structurelle mixte-radix des points clés

Des chercheurs publient InLiER, une méthode de reconnaissance de lieu par LiDAR sans apprentissage (learning-free), détaillée dans un article arXiv (arXiv:2607.16862v1). Le système cible un problème très concret pour la robotique mobile : la fermeture de boucle (loop closure), la relocalisation et la gestion de cartes multi-agents deviennent difficiles dès qu'une flotte combine des capteurs LiDAR aux champs de vision, résolutions et motifs de balayage différents, car les descripteurs classiques sont conçus autour des caractéristiques d'un capteur précis et se dégradent en environnement hétérogène. InLiER résout cela via une étape de tokenisation intermédiaire : des points-clés extraits par tranches de hauteur sur les éléments structurels de la scène reçoivent des identifiants "mixed-radix" encodant hauteur, distance radiale, forme locale et azimut à partir de la géométrie 3D, le tout dans une représentation compacte de moins de 2 Ko. Ce même vocabulaire de tokens est ensuite réorganisé en trois étapes de recherche successives : une intersection d'histogrammes hauteur-plafond pour un premier tri rapide invariant à la rotation, un alignement de masques binaires pour estimer le lacet (yaw) et reclasser les candidats, puis une vérification géométrique guidée par tokens pour estimer la pose complète à 6 degrés de liberté. Sur le jeu de données HeLiPR et lors d'expérimentations de terrain réelles, InLiER atteint l'état de l'art parmi les méthodes handcrafted modernes et dépasse une baseline à base d'apprentissage sur la majorité des configurations cross-capteurs testées. Pour les intégrateurs robotiques, ce résultat compte parce qu'il s'attaque à un angle mort courant des pipelines SLAM : la plupart des descripteurs de place recognition, qu'ils soient handcrafted ou appris, supposent un capteur homogène sur toute la flotte. Or les déploiements réels combinent de plus en plus des LiDAR différents selon le robot ou le site, ce qui casse la cohérence des cartes partagées et complique la coopération multi-robots. Qu'une méthode sans entraînement batte une baseline apprise sur la plupart des configurations cross-capteurs suggère que le goulot d'étranglement n'est pas la capacité de représentation du modèle, mais la conception du descripteur lui-même, un point utile pour les équipes qui veulent éviter le coût de collecte de données et de réentraînement à chaque nouveau capteur. Le travail s'inscrit dans la lignée des recherches sur la place recognition LiDAR pour le SLAM, un domaine où les méthodes handcrafted (histogrammes, scan context) ont longtemps coexisté avec des approches apprises plus récentes, sans qu'aucune ne gère bien l'hétérogénéité capteur. Les auteurs ne mentionnent pas de partenaire industriel ni de calendrier de transfert vers un produit ; il s'agit pour l'instant d'un résultat de recherche validé sur HeLiPR et en tests de terrain, à surveiller pour une éventuelle intégration dans des stacks SLAM open source ou commerciales.

Recherche❖Paper

1 source

38

916arXiv cs.RO 

SAGE : un moteur génératif conscient du social pour la navigation multi-agents hétérogène

Une équipe de recherche propose SAGE (Socially-Aware Generative Engine), un nouveau système de navigation pour robots évoluant parmi des humains et d'autres agents hétérogènes, décrit dans un article publié sur arXiv (référence 2607.16619v1). Le modèle représente la scène, robots, piétons, autres véhicules, comme un graphe hétérogène orienté, traité par un Heterogeneous Graph Transformer (HGT) capable d'encoder des interactions asymétriques selon le type d'agent. Un module génératif basé sur la diffusion prédit conjointement les trajectoires futures des entités environnantes et le plan de trajectoire du robot. Au moment de l'inférence, un mécanisme de guidage baptisé "safety-social energy", sans entraînement supplémentaire, affine les trajectoires échantillonnées via des contraintes différentiables de collision, de cinématique, de progression de tâche et de conformité sociale selon le rôle de l'agent. Les tests ont été menés sur les jeux de données réels ETH/UCY et Stanford Drone Dataset (SDD), ainsi que sur des données synthétiques, avec une mise à l'échelle démontrée jusqu'à des équipes de 20 robots. Pour l'industrie robotique, ce travail s'attaque à un vrai point de friction: la plupart des méthodes de prédiction de trajectoire et de planification traitent les agents de façon homogène ou se limitent à des contraintes géométriques de collision, ce qui échoue à modéliser des situations réalistes où un robot logistique, un piéton et un véhicule autonome n'ont ni la même dynamique ni le même rôle social. En couplant prédiction et planification dans un seul module génératif, et en permettant un arbitrage explicite entre sécurité, précision et performance de tâche sans réentraîner le modèle, SAGE répond à un besoin concret pour les intégrateurs déployant des flottes de robots mobiles (AMR) en environnement partagé avec des humains, entrepôts, hôpitaux, espaces publics. Ce travail s'inscrit dans la lignée des recherches en navigation socialement consciente, un champ où les approches précédentes reposaient souvent sur des modèles de forces sociales ou de l'apprentissage par renforcement avec des hypothèses simplificatrices sur l'homogénéité des agents. L'article ne précise pas de calendrier de déploiement industriel ni de partenaire commercial: il s'agit à ce stade d'une contribution de recherche, dont la prochaine étape logique serait une validation sur robots physiques au-delà des simulations et jeux de données existants.

Recherche❖Paper

1 source

38

917arXiv cs.RO 

PRISM : cartographie multimodale de terrain pour la navigation d'un rover en environnement non structuré

Des chercheurs présentent PRISM, un système de perception multimodale destiné à la cartographie de terrain pour la navigation de rovers en environnements non structurés, dans un article publié sur arXiv (2607.16366v1). Le système s'appuie sur une suite de capteurs personnalisée capturant simultanément des images RGB, de profondeur et thermiques alignées, format noté RGB-D-T. Son cœur algorithmique, baptisé OmniUnet, est un réseau basé sur les vision transformers, conçu spécifiquement pour la segmentation sémantique multimodale de terrain. Les auteurs ont validé leur approche sur deux jeux de données inédits, BASEPROD et LAENTIEC, annotés pour l'occasion, puis testé le système lors d'expériences de terrain réelles. Point notable, PRISM tourne sur un calculateur embarqué aux ressources limitées et génère des cartes de franchissabilité directement exploitables par le sous-système de guidage, navigation et contrôle (GNC) du rover. L'intérêt principal de ces travaux réside dans l'ajout de l'imagerie thermique aux capteurs optiques et de profondeur classiques, une combinaison qui améliore la différenciation des types de terrain, notamment dans des conditions où la seule vision RGB-D peine (faible luminosité, ombres, poussière, végétation ambiguë). Pour l'industrie de la robotique de terrain, planétaire ou tout-terrain, cela répond à un vrai point de friction : la fiabilité de la cartographie de franchissabilité conditionne directement la sécurité de navigation autonome sur pentes raides ou sols rocheux. Le fait que le pipeline complet, capteurs, réseau de segmentation et génération de carte, fonctionne sur du matériel embarqué contraint constitue une démonstration concrète de faisabilité, plutôt qu'une simple preuve de concept en simulation, ce qui distingue ce travail d'approches purement académiques limitées au laboratoire. Ce papier s'inscrit dans une tendance plus large de fusion de capteurs pour la perception robotique en extérieur, où les systèmes purement RGB-D montrent des limites face à la diversité des textures et éclairages du terrain naturel. Contrairement à des annonces de robots humanoïdes très médiatisées, il s'agit ici d'une contribution académique (preprint arXiv, non encore relu par les pairs) centrée sur les rovers et véhicules autonomes tout-terrain, un segment où les acteurs de référence restent les programmes d'exploration planétaire et la robotique de défense ou agricole. Les prochaines étapes attendues concernent l'extension des jeux de données et des essais terrain supplémentaires pour confirmer la robustesse du système dans des conditions plus variées.

Recherche❖Paper

1 source

38

918arXiv cs.RO 

BoxTwin : apprendre la dynamique d'objets articulés élastoplastiques à partir de vidéos

BoxTwin est un framework de jumeau numérique interactif conçu pour apprendre, à partir de simples vidéos, la dynamique complète des objets articulés élastoplastiques (EAO) : des objets comme des boîtes en carton ou des structures pliables qui combinent élasticité non linéaire, déformation plastique irréversible et accumulation de dommages au fil des manipulations. Le pipeline reconstruit d'abord la scène filmée, puis identifie pour chaque objet un modèle constitutif informé par la physique, c'est-à-dire une représentation mathématique de son comportement mécanique réel plutôt qu'une approximation générique. Les auteurs ont testé leur méthode sur deux scénarios : le pliage manuel d'objets et leur manipulation par un bras robotique double (dual-arm). Résultat annoncé : le système suit précisément les trajectoires articulaires et reproduit le comportement plastique post-contact sur de longs horizons temporels, y compris après plusieurs cycles de déformation. Le travail est publié en préprint sur arXiv sous la référence 2607.17132v1. L'enjeu concret touche la logistique et la manipulation industrielle, deux domaines où le carton, les boîtes pliables et autres contenants déformables sont omniprésents mais mal pris en charge par les simulateurs actuels, la plupart supposant des objets rigides ou purement élastiques sans mémoire de déformation. Cette limite alimente l'écart classique entre simulation et réel (sim-to-real gap) : un robot entraîné sur un jumeau numérique qui ignore l'usure et le fluage plastique d'un carton risque d'échouer en conditions réelles après quelques manipulations répétées. En captant ce comportement directement depuis la vidéo plutôt que via un modelage manuel coûteux, BoxTwin ouvre une piste pour entraîner des politiques de manipulation plus robustes sur des entrepôts ou lignes d'emballage, notamment pour les systèmes de préparation de commandes ou de tri assistés par bras robotiques. Le sujet s'inscrit dans un champ de recherche encore restreint, à la croisée de la reconstruction 3D par vidéo, de la simulation physique différentiable et de la manipulation robotique de matériaux déformables (tissus, cartons, structures pliables), un terrain nettement moins mature que celui des jumeaux numériques pour robots rigides ou humanoïdes. S'agissant d'un préprint tout juste publié, aucun partenaire industriel, aucune intégration produit ni calendrier de déploiement n'est mentionné à ce stade : il s'agit d'une contribution académique, dont la suite logique serait une intégration dans des boucles de contrôle robotique pour une manipulation adaptative d'objets déformables en environnement non structuré, sans qu'un pilote concret soit annoncé pour l'instant.

Recherche❖Paper

1 source

38

919arXiv cs.RO 

Seg2Grasp : une préhension par succion modulaire et robuste pour le bin picking

Une équipe de recherche présente Seg2Grasp, un pipeline modulaire de préhension par succion conçu pour le bin picking en environnement industriel encombré et dynamique. Contrairement aux approches end-to-end qui échouent souvent face à des objets inconnus ou complexes, Seg2Grasp découpe le problème en trois étapes distinctes : segmentation, préhension et classification. Le module de segmentation s'appuie sur un modèle Transformer pour générer des masques d'objets agnostiques à la classe à partir d'images RGB-D, garantissant une détection fiable quelles que soient les conditions. Le module de préhension exploite les normales de surface et les propositions de masques pour déterminer les points de succion optimaux, améliorant le taux de réussite des prises. Le module de classification repose sur une version affinée de Mask-CLIP, un modèle à vocabulaire ouvert, permettant d'identifier précisément une grande diversité d'objets. Des expériences robotiques en conditions réelles montrent que Seg2Grasp dépasse les méthodes existantes en taux de réussite et en capacité d'adaptation. Cette architecture modulaire répond à une limite bien connue des systèmes de bin picking actuels : la fragilité des modèles end-to-end lorsqu'ils rencontrent des objets hors distribution d'entraînement. En séparant explicitement perception, planification de prise et reconnaissance, Seg2Grasp gagne en robustesse et en interprétabilité, un atout pour les intégrateurs qui doivent déployer ces systèmes sur des flux d'objets hétérogènes et changeants, typiques de la logistique et du e-commerce. L'usage d'un modèle ouvert-vocabulaire pour la classification évite aussi le réentraînement coûteux à chaque nouvel objet, ce qui facilite l'adaptation en production. Cela illustre une tendance de fond dans la robotique de manipulation : revenir à des pipelines modulaires et interprétables plutôt qu'à des réseaux monolithiques, quand la fiabilité en usine prime sur la performance brute en benchmark. Le bin picking par succion reste un défi central en logistique automatisée, où AMR et bras robotiques doivent traiter des objets de formes, matières et poids variés sans connaissance préalable. Seg2Grasp s'inscrit dans la lignée des travaux combinant modèles de segmentation génériques et CLIP pour la reconnaissance ouverte, une approche de plus en plus répandue face aux limites des systèmes fermés entraînés sur catalogues fixes. L'article, publié en preprint sur arXiv, ne précise pas encore de partenariat industriel ni de calendrier de déploiement commercial ; il s'agit pour l'instant d'une démonstration en laboratoire dont la portée reste à confirmer par des tests à plus grande échelle.

Recherche❖Paper

1 source

38

920arXiv cs.RO 

Robotique en environnements peu éclairés : rapport de projet SLAM

Une équipe de recherche publie un rapport de projet arXiv (2607.17699) qui évalue six systèmes SLAM (localisation et cartographie simultanées) dans des conditions de faible luminosité, un scénario encore peu couvert par les benchmarks existants, majoritairement construits sur des séquences diurnes ou en intérieur bien éclairé. Les chercheurs testent ORB-SLAM3, DSO, Kimera-VIO, OpenVINS, DPVO et DPV-SLAM, quatre paradigmes différents (approches par features, directes, à filtrage et par apprentissage), sur cinq séquences LaMARia de difficulté et d'éclairage croissants. Les métriques retenues sont l'erreur de pose absolue, l'erreur de pose relative et le taux de rappel sur points de contrôle. Résultat marquant: Kimera-VIO est le seul système à suivre les cinq séquences jusqu'au bout, avec l'erreur de pose relative la plus faible, mais son erreur absolue croît continuellement faute de fermeture de boucle (loop closure). DPVO et DPV-SLAM ne perdent jamais le tracking mais accumulent une erreur absolue d'environ 100 mètres en faible luminosité. Les pipelines monoculaires classiques ORB-SLAM3 et DSO, ainsi que le système à filtrage OpenVINS, échouent purement et simplement ou divergent sur la majorité des séquences difficiles. Pour l'industrie robotique, ce travail précise une limite concrète: la navigation autonome par caméra RGB seule reste praticable la nuit ou en environnement sombre uniquement si le système combine fusion inertielle et optimisation globale, deux briques rarement présentes ensemble dans les stacks embarquées low-cost. C'est un signal utile pour les intégrateurs qui cherchent à éviter le surcoût, le poids et la complexité d'intégration de capteurs LiDAR, profondeur ou thermiques sur des plateformes mobiles ou des drones opérant en conditions dégradées. Le SLAM reste un problème fondateur de la robotique autonome, mais la littérature s'est historiquement concentrée sur des conditions favorables. Ce benchmark s'inscrit dans une tendance à stress-tester les systèmes existants plutôt qu'à en proposer de nouveaux, et ses auteurs concluent que combler l'écart restant nécessitera soit des front-ends d'apprentissage spécifiquement entraînés pour la basse luminosité, soit un retour vers des capteurs complémentaires, sans toutefois annoncer de calendrier ou de prototype concret à ce stade.

Recherche❖Paper

1 source

38

921arXiv cs.RO 

World Translation : réduire l'écart simulation-réalité malgré l'observabilité partielle

Des chercheurs proposent une nouvelle méthode baptisée "World Translation" pour réduire l'écart entre simulation et réalité dans l'apprentissage de politiques robotiques, selon un article publié sur arXiv (2607.18154v1). Le problème ciblé est classique en robotique par apprentissage : une politique entraînée en simulation se comporte souvent mal une fois déployée sur un robot réel, car les modèles de dynamique appris à partir de données réelles échouent en cas d'observabilité partielle, c'est-à-dire quand un même signal capté par les capteurs peut correspondre à plusieurs transitions physiques différentes selon des facteurs non observés, comme un contact soudain sans signe avant-coureur. Plutôt que de prédire la dynamique en avant à partir de l'historique d'observations comme les méthodes existantes, l'équipe extrait l'information dynamique non observable en amont, à rebours, à partir d'une transition déjà observée, puis la transpose entre simulation et réalité via un problème de traduction de domaine non appariée. Les expériences couvrent trois types de plateformes : humanoïde, quadrupède et manipulateur, avec une validation en conditions réelles sur le quadrupède Go2 d'Unitree. L'enjeu dépasse la seule prouesse académique. Le fossé sim-to-real reste l'un des principaux verrous empêchant les politiques entraînées massivement en simulation d'atteindre une fiabilité suffisante pour un déploiement industriel, que ce soit pour des humanoïdes, des quadrupèdes d'inspection ou des bras manipulateurs. Une méthode qui gagne en précision précisément là où l'historique d'observations est peu informatif, typiquement les événements de contact brusques, cible un point faible connu des architectures actuelles de type VLA ou des politiques apprises par renforcement en simulation. Pour les intégrateurs et équipes R&D, cela concerne directement la robustesse des transferts de politiques vers du matériel réel, un enjeu central alors que le secteur multiplie les annonces de déploiements humanoïdes sans toujours démontrer une généralisation fiable hors du laboratoire. Ce travail s'inscrit dans la lignée des approches dites "real-to-sim", qui cherchent à améliorer le réalisme du simulateur à partir de données réelles plutôt que l'inverse, en s'appuyant sur des modèles de dynamique appris. L'article positionne World Translation comme complémentaire à ces approches : les simulateurs restent déterministes mais physiquement imparfaits, tandis que les modèles appris sont précis mais sous-déterminés en cas d'observabilité partielle. Le choix du Go2 d'Unitree comme plateforme de validation réelle s'inscrit dans une pratique courante de la recherche en locomotion, ce robot quadrupède commercial servant de banc d'essai standard pour de nombreuses équipes académiques avant d'envisager un passage à des plateformes humanoïdes plus complexes.

Recherche❖Paper

1 source

38

922arXiv cs.RO 

PREFAIL : identifier les précurseurs d'échecs dans les tâches robotiques de prise-et-dépose

Le fil relatif de l'objet transporte par rapport a son support permet a PREFAIL, une nouvelle méthode présentée sur arXiv (2607.16921v1), d'anticiper les échecs dans les taches de type "lift-and-place" exécutées par manipulation non préhensile, c'est-a-dire sans pince, l'objet étant simplement maintenu par friction sur un support ou un plateau mobile. Les auteurs partent d'un constat opérationnel: accélérer ces mouvements augmente le risque de perte de l'objet, tandis que ralentir la cadence dégradé le temps de cycle, un compromis central pour les lignes de manutention automatisée. En analysant ce mouvement relatif, la méthode détecte les signes précurseurs d'un échec avant qu'il ne survienne. Les chercheurs introduisent aussi un nouveau jeu de données qui identifie précisément le dernier instant d'intervention possible pour chaque manipulation a risque, c'est-a-dire jusqu'a quand une correction reste techniquement réalisable avant que la chute ou le glissement ne devienne inévitable. La méthode est validée a la fois en simulation et sur des données réelles, avec des résultats montrant une amélioration sensible de la précision et de la rapidité de détection par rapport aux approches existantes. Ce travail s'attaque a un angle mort concret de l'automatisation industrielle: la plupart des systèmes de manutention non préhensile, convoyeurs, plateaux, AMR transportant des pièces sans préhension active, fonctionnent aujourd'hui a des vitesses conservatrices précisément parce qu'aucune méthode fiable ne permet d'anticiper un échec en temps réel et d'agir a temps. Une prédiction de précurseurs véritablement actionable, plutôt qu'une simple détection a posteriori, ouvrirait la voie a des cadences plus élevées sans sacrifier le taux de réussite, un enjeu direct pour les intégrateurs et les opérateurs de lignes a haut volume en logistique, assemblage ou tri. La caractérisation du dernier instant d'intervention répond en outre a une limite méthodologique fréquente en recherche robotique: de nombreux travaux antérieurs signalent des échecs sans vérifier si une correction était encore possible au moment de la détection, rendant leurs métriques difficiles a interpréter opérationnellement. Les approches existantes de prédiction d'échec restent, selon les auteurs, limitées par leur sensibilité aux mouvements dynamiques et par une forte dépendance a la structure spécifique de la politique de contrôle utilisée, ce qui nuit a leur transferabilite d'un système a un autre. PREFAIL se positionne comme une alternative plus générique, fondée sur l'observation du mouvement relatif objet-support plutôt que sur l'inspection interne de la politique de commande. L'article ne mentionne aucun déploiement industriel ni partenaire commercial: il s'agit a ce stade d'une contribution de recherche académique, validée en simulation et sur des jeux de données réels contrôles, sans calendrier annonce de transfert vers un produit ou une ligne de production. La publication du dataset associe, qui documente précisément les fenêtres d'intervention, pourrait néanmoins devenir une référence pour comparer les futures méthodes de prédiction d'échec dans la manutention automatisée.

Recherche❖Paper

1 source

38

923arXiv cs.RO 

Robots à travers différentes scènes : planification rapide et sûre de trajectoires par composition de diffusion

Une équipe de recherche présente un nouveau cadre de planification de trajectoire baptisé RSTP (diffusion composition), publié sur arXiv (2507.04384v4) avec une page projet dédiée. La méthode combine un champ d'énergie appris de façon conservative avec un processus de diffusion, ce qui permet d'intégrer plusieurs contraintes de sécurité et de cinématique sans réentraînement pour chaque nouvel environnement. Un filtre de sécurité léger est ajouté en aval pour garantir en temps réel le respect des contraintes de faisabilité cinématique. Les chercheurs ont aussi développé un pipeline de génération de données basé sur du contrôle prédictif (MPC), indépendant de la scène, pour produire à grande échelle des trajectoires d'entraînement dynamiquement réalisables. En simulation, le planificateur atteint un temps de calcul moyen de 0,21 seconde par trajectoire et un taux d'échec de seulement 0,57 %. Les tests réels ont été menés sur la plateforme robotique F1TENTH, où le système a maintenu une distance moyenne de sécurité de 0,26 mètre par rapport aux obstacles, même en présence d'incertitude des capteurs et dans des environnements dynamiques inédits. Cette avancée s'adresse directement à un problème central en robotique mobile et en navigation autonome: la difficulté de garantir simultanément vitesse de calcul, sécurité et généralisation face à des obstacles mouvants sans connaître à l'avance la scène. Les méthodes de diffusion, déjà populaires pour la génération de trajectoires en manipulation robotique et en conduite autonome, souffrent souvent d'un temps d'inférence trop long pour un usage temps réel, ou d'un manque de garanties de sécurité formelles. En démontrant un temps de planification compatible avec le temps réel tout en conservant un filtre de sécurité explicite, ce travail répond à une critique récurrente adressée aux approches génératives en robotique: leur difficulté à passer de la démonstration en simulation à un déploiement fiable sur robot physique. Le papier, une version révisée (v4) d'un article initialement soumis en juillet, s'inscrit dans la lignée des travaux combinant modèles de diffusion et planification sous contrainte, en concurrence avec des approches plus classiques de type MPC pur ou de champs de potentiel. La validation sur F1TENTH, plateforme standard de recherche en course autonome à petite échelle, ouvre la voie à des tests sur des robots de taille industrielle ou des véhicules autonomes complets, sans calendrier de déploiement commercial précisé à ce stade.

Recherche❖Paper

1 source

38

924arXiv cs.RO 

Apprentissage de marges de sécurité adaptatives pour la navigation visuelle

Des chercheurs présentent un nouveau système de sélection de trajectoires pour la navigation robotique en intérieur encombré, détaillé dans un preprint arXiv (2607.18200v1). Le problème ciblé : les marges de sécurité fixes utilisées par les robots mobiles sont mal calibrées, trop conservatrices elles provoquent détours et dépassements de temps, trop permissives elles autorisent des trajectoires limites dangereuses en cas de biais de perception. Les auteurs proposent un "safety critic" conditionné par le contexte qui apprend une préférence de dégagement adaptative pour classer les propositions générées par un planificateur par diffusion à partir d'images RGB-D égocentriques. Le critique combine trois composantes : un terme de sécurité avec pénalité de budget de dégagement et résidu de fonction barrière de contrôle, un terme d'efficacité mêlant lissage et pénalité de détour conditionnée à la sécurité, et un terme d'ancrage aux clearances ESDF réelles pour éviter l'effondrement de la marge apprise. L'entraînement s'appuie sur une géométrie ESDF privilégiée en simulation, puis le modèle est distillé en un sélecteur ne nécessitant que la perception, via une procédure enseignant-élève en deux temps. Sur les benchmarks PointGoal HM3D et MP3D, y compris en transfert cross-dataset, la méthode obtient les meilleurs taux de réussite et scores SPL face à des références par diffusion, par optimisation et par apprentissage par renforcement. Pour l'industrie robotique, ce travail s'attaque à un goulot d'étranglement concret : la plupart des planificateurs par diffusion génèrent déjà des trajectoires diverses et valables, mais peinent à choisir laquelle exécuter en toute sécurité. Une marge de sécurité apprise et adaptative plutôt que codée en dur pourrait réduire les échecs de navigation des robots déployés en environnements réels, entrepôts, usines, intérieurs domestiques, sans réglage manuel site par site. Le transfert direct vers un humanoïde Unitree G1, entraîné uniquement en simulation et sans ajustement spécifique à la tâche, illustre une réduction crédible de l'écart simulation-réel, un point sensible pour les intégrateurs qui restent souvent méfiants face aux démonstrations purement simulées. Ce travail s'inscrit dans la lignée des planificateurs par diffusion pour la navigation, une approche récente qui a gagné du terrain face aux méthodes d'optimisation classiques et au RL, en s'appuyant sur les fonctions barrière de contrôle et les champs de distance signée (ESDF) pour formaliser la sécurité. Le papier reste à ce stade une publication de recherche non revue par les pairs, sans lien annoncé avec un acteur industriel ; aucune date de déploiement produit ni partenariat n'est mentionné.

Recherche❖Paper

1 source

38

925arXiv cs.RO 

Robot autonome : autorotation passive induite par la configuration pour améliorer la perception en vol

Un drone tricoptère à autorotation passive contrôlée par la configuration de ses bras vient d'être présenté dans un article arXiv (2607.17646v1) consacré au vol autonome en environnement confiné et encombré. Le problème de départ est connu en robotique aérienne : le champ de vision limité des capteurs embarqués freine la perception lors de manœuvres en espace restreint. Plutôt que d'ajouter des capteurs supplémentaires, les auteurs exploitent un phénomène d'autorotation passive de l'appareil, c'est-à-dire une rotation continue du drone induite par sa propre configuration mécanique, pour balayer un champ de vision élargi sans coût matériel additionnel. L'innovation clé porte sur le paramètre de configuration du bras arrière du tricoptère, qui permet de régler le point de fonctionnement de cette autorotation et donc d'arbitrer entre fréquence de balayage du champ de vision et performance de vol. Un cadre d'autonomie hiérarchique, combinant planification de trajectoire et contrôle bas niveau, a été développé pour maintenir un vol agile et robuste malgré cette rotation continue, avec en complément une replanification par points-guides destinée à améliorer la couverture lors de missions d'inspection par points de passage. Cette approche répond à une limite structurelle des drones classiques en environnement industriel ou urbain dense, entrepôts, tunnels, sites d'inspection, où la vision périphérique conditionne directement la sécurité et l'efficacité de la navigation autonome. En proposant une solution purement mécanique et architecturale plutôt qu'un ajout de capteurs (LiDAR 360°, caméras multiples), les auteurs ouvrent une piste de conception low-cost pour les drones d'inspection, un segment où poids, autonomie énergétique et coût du capteur restent des contraintes fortes pour les intégrateurs. Les auteurs situent leurs travaux dans la lignée des recherches sur les architectures de drones à géométrie variable et l'autorotation passive comme substitut aux capteurs omnidirectionnels coûteux. Des expérimentations réelles ont été menées, incluant suivi de trajectoire à haute vitesse, tests de rejet de perturbations et navigation autonome dans des environnements encombrés représentatifs, sans toutefois préciser à ce stade de calendrier de transfert industriel ou de partenaire de déploiement.

Recherche❖Paper

1 source

38

926arXiv cs.RO 

HCPG-Flow : guidage hiérarchique de progression de contact pour la manipulation robotique par politique de flux

Les chercheurs à l'origine de HCPG-Flow présentent une nouvelle méthode de sélection d'actions pour les politiques de manipulation robotique de type "flow", publiée sur arXiv (2607.17651). Le problème visé est concret : ces politiques génèrent plusieurs propositions d'actions multimodales à chaque étape de contrôle, mais le robot ne peut en exécuter qu'une seule, et le classement habituel par un critique (critic-based ranking) fausse la collecte de données lorsque les candidates sont mal représentées dans le buffer de replay. HCPG-Flow ajoute à SAC-Flow un mécanisme de guidage hiérarchique centré sur l'objet, actif au moment du rollout, sans modifier les objectifs d'acteur et de critique existants. Le système bascule d'abord sur l'approche de l'effecteur terminal, puis, une fois le contact établi, sur la progression de la tâche, en notant chaque proposition selon la réduction de premier ordre d'une distance pertinente pour la tâche, standardisée au sein de l'ensemble de candidats, avant d'exécuter une combinaison d'actions contrôlée par température. Sur dix tâches simulées, la méthode améliore le taux de succès moyen par rapport à SAC-Flow sur les deux bancs d'essai testés, avec un gain de 9,5 points de pourcentage sur Maniskill. En conditions réelles, sur quatre tâches physiques, HCPG-Flow atteint un haut taux de succès tout en réduisant de 17,4 % le nombre d'étapes nécessaires pour compléter une tâche avec succès. Pour le secteur de la robotique manipulative, ce travail s'attaque à un goulot d'étranglement bien identifié des politiques par apprentissage par renforcement à base de flow matching : la fiabilité de la sélection d'action au moment de l'exécution, distincte de la qualité de l'apprentissage lui-même. En s'appuyant sur une heuristique physique simple, le progrès de contact plutôt qu'une pure estimation de valeur, la méthode réduit la dépendance à des estimations de critique potentiellement biaisées, un point sensible pour les intégrateurs qui cherchent des politiques robustes et transférables du simulateur au réel (sim-to-real), notamment sur des tâches de manipulation fine où le contact physique conditionne la réussite. HCPG-Flow s'inscrit dans la lignée des travaux récents combinant flow policies et SAC (Soft Actor-Critic), une famille de méthodes qui a gagné en popularité pour représenter des distributions d'actions multimodales en robotique, en concurrence directe avec les approches par diffusion. Les auteurs mettent à disposition une page de projet (hitxraz.github.io/HCPG-Flow) présentant probablement code et démonstrations, sans toutefois préciser à ce stade de calendrier de déploiement industriel ni de partenariat avec des acteurs commerciaux du secteur.

Recherche❖Paper

1 source

38

927arXiv cs.RO 

Politique de patch : contrôle incarné efficace par représentations visuelles denses

Une équipe de recherche en robotique publie Patch Policy, une extension architecturale pour les politiques de contrôle robotique basées sur des transformeurs, décrite dans un article déposé sur arXiv (2607.18236). Le constat de départ est que les politiques robotiques actuelles compressent chaque observation visuelle en un unique token global, ou entraînent leur backbone visuel à partir de zéro, ce qui sacrifie soit le détail spatial fin, soit les bénéfices du pré-entraînement visuel à grande échelle sur des Vision Transformers (ViT). Patch Policy résout ce compromis grâce à un masque d'attention block-causal qui préserve la causalité temporelle des politiques standards tout en permettant au modèle d'exploiter de nombreux tokens de patchs denses par observation, en complément des autres informations d'état. Testée sur quatre suites d'environnements simulés et trois suites en conditions réelles, la méthode affiche une amélioration relative de 40% par rapport aux politiques utilisant des représentations globales poolées de pointe, et dépasse de 18% les performances d'OpenVLA-OFT affiné, tout en ne mobilisant qu'environ 0,7% de ses paramètres. Ce résultat s'attaque directement à un point de friction connu du secteur : les grands modèles vision-langage-action (VLA) exploitent bien des features denses, mais héritent du coût de calcul complet d'un VLM à plusieurs milliards de paramètres, rendant leur usage difficile pour du contrôle réactif à haute fréquence. En démontrant qu'une politique légère peut surpasser un VLA lourd fine-tuné avec une fraction infime des paramètres, Patch Policy contredit l'hypothèse selon laquelle la performance en contrôle embarqué exige nécessairement des backbones massifs. Pour les intégrateurs et équipes R&D robotique, cela ouvre une voie pour exploiter les progrès continus de l'apprentissage de représentations visuelles sans les coûts d'inférence et d'entraînement associés aux VLA géants. Ce travail s'inscrit dans la lignée des efforts récents pour rapprocher robotique et vision par transformeurs pré-entraînés, dans un paysage dominé par des modèles VLA de référence comme OpenVLA, Pi-0 ou GR00T N2. Contrairement à ces architectures conçues pour la généralisation à grande échelle, Patch Policy vise l'efficacité et la vitesse d'inférence, positionnant l'approche comme un pipeline pratique plutôt qu'un nouveau foundation model. Les auteurs mettent à disposition des vidéos de démonstration sur patch-policy.github.io, sans toutefois préciser de calendrier de déploiement industriel ou de partenariat commercial à ce stade.

Recherche❖Paper

1 source

38

928arXiv cs.RO 

Système d'exploitation auto-évolutif pour agents incarnés : planification cognitive et exécution physique découplées

Des chercheurs présentent PhyAgentOS, un système d'exploitation pensé spécifiquement pour les agents robotiques incarnés (embodied agents), décrit dans un preprint arXiv (2607.16636v1) publié fin juillet 2026. Le système introduit un "Session-Centered Runtime" qui traite une session complète, et non une action isolée, comme unité minimale d'ordonnancement, de vérification de compatibilité et de collecte de preuves d'exécution. La couche cognitive (planification) est séparée de la couche physique (exécution) via un protocole appelé State-as-a-File, qui matérialise l'état du système sous forme de fichiers Markdown/YAML lisibles et versionnables, sans dépendance de code entre les deux couches. Un module SessionVerifier distingue la fin d'exécution d'une tâche de sa réussite sémantique réelle, avec trois verdicts possibles : succès, échec ou replanification. Les résultats vérifiés alimentent une mémoire épistémique qui capitalise l'expérience sous forme de leçons réutilisables, sans réentraînement du modèle. PhyAgentOS a été testé sur les bancs d'essai Optimus-67, StarDojo et DST-Dojo, validé sur plus de 19 corps robotiques simulés et physiques, et montre des gains de performance sur les benchmarks LIBERO, Calvin et RoboCasa365 avec plusieurs modèles VLA (vision-language-action) différents. L'enjeu dépasse la prouesse technique isolée : les modèles VLA, les modèles du monde et les planificateurs agentiques progressent chacun de leur côté, mais sans abstraction d'exécution commune ni état partagé, ce qui rend leur composition fragile dès qu'on sort du laboratoire. En distinguant explicitement la terminaison d'une action de sa réussite réelle, PhyAgentOS s'attaque directement à l'écart bien documenté entre démonstration et fiabilité en conditions réelles, un problème central pour les intégrateurs qui déploient des flottes de robots en usine ou en entrepôt. Pour un décideur B2B, la promesse n'est pas un nouveau modèle plus performant mais une couche d'infrastructure capable de faire cohabiter différents modèles VLA, de vérifier objectivement leurs sorties et de capitaliser les échecs sans réentraînement coûteux, un point clé pour la maintenabilité à long terme de déploiements robotiques hétérogènes. Cette proposition s'inscrit dans la vague actuelle de modèles VLA généralistes tels que Figure 03, Optimus Gen 3, Pi-0 ou GR00T N2, qui ont démontré des capacités de manipulation impressionnantes en démo mais restent difficiles à orchestrer, vérifier et faire évoluer une fois déployés sur du matériel réel. PhyAgentOS se positionne comme une couche d'infrastructure sous ces modèles plutôt que comme un concurrent direct, avec une architecture de sécurité en couches (préflight, ponts d'action, SafetyGuard, surveillance par heartbeat) et une validation progressive allant des jeux virtuels à la simulation puis au robot physique, en gardant la couche cognitive constante pour isoler les variables. Publié comme preprint arXiv avec le statut "Announce Type: new", ce travail reste à ce stade une contribution de recherche académique plutôt qu'un produit commercial ; les auteurs ne précisent ni calendrier de mise en production ni partenariat industriel à ce jour.

Recherche❖Paper

1 source

37

929arXiv cs.RO 

IA incarnée : diffusion latente token par token, des raisonneurs lents vers les planificateurs rapides pour la navigation dynamique vision-langage

Le laboratoire de recherche à l'origine du framework SPARK-VLN publie sur arXiv (arXiv:2607.16806v1, juillet 2026) une architecture destinée à la navigation par langage naturel (Vision-Language Navigation, VLN) en environnement dynamique et peuplé d'humains. Le problème identifié est concret: les modèles de langage visuels (VLM) utilisés pour raisonner sur une instruction et planifier une trajectoire sont lents, alors qu'un robot évoluant parmi des piétons a besoin de décisions quasi instantanées. Ce décalage crée un phénomène de "staleness": une manœuvre calculée pendant l'inférence peut devenir dangereuse avant même d'être exécutée, la scène ayant changé entretemps. La solution proposée, SPARK-VLN, repose sur une architecture double: le VLM lent continue de raisonner, mais ses états cachés intermédiaires, généré token par token, sont extraits en temps réel par un module appelé Token-Wise Hidden Streamer, convertis en représentations compactes via un Sequence-to-Slot Latent Bridge, puis injectés dans un planificateur rapide de type flow-matching grâce à un Evolving Latent Conditioner. Les auteurs publient également un nouveau benchmark de navigation sociale dynamique, où piétons et robot restent actifs pendant toute la durée de l'inférence, avec des métriques de succès, de conformité sociale, de collisions humaines et de staleness. Pour les intégrateurs et les équipes robotique, cette publication touche un point sensible: la plupart des architectures VLA (vision-language-action) actuelles, y compris des systèmes commerciaux comme Helix ou GR00T N2, séparent déjà un "cerveau" lent et un contrôleur rapide, mais la synchronisation entre les deux reste un angle mort peu documenté publiquement. SPARK-VLN illustre une piste concrète pour réduire ce décalage sans attendre la fin du raisonnement complet du VLM. L'abstract ne communique toutefois aucun chiffre de performance précis (pas de taux de succès, pas de gain en pourcentage), ce qui limite pour l'instant la portée du résultat à une preuve de concept méthodologique plutôt qu'à une validation chiffrée solide. Ce travail s'inscrit dans la lignée des architectures dites "dual-system" inspirées du System 1 / System 2 cognitif, déjà explorées par des acteurs comme Figure (Helix) ou NVIDIA (GR00T). Les prochaines étapes annoncées passent par la page projet dédiée (hutslib.github.io/SPARK-VLN), où code et benchmark devraient être rendus disponibles pour permettre des comparaisons indépendantes.

IA physique❧Opinion

1 source

37

930arXiv cs.RO 

SoMA : un simulateur neuronal réel-vers-simulation pour la manipulation robotique de corps mous

SoMA, un simulateur neuronal de type "real-to-sim" pour la manipulation robotique d'objets déformables, vient d'être présenté dans un article arXiv (référence 2602.02402v2, version révisée). Le système s'appuie sur des Gaussian Splats 3D pour modéliser les dynamiques d'objets souples (tissus, matériaux déformables) en couplant trois éléments dans un espace latent neuronal unifié : la dynamique de déformation propre à l'objet, les forces environnementales, et les actions des articulations du robot. Contrairement aux simulateurs existants qui reposent soit sur des modèles physiques prédéfinis, soit sur des dynamiques apprises à partir de données mais sans conditionnement par les commandes du robot, SoMA intègre directement le contrôle robotique dans sa boucle de simulation. Les auteurs rapportent un gain de précision de resimulation et de généralisation de 20% sur des tâches de manipulation robotique réelles, avec une démonstration sur du pliage de tissu à horizon long. Cette approche s'attaque à un problème central pour l'industrie robotique : la manipulation d'objets souples reste l'un des angles morts des pipelines actuels de simulation-vers-réel, largement optimisés pour les objets rigides. Un simulateur capable de représenter fidèlement la déformation de matériaux tout en restant stable sur de longues séquences d'actions ouvrirait la voie à un entraînement plus fiable de politiques de manipulation pour du linge, des câbles, ou des emballages souples, sans dépendre de modèles physiques manuels coûteux à calibrer. Le gain de 20% en généralisation, s'il se confirme sur d'autres tâches que le pliage de tissu, suggérerait que les architectures neuronales conditionnées par le robot peuvent combler une partie de l'écart entre simulation et réalité pour les objets déformables, un domaine où les benchmarks restent encore peu standardisés. Le champ de la simulation "real-to-sim" pour la robotique s'est largement développé autour des Gaussian Splatting comme représentation de scène, en particulier pour les objets rigides ou articulés. SoMA prolonge cette ligne de recherche vers les corps mous, un défi documenté de longue date en raison de la difficulté à modéliser des dynamiques non linéaires avec peu de données réelles. L'article ne précise pas de plan de déploiement industriel ni de partenariat commercial à ce stade : il s'agit d'une contribution de recherche académique, dont la reproductibilité et l'extension à d'autres classes d'objets déformables (mousses, liquides, objets composites) restent à démontrer par la communauté.

Recherche❖Paper

1 source

37

931arXiv cs.RO 

Robot moulé par actionnement hydraulique dans un tube long et flexible avec estimation simultanée de position

Une équipe de recherche a présenté SHAPE (Simultaneous water Hydraulic Actuation and Position Estimation), une méthode permettant de piloter un actionneur hydraulique à eau sans aucun capteur embarqué côté actionneur, à travers un tube flexible fin pouvant atteindre 50 mètres de long. Publiée sur arXiv (2607.17054), l'étude s'attaque à un problème classique de la robotique en environnement hostile: les capteurs et l'électronique embarqués tombent facilement en panne dans des conditions extrêmes, alors que l'eau sous pression, transmise via un tube long et souple, permet de déporter l'actionnement loin du point de commande. Le principe technique repose sur la modélisation des pertes volumétriques dans le tube à partir des fluctuations de pression, en tenant compte d'une infime quantité d'air piégé dans le circuit. Cette double lecture du signal hydraulique permet à la fois de transmettre la puissance motrice et d'estimer en temps réel la position du vérin, sans capteur de position local. Les essais expérimentaux démontrent un contrôle de position stable du vérin hydraulique sensorless sous des charges variables, ainsi qu'une méthode d'identification des paramètres du système directement sur le terrain, sans instrumentation supplémentaire. L'intérêt pratique dépasse la simple prouesse de laboratoire. Pour l'intégration robotique en environnements difficiles (nucléaire, sous-marin, sites de catastrophe, industrie lourde), l'absence de capteurs et d'électronique côté actionneur réduit drastiquement les points de défaillance et simplifie la maintenance. L'élasticité du tube abaisse aussi l'impédance mécanique de l'articulation, un avantage recherché pour les tâches impliquant des contacts imprévus ou des vibrations, typiquement en manipulation en milieu encombré. Cette approche rouvre la voie à des schémas de commande par retour d'état jusqu'ici jugés impraticables sur des systèmes hydrauliques sans capteurs. L'actionnement hydraulique à distance via tube long s'inscrit dans une lignée de recherches visant à s'affranchir des limites de la robotique électrique classique en milieu extrême, où batteries et électronique embarquées posent des contraintes fortes. En contournant le besoin de capteurs déportés, coûteux à protéger et à entretenir, SHAPE ouvre une piste pour des robots industriels ou d'inspection déployés sur de longues distances, avec des développements attendus sur la robustesse face à des tubes plus longs ou des charges plus dynamiques.

Recherche❖Paper

1 source

37

932arXiv cs.RO 

VersualRL : apprentissage par renforcement verbal en boucle fermée avec retour visuel pour la planification robotique au niveau des tâches

VersualRL est un système en boucle fermée pour la planification de tâches robotiques qui exploite le retour visuel d'exécution afin d'affiner en continu des arbres de comportement (Behavior Trees) exécutables, via des critiques formulées en langage naturel structuré. L'architecture associe un modèle vision-langage jouant le rôle de critique, chargé d'analyser les observations visuelles et les traces d'exécution de l'arbre de comportement, à un grand modèle de langage jouant le rôle d'acteur, qui applique des mises à jour de politique discrètes et interprétables. Point notable : pendant le déploiement physique, les deux modèles fondation restent gelés, seul l'arbre de comportement est modifié au niveau symbolique, sans optimisation de politique par descente de gradient en ligne. Les auteurs ont validé leur approche sur un robot mobile réel exécutant une tâche de navigation et de manipulation en plusieurs étapes, dans des conditions d'incertitude d'exécution. Le papier, disponible sur arXiv (2603.22169), en est à sa troisième version. L'intérêt pour l'industrie robotique tient à l'absence de réentraînement par gradient sur le terrain, une contrainte lourde et coûteuse pour du réel. En figeant les modèles fondation et en ne modifiant que la structure symbolique du plan, VersualRL produit un raisonnement traçable et des évolutions de politique compréhensibles par un humain, un atout pour les intégrateurs et décideurs B2B soucieux d'auditabilité et de sécurité plutôt que de politiques neuronales opaques. Cette approche répond directement à l'écart classique entre démonstration et réalité observé sur le terrain, en offrant un mécanisme explicite de correction des échecs d'exécution plutôt qu'un simple ajustement statistique. Le travail s'inscrit dans une tendance qui combine raisonnement de modèles de fondation et contrôle symbolique classique, les arbres de comportement étant déjà largement utilisés en robotique industrielle pour la prise de décision hiérarchique. Il se distingue des approches bout-en-bout de type VLA (GR00T N2, Helix, Pi-0), qui misent sur des politiques neuronales continues, en privilégiant l'interprétabilité à la dextérité brute. L'abstract ne précise ni calendrier ni extension prévue à des tâches de manipulation plus complexes, laissant ces suites ouvertes.

Recherche❖Paper

1 source

37

933arXiv cs.RO 

Découverte non supervisée de taxonomies d'échecs à partir des journaux de déploiement

Une équipe de recherche propose une méthode pour découvrir automatiquement des taxonomies de modes d'échec à partir de journaux de déploiement robotique bruts, sans supervision humaine. Le système combine deux étapes : d'abord, un modèle de raisonnement vision-langage (VLM) génère des explications structurées de chaque échec à partir des données perceptuelles multimodales (images, trajectoires) ; ensuite, ces explications sont regroupées par clustering dans un espace sémantique de raisonnement, ce qui fait émerger des modes d'échec récurrents plutôt que de simples descriptions isolées épisode par épisode. La méthode a été testée sur trois domaines robotiques distincts : la manipulation, la navigation intérieure et la conduite autonome, avec des résultats jugés cohérents et interprétables sur chacun. Le papier, initialement soumis en juin 2026 (arXiv:2506.06570), a été mis à jour dans sa quatrième version. L'enjeu pratique est important pour l'industrie robotique à mesure que les déploiements réels se multiplient : l'analyse manuelle de milliers d'heures de logs d'échecs pour identifier des patterns récurrents est devenue impossible à l'échelle, alors même que ces données constituent la matière première la plus riche pour améliorer la robustesse des systèmes. Les auteurs montrent que les taxonomies découvertes automatiquement peuvent orienter la collecte ciblée de données pour affiner des politiques hors ligne, et renforcer la surveillance des échecs en temps réel pendant l'exécution. Pour les intégrateurs et décideurs B2B qui opèrent des flottes de robots ou de véhicules autonomes, cela ouvre la voie à des boucles de rétroaction automatisées entre déploiement terrain et amélioration des modèles, sans dépendre d'annotateurs humains pour trier les incidents. Ce travail s'inscrit dans le contexte plus large de l'essor des modèles vision-langage-action (VLA) et des grands modèles multimodaux appliqués à la robotique, où l'écart entre performance en démonstration et fiabilité en conditions réelles reste un point de friction reconnu du secteur. En s'appuyant sur le raisonnement des VLM plutôt que sur des règles ou labels prédéfinis, l'approche se distingue des méthodes classiques de classification d'anomalies qui nécessitent des catégories fixées à l'avance. Les auteurs mettent à disposition un site dédié (mllm-failure-clustering.github.io) présentant leurs résultats détaillés par domaine.

Recherche❖Paper

1 source

37

934arXiv cs.RO 

Aperçu métrique RGB de la traversabilité pour l'inspection d'espaces cachés air-sol

Un article déposé sur arXiv (2603.14639, version révisée) présente un système de coopération drone-robot terrestre pour l'inspection d'infrastructures confinées comme les buses et canalisations, accessibles surtout depuis un point de vue aérien. Le principe : un drone repère une zone d'accès depuis les airs, puis y dépose un robot terrestre compact chargé d'explorer l'espace caché. Choisir cette zone à partir des seules images aériennes pose un problème d'ambiguïté d'échelle, d'incertitude de reconstruction et de nature du terrain. La solution combine une reconstruction 3D dense multi-vues par caméras RGB, une segmentation sémantique temporelle et un « a priori de mouvement incarné » qui recale l'échelle métrique en comparant le mouvement de caméra prédit à l'odométrie de la plateforme, sans LiDAR. Le système produit une carte de franchissabilité pondérée par un niveau de confiance, validée sur une plateforme drone-robot reliée par câble. L'apport principal tient à l'absence de LiDAR : caméras RGB et odométrie suffisent à récupérer une échelle métrique fiable, un problème coûteux en robotique aérienne légère. Pour les intégrateurs d'inspection d'infrastructure (ouvrages d'art, réseaux d'assainissement, tunnels), cela ouvre la voie à des plateformes plus légères et moins chères. Le travail applique à un cas industriel concret des backbones de reconstruction 3D « feed-forward », jusqu'ici surtout démontrés en environnement contrôlé. À noter : la validation reste faite sur une plateforme captive, ce qui limite la portée par rapport à un vol libre, condition réelle des missions extérieures. L'inspection de buses et espaces confinés reste largement manuelle ou nécessite des robots spécialisés coûteux, faute d'accès pour un opérateur ou un véhicule isolé. La coopération air-sol, drone en reconnaissance et dépose pour un robot terrestre, est étudiée depuis plusieurs années en robotique d'inspection, mais butait sur la difficulté d'estimer une géométrie et une échelle fiables avec de simples caméras embarquées. En s'appuyant sur des briques récentes de reconstruction 3D et de segmentation sémantique, les auteurs proposent une alternative aux pipelines LiDAR, plus lourds et onéreux. L'article ne précise ni calendrier de déploiement ni partenaire opérationnel : il s'agit d'une démonstration de faisabilité en laboratoire, dont la suite logique serait un passage à une plateforme aérienne libre et des essais sur des ouvrages réels.

Recherche❖Paper

1 source

37

935arXiv cs.RO 

Prédire la conformité de préhension des mains robotiques via des réseaux de neurones informés par modèle analytique

La recherche, publiée sur arXiv sous la référence 2607.17541v1, s'attaque à un problème précis de la manipulation robotique : la plupart des études traitent la prise d'un objet comme un problème binaire, réussite ou échec, jugé simplement par le fait que l'objet reste dans la main. Cette approche devient insuffisante dès qu'il s'agit d'usage forcé d'un outil, où la compliance de la prise, c'est-à-dire sa capacité à se déformer sous charge, devient déterminante pour prédire le comportement conjoint de la main et de l'outil. Les auteurs introduisent l'AMINN (Analytical Model Informed Neural Network), un modèle hybride qui combine une couche de mécanique analytique avec un réseau de neurones entraîné sur données, afin d'estimer la stabilité de la prise et le déplacement de l'outil dans la main sous charge externe. Le modèle a été évalué sur une main robotique sous-actionnée à trois doigts et montre une bonne capacité prédictive, avec des sorties mécaniquement cohérentes sur des conditions de charge variées. L'enjeu dépasse la simple précision prédictive. Les mains sous-actionnées, appréciées pour leur faible coût et leur capacité d'adaptation passive à la forme des objets, sont notoirement difficiles à modéliser car leur comportement de compliance dépend d'une combinaison non linéaire de cinématique couplée, de mécanique passive et de conditions de contact. Pour les intégrateurs et concepteurs de systèmes robotiques destinés à un usage forcé d'outils, un tel modèle physiquement interprétable ouvre la voie à des systèmes plus fiables et plus sûrs, notamment dans les contextes critiques où une défaillance de prise sous charge peut avoir des conséquences directes. Comparé à un modèle boîte noire de type perceptron multicouche pris comme référence, l'AMINN affiche une meilleure cohérence physique fondée sur l'énergie, ce qui distingue clairement son approche des méthodes purement data-driven aujourd'hui dominantes dans l'apprentissage pour la manipulation. Ce travail s'inscrit dans une tendance de fond en robotique : réintroduire des contraintes physiques explicites dans des architectures d'apprentissage profond pour gagner en interprétabilité et en robustesse, plutôt que de s'en remettre uniquement à des réseaux entraînés de bout en bout. Les auteurs présentent leur cadre comme une base pour des travaux futurs sur l'usage autonome et fiable d'outils par des mains robotiques compliantes.

Recherche❖Paper

1 source

36

936arXiv cs.RO 

Vol perturbé pour robots aériens en espace restreint

Une équipe de recherche décrit dans une nouvelle prépublication arXiv (juillet 2026) un système baptisé DAPCF (Disturbance Aware Planning and Control Framework), conçu pour piloter des drones quadrirotors dans des espaces confinés comme des tunnels ou des couloirs étroits, où les turbulences aérodynamiques rendent le vol autonome particulièrement risqué. Le système repose sur deux boucles d'observateurs qui estiment en temps réel, à partir de l'odométrie et de la vitesse de rotation des moteurs, les forces et couples de perturbation sur les six degrés de liberté (DOF) de l'appareil. Une fonction de risque de perturbation ajuste ensuite dynamiquement la vitesse de référence du planificateur de trajectoire : elle ralentit le drone quand les perturbations dépassent un seuil critique, puis restaure l'allure normale dès que les conditions redeviennent stables. Le suivi de trajectoire est assuré par un contrôleur prédictif non linéaire basé sur la dynamique moteur (MDNMPC), doté d'une compensation active des perturbations. Lors des essais, un quadrirotor de 0,39 m de diagonale a traversé des tunnels rectilignes, inclinés et courbes larges de seulement 0,6 m, avec un taux de réussite et une efficacité de vol supérieurs à ceux de pilotes humains sur le même parcours. Ce résultat compte pour tous les usages de drones en environnement confiné : inspection de canalisations, de gaines industrielles ou de galeries de mine, recherche et sauvetage après effondrement, contrôle d'infrastructures difficiles d'accès. Les approches existantes traitent généralement les perturbations aérodynamiques au seul niveau du contrôle bas niveau, tandis que la planification de trajectoire reste figée sur des contraintes géométriques et des limites de vitesse fixes, ce qui produit soit un vol trop prudent, soit un vol dangereux dès que le couloir se resserre. En faisant remonter l'estimation de perturbation jusqu'à la couche de planification, les auteurs montrent qu'un système autonome peut dépasser un pilote humain expérimenté en vitesse comme en fiabilité dans un tunnel étroit, un argument fort pour les intégrateurs qui envisagent d'automatiser des missions d'inspection aujourd'hui pilotées manuellement. Ce travail s'inscrit dans la continuité des recherches sur les observateurs de perturbation pour quadrirotors (filtres de type Kalman étendu ou non parfumé) et sur la commande prédictive non linéaire de drones, deux domaines jusqu'ici développés séparément du côté planification. Les auteurs ne mentionnent pas de partenariat industriel ni de déploiement hors laboratoire à ce stade : il s'agit d'une validation expérimentale en tunnel contrôlé, pas d'un produit commercial. Les prochaines étapes logiques seraient des essais en conditions de vent extérieur variable et une intégration avec des systèmes de perception visuelle pour la navigation en espace confiné sans GPS.

Recherche❖Paper

1 source

36

937arXiv cs.RO 

Robot BIM : plateforme de simulation à événements discrets basée sur des agents pour la robotique

Une équipe de recherche propose sur arXiv (2607.16920v1) une plateforme de simulation événementielle discrète, multi-agents et couplée au Building Information Modeling (BIM), pour la navigation et la planification d'opérations robotiques en intérieur. La méthode discrétise l'environnement en cellules de grille converties en nœuds de graphe, classés en trois catégories selon leur relation spatiale avec les éléments du bâtiment : nœuds cibles, nœuds obstacles et nœuds réguliers. Des coûts de traversée sont ensuite assignés aux arêtes reliant les nœuds voisins, ce qui permet à des algorithmes de théorie des graphes de calculer des trajectoires efficaces et sans collision. Les simulations confirment que cette représentation en graphe produit une navigation fonctionnelle, mais les auteurs identifient une limite concrète à discrétisation grossière : un chevauchement entre cellules occupées par une cible et cellules occupées par un obstacle, corrigé par un raffinement de la grille qui améliore la précision spatiale et la faisabilité des trajectoires. L'apport principal tient au type d'information mobilisée. La plupart des robots d'intérieur pour la maintenance de bâtiments (nettoyage, inspection) reposent sur des trajets prédéfinis ou du SLAM, qui ne fournissent qu'une compréhension géométrique limitée de l'environnement. Or des tâches plus complexes, comme localiser et réparer une fuite sur une canalisation, exigent d'accéder à des données que seul le BIM contient réellement : position, géométrie, matériau et attributs opérationnels des composants du bâtiment. En connectant ce gisement de données à un moteur de planification par graphe, la plateforme ouvre la voie à des robots capables de raisonner sur le bâtiment lui-même, et pas seulement de s'y déplacer, ce qui intéresse directement les intégrateurs en facility management et en maintenance industrielle. Il s'agit toutefois d'un travail de recherche à un stade de validation purement simulé, sans déploiement sur robot physique ni site pilote annoncé. Il se positionne dans un contexte plus large où l'exploitation du BIM en robotique reste marginale, la discipline étant dominée par les piles de navigation classiques (SLAM, ROS) et les simulateurs génériques. La plateforme sert de base pour évaluer virtuellement des opérations robotiques avant tout déploiement réel, les suites logiques étant l'extension à des tâches de maintenance plus complexes et une validation sur un déploiement physique.

Recherche❖Paper

1 source

36

938arXiv cs.RO 

G2-Nav : cartes de coûts vision-langage ancrées et sécurisées pour la navigation sociale des robots

Des chercheurs présentent G2-Nav, un nouveau framework de navigation sociale pour robots mobiles, détaillé dans un article déposé sur arXiv (2607.16956v1). Plutôt que de laisser un modèle vision-langage (VLM) décider directement des trajectoires, comme le font les approches end-to-end existantes, G2-Nav traduit le raisonnement sémantique du VLM en une costmap vision-langage interprétable. Le modèle identifie les zones traversables et les agents sociaux à partir d'une perception en ensemble ouvert (open-set), puis cartographie ce contexte social sous forme de coûts exploitables par le planificateur. Pour renforcer la robustesse en conditions réelles, le VLM effectue aussi une vérification sémantique sur le suivi (tracking) en amont, et les auteurs ajoutent un contrôle de sécurité à haute fréquence destiné à compenser la latence du système avant la génération de trajectoire. Des expériences en environnement réel, selon les auteurs, montrent une navigation autonome sûre, efficace et socialement conforme dans des espaces non structurés. Le code source doit être publié ultérieurement. L'intérêt de ce travail tient à la faille qu'il cherche à combler entre deux approches jugées insuffisantes pour l'autonomie complète: les frameworks VLM end-to-end, qui produisent des décisions de planification difficiles à auditer et donc risquées à déployer, et les méthodes d'instruction-following, pensées pour suivre des consignes humaines plutôt que pour opérer de façon totalement autonome. En cantonnant le VLM à un rôle d'évaluation sémantique plutôt que de contrôle direct, G2-Nav vise une architecture plus traçable, un enjeu concret pour les intégrateurs et décideurs industriels qui doivent justifier la sécurité de robots évoluant parmi des humains, en entrepôt, en établissement de santé ou en espace public. Le garde-fou de sécurité haute fréquence répond en particulier à un angle mort fréquent des démonstrations VLM: la latence d'inférence, souvent ignorée dans les vidéos promotionnelles du secteur. Ce travail s'inscrit dans la vague de recherche actuelle sur l'usage des VLM pour doter les robots d'un raisonnement de niveau humain en navigation sociale, un domaine où les benchmarks restent encore largement issus de démonstrations contrôlées. L'abstract ne précise ni l'institution porteuse ni le matériel robotique utilisé pour les essais réels, et le code, annoncé comme futur, n'est pas encore disponible: il s'agit donc à ce stade d'un préprint à confirmer par la publication effective et par une évaluation indépendante, plutôt que d'une solution déployée ou commercialisée.

Recherche❖Paper

1 source

35

939arXiv cs.RO 

Vision-Langage vers Exécution Humanoïde : Retargeting Guidé pour l'Éxécution de la Langue des Signes avec Atténuation des Collisions

Le laboratoire de robotique a publié le 24 juillet 2026 sur arXiv (2607.17769v1) un système reliant la génération de langue des signes (SLG, sign language generation) à l'exécution sur robot humanoïde. Les modèles SLG récents produisent des représentations corporelles 3D denses au format SMPL-X, jugées plus fidèles pour préserver la cinématique et la géométrie du corps entier en vue d'un transfert vers un robot. Le problème identifié : ces mouvements générés présentent fréquemment des auto-intersections, notamment des pénétrations main-main et main-torse. Tolérables en rendu vidéo offline, ces artefacts deviennent bloquants à l'exécution réelle, car ils produisent des solutions de cinématique inverse (IK) infaisables, des collisions et des trajectoires retargetées instables. Les auteurs proposent deux briques : un module volumétrique de mitigation des collisions sur SMPL-X qui reprojette les postures générées vers des configurations physiquement plausibles en s'écartant le moins possible de la trajectoire d'origine, et un algorithme de retargeting guidé par un modèle vision-langage (VLM), construit sur un socle IK, où le VLM agit comme critique visuel sur le mouvement humanoïde rendu, détecte les modes d'échec propres à l'embodiment, et déclenche des corrections ciblées dans l'espace des tâches. Cette contribution s'attaque à un angle mort concret de la course aux humanoïdes polyvalents : la plupart des démonstrations de génération de mouvement (langue des signes comprise) restent évaluées en rendu visuel, sans jamais passer le test du transfert vers un corps robotique réel avec ses contraintes articulaires et ses risques de collision physique. En pointant explicitement le fossé entre motion generation qui a l'air correcte à l'écran et motion generation exécutable sans collision sur un robot, les auteurs infirment implicitement l'hypothèse selon laquelle un bon modèle génératif SMPL-X suffit à garantir un retargeting robuste. Pour les intégrateurs travaillant sur l'accessibilité ou l'interaction homme-robot (interprétation automatisée en langue des signes par humanoïde), c'est un rappel que la chaîne complète, génération plus collision-checking plus correction perceptuelle en boucle, reste nécessaire avant tout déploiement, et que le retargeting IK seul ne suffit pas à garantir la sécurité et la stabilité des trajectoires. Le travail s'inscrit dans la lignée des systèmes de génération de langue des signes qui ont basculé ces dernières années vers des sorties 3D corps entier plutôt que des séquences 2D ou des squelettes simplifiés, afin de mieux capturer les nuances gestuelles nécessaires à une communication fidèle. Il rejoint aussi une tendance plus large de la robotique humanoïde consistant à utiliser des modèles vision-langage non pas comme générateurs de commandes bas niveau, mais comme superviseurs ou critiques de mouvements déjà produits, une approche qui recoupe les architectures VLA (vision-language-action) évoquées dans des systèmes comme Helix ou GR00T N2, sans toutefois se positionner comme un concurrent direct de ces plateformes de bout en bout. Le papier reste à ce stade une contribution de recherche publiée en preprint, sans mention de partenaire industriel, de plateforme humanoïde spécifique ni de calendrier de déploiement pilote, ce qui en fait une brique méthodologique plutôt qu'une annonce produit.

Recherche❖Paper

1 source

35

940arXiv cs.RO 

Reactivité physiquement réalisable pour la locomotion adaptative au terrain

Voici l'article traduit et résumé selon les consignes. Une équipe de recherche présente un nouveau cadre de planification pour la locomotion des robots quadrupèdes sur des terrains changeants et imprévisibles, détaillé dans un article arXiv (2509.23185v2, version révisée). Le système combine deux briques technique distinctes : une synthèse réactive qui génère des contrôleurs symboliques "corrects par construction" pour décider quelle action prendre à chaque instant, et une programmation convexe en nombres mixtes (MICP) qui calcule en temps réel des placements de pas dynamiquement faisables. Pour éviter de recalculer sans cesse des problèmes MICP coûteux en ressources, et pour gérer les cas où une spécification devient physiquement impossible à tenir, les chercheurs ajoutent un mécanisme de réparation symbolique qui ne régénère que les transitions strictement nécessaires. Le tout a été validé en simulation puis sur robot physique, avec des scénarios volontairement difficiles : pierres de gué dispersées et terrains jonchés de barres d'armature (rebar), deux configurations classiques pour tester la robustesse du contact pied-sol. L'enjeu dépasse la simple démonstration académique. La marche sur terrain accidenté reste l'un des points faibles récurrents des plateformes quadrupèdes et humanoïdes commerciales, où les méthodes actuelles reposent soit sur des heuristiques de sélection d'appui limitant la fiabilité, soit sur une optimisation de trajectoire trop lourde pour tourner en temps réel sur de longs horizons. En montrant qu'un système peut identifier lui-même les "compétences de locomotion manquantes" et réagir en environnement critique, les auteurs adressent directement un doute répandu chez les intégrateurs industriels : la capacité réelle des robots à gérer l'imprévu hors des sols plats de laboratoire, condition clé pour un déploiement en logistique, construction ou inspection. Ce travail s'inscrit dans une lignée de recherches académiques en synthèse formelle et planification de mouvement pour la robotique legged, un domaine où les grands noms commerciaux (Boston Dynamics, Unitree) restent discrets sur leurs méthodes internes. La publication étant une "replace" d'une version arXiv antérieure, il s'agit d'un travail de recherche affiné plutôt que d'une annonce produit, sans calendrier de transfert industriel communiqué à ce stade.

Recherche❖Paper

1 source

35

941arXiv cs.RO 

S.E.A.G.R : un robot d'accueil conscient des émotions et des cultures, avec modulation à double couche

Ce robot serreur de mains culturellement conscient propose une architecture de salutation adaptative baptisée SEAGR (Socially and Emotionally Aware Greeting Robot), détaillée dans un article publié sur arXiv le 24 juillet 2026. Le système repose sur une modulation à double couche : l'identité culturelle de l'interlocuteur détermine le type de salutation appropriée, tandis que des indices émotionnels perçus en temps réel ajustent la manière dont ce geste est exécuté. Concrètement, l'architecture combine une cartographie culturelle contextuelle, une modulation des gestes basée sur l'émotion détectée, et une régulation proxémique (gestion de la distance interpersonnelle), le tout organisé selon un schéma classique Sense-Think-Act. Le prototype, à bas coût, utilise une caméra USB, un capteur ultrasonique, des servomoteurs pilotés par Arduino et un traitement Python sur ordinateur portable. Il s'agit d'une preuve de concept de type "system design", sans robot commercial ni déploiement en conditions réelles. Cette publication illustre une limite persistante largement reconnue dans la robotique sociale : la plupart des robots d'accueil actuels utilisent des routines de salutation statiques, insensibles aux variations culturelles ou à l'état émotionnel de la personne, ce qui nuit à la confiance et au confort dès les premières secondes d'interaction, un facteur pourtant documenté comme déterminant en interaction homme-robot. Pour les intégrateurs déployant des robots d'accueil dans des halls, aéroports ou espaces commerciaux multiculturels, une architecture modulaire de ce type ouvre la voie à une personnalisation fine sans réécrire tout le comportement robot par marché. Toutefois, il est important de noter que les auteurs reconnaissent eux-mêmes l'absence totale de validation utilisateur : aucune étude n'a mesuré si les humains perçoivent réellement ces salutations comme plus appropriées ou plus chaleureuses, ce qui limite la portée des affirmations à un stade purement conceptuel. Ce travail s'inscrit dans une lignée de recherche en robotique sociale qui cherche depuis plusieurs années à dépasser les scripts d'interaction figés, en s'inspirant de travaux antérieurs sur la reconnaissance d'émotion par vision et sur l'adaptation interculturelle des robots de service. Contrairement aux plateformes commerciales comme Pepper (SoftBank Robotics) ou les robots d'accueil déployés par des entreprises comme Furhat, qui restent généralement figés sur un registre culturel unique, SEAGR se positionne comme une architecture générique et peu coûteuse, reproductible en laboratoire. La suite logique annoncée par les auteurs est la conduite d'études utilisateurs pour valider empiriquement l'efficacité perçue du système, une étape encore non planifiée dans le calendrier de publication.

Recherche❖Paper

1 source

35

942arXiv cs.RO 

Robot poisson agile : l'apprentissage par renforcement différentiable pour suivre une trajectoire

Une équipe de recherche présente une nouvelle méthode de contrôle par apprentissage par renforcement pour un robot poisson bio-inspiré agile, capable de suivre des trajectoires précises malgré la dynamique fluide-structure difficile à modéliser. Le problème central tenait à l'absence d'environnement de simulation suffisamment rapide et précis pour ce type de robot sous-actionné et non linéaire, contrairement aux robots terrestres ou aériens qui ont largement bénéficié du reinforcement learning ces dernières années. Les chercheurs ont d'abord développé une plateforme de simulation approximant efficacement le mouvement de leur robot poisson. Le contrôle de trajectoire repose ensuite sur un correcteur PID dont les gains, variables dans le temps, sont appris par rétropropagation à travers le temps (backpropagation through time), avec un entraînement organisé selon un curriculum progressif. Une fois la politique de contrôle apprise en simulation, elle a été transférée directement sur la plateforme physique, où les chercheurs rapportent une correspondance excellente entre comportement simulé et comportement réel. Ce résultat s'inscrit dans un enjeu plus large pour la robotique bio-inspirée aquatique: le transfert simulation-vers-réel (sim-to-real), déjà largement résolu pour les robots terrestres et les drones, restait un point de blocage pour les robots nageurs à cause du coût de calcul des simulations fluides réalistes. En démontrant qu'une simulation approximative mais rapide suffit à entraîner un contrôleur transférable sans écart majeur de performance, les auteurs ouvrent la voie à un usage plus systématique de l'apprentissage par renforcement pour ce type de plateforme, jusqu'ici largement dépendant de techniques de contrôle classiques peu adaptées aux irrégularités du milieu aquatique. Pour les concepteurs de robots sous-marins ou de véhicules bio-inspirés, cela suggère une méthode reproductible pour accélérer le développement de contrôleurs sans dépendre de simulateurs de mécanique des fluides coûteux. Le travail s'inscrit dans une lignée de recherche de plusieurs décennies sur les robots poissons, motivée par l'efficacité énergétique et la manœuvrabilité des nageurs biologiques, un domaine où des dizaines, voire des centaines de plateformes ont déjà été conçues. Contrairement aux approches classiques de contrôle non linéaire pour ces systèmes sous-actionnés, l'apport ici est méthodologique: combiner curriculum d'entraînement et gains PID appris plutôt que fixes. L'article ne précise pas encore de calendrier de déploiement à plus grande échelle, mais pose une base technique réutilisable pour d'autres plateformes de nage bio-inspirée.

Recherche❖Paper

1 source

35

943arXiv cs.RO 

Robots-Chemins clairsemés, conscients et coopératifs pour équipes de robots aériens en réseau (SpArC-NARTs) : outil d'optimisation et cas d'usage de couverture de détection au sol

Une équipe de chercheurs propose un nouvel outil de planification de trajectoires pour des essaims de drones connectés en réseau, baptisé SpArC-NART (Sparse, Aware and Cooperative Networked Aerial Robot Team). Publié sur arXiv (2602.14247v2), l'article s'attaque à un problème concret des missions d'exploration par drones autonomes: comment planifier les trajectoires de plusieurs appareils lorsque les liaisons radio entre eux sont intermittentes plutôt que permanentes. L'outil prend en compte simultanément plusieurs contraintes réelles: le niveau de connaissance préalable de l'environnement, l'autonomie énergétique limitée des agents, les capacités de détection embarquées, et les limites physiques et techniques de la technologie radio utilisée. Le mécanisme de coopération développé s'appuie sur des contraintes de mouvement souples et des récompenses dynamiques calculées à partir d'une "valeur du mouvement" et de la disponibilité de communication prévue entre agents à chaque pas de temps. Les auteurs valident leur approche sur un cas d'usage de couverture de zone par capteurs au sol. L'enjeu dépasse le simple exercice académique: la plupart des solutions de planification pour essaims de drones supposent une connectivité continue, ce qui est rarement le cas sur le terrain (zones rurales, environnements industriels, missions de recherche et sauvetage). En intégrant la sparsité des communications directement dans la phase de planification hors ligne, plutôt que de la traiter comme une contrainte subie, l'outil vise à améliorer la résilience du groupe et la prise de décision décentralisée quand les informations sont incomplètes ou inexactes, un scénario fréquent dans les déploiements réels d'AMR aériens multi-agents. Ce travail s'inscrit dans la lignée des recherches sur la planification coopérative multi-robots, où la littérature s'est longtemps concentrée sur des hypothèses de connectivité idéale. En rendant le modèle de communication paramétrable selon la technologie radio choisie par l'utilisateur, les auteurs cherchent à rapprocher l'outil des contraintes d'ingénierie réelles. Les prochaines étapes annoncées incluent l'extension à des missions multi-cibles plus complexes et des constitutions d'équipe variées, au-delà du cas de couverture au sol présenté ici.

Recherche❖Paper

1 source

35

944arXiv cs.RO 

Robot semi-humanoïde NICO imite des gestes du bras par démonstration

Le robot semi-humanoïde NICO peut désormais imiter des gestes du bras humain à partir d'une simple caméra RGB monoculaire, selon un article publié sur arXiv (2607.18197). Le système combine géométrie analytique et le modèle pré-entraîné MediaPipe pour l'estimation de pose. Pour chaque image vidéo, MediaPipe extrait les coordonnées 3D des points clés du corps humain pertinents (articulations du bras, poignets, mains). Ces coordonnées sont ensuite converties en angles articulaires via des relations géométriques dérivées mathématiquement, puis transposées vers la configuration moteur de NICO pour exécuter une séquence de mouvement prédéfinie. Les chercheurs ont testé la méthode sur plusieurs gestes du bras représentatifs avec six participants de tailles différentes, afin de vérifier la robustesse du système face à la morphologie variable des utilisateurs. Ce travail s'inscrit dans un enjeu central de l'interaction homme-robot (HRI) : la capacité d'un robot à reproduire des gestes humains de façon fluide et naturelle, un prérequis pour des usages comme l'apprentissage par démonstration, l'assistance sociale ou la collaboration physique. L'intérêt de l'approche tient à sa simplicité matérielle: pas de capteurs de mouvement, pas de caméra de profondeur, une seule caméra RGB suffit grâce à MediaPipe. C'est un signal utile pour les intégrateurs cherchant des solutions d'imitation gestuelle à faible coût, sans dépendre de capteurs spécialisés coûteux. Les auteurs restent toutefois transparents sur les limites: les gestes complexes et les mouvements du poignet posent problème, ce qui rappelle que l'imitation gestuelle générique et robuste reste un défi ouvert, loin d'être résolu par cette seule démonstration préliminaire. NICO est une plateforme robotique semi-humanoïde de taille enfant, utilisée en recherche pour explorer le développement cognitif et l'interaction sociale robot-humain. L'utilisation de MediaPipe, framework open source de Google pour l'estimation de pose en temps réel, s'inscrit dans une tendance plus large de recherche en robotique consistant à réutiliser des modèles de vision par ordinateur grand public plutôt qu'à développer des systèmes de perception propriétaires coûteux. Les auteurs présentent ce travail comme une étude préliminaire; les prochaines étapes attendues concerneraient l'amélioration de la précision sur les poses complexes et les mouvements fins du poignet, ainsi qu'une possible extension à l'imitation bimanuelle ou à des interactions plus dynamiques.

Recherche❖Paper

1 source

35

945arXiv cs.RO 

Diffusion de politique multimodale asynchrone via fusion de guidage sensible à la latence

Des chercheurs ont publié le 24 juillet un article arXiv (2607.17257v1) présentant LAG-Fusion, un framework de fusion multimodale pour les politiques de diffusion utilisées en apprentissage par imitation robotique. Le problème visé : les architectures multimodales actuelles combinent vision, force et autres capteurs via une fusion synchrone ou des architectures multi-fréquences conçues manuellement, ce qui ralentit le retour haute fréquence ou limite l'ajout de nouvelles modalités. LAG-Fusion permet à chaque politique spécifique à une modalité de tourner à sa propre cadence d'inférence et d'injecter sa guidance de débruitage dès qu'elle est disponible, sans attendre les autres flux. L'innovation technique centrale est une règle de recalage du référentiel pour les variables de diffusion exprimées en représentations d'action relatives, ce qui permet d'aligner une guidance arrivée en retard avant de la fusionner avec le reste. Les chercheurs ont testé l'approche sur une tâche de manipulation à contact riche, en combinant une politique vision basse fréquence avec une politique force haute fréquence. Sous des latences hétérogènes entre modalités, LAG-Fusion améliore la réactivité de la politique et la performance de la tâche par rapport à une fusion synchrone classique et à des bases de référence spécifiquement conçues pour intégrer la force. Pour l'industrie robotique, ce travail touche un point de friction bien réel dans le déploiement de politiques génératives type diffusion ou VLA sur des bras manipulateurs : dès qu'on ajoute un capteur de force ou tactile pour des tâches d'assemblage ou d'insertion, la cadence de la caméra (souvent 10 à 30 Hz) et celle du capteur de force (potentiellement 100 Hz et plus) imposent des compromis douloureux, soit en bridant le capteur rapide au rythme du plus lent, soit en construisant une architecture ad hoc peu réutilisable. Une méthode générique qui laisse chaque modalité tourner à sa vitesse native, sans repenser l'architecture à chaque nouvelle combinaison de capteurs, s'attaque directement à un frein à l'extensibilité que rencontrent les intégrateurs travaillant sur la manipulation fine (assemblage électronique, insertion de connecteurs, tri fragile). Cela reste toutefois un résultat validé sur une seule paire de modalités et une tâche contrôlée en laboratoire, loin d'une brique prête à industrialiser. Les politiques de diffusion se sont imposées ces deux dernières années comme l'une des approches dominantes de l'apprentissage par imitation en robotique, aux côtés de modèles vision-langage-action comme Pi-0 de Physical Intelligence, GR00T N2 de NVIDIA ou Helix de Figure AI, qui fusionnent eux aussi plusieurs signaux capteurs mais généralement à une cadence unique et synchronisée. La fusion asynchrone multi-fréquence reste peu explorée dans la littérature, la plupart des travaux traitant chaque capteur additionnel comme un module séparé nécessitant un réglage manuel. Le résumé ne précise ni publication de code ou de poids, ni application industrielle prévue à court terme ; l'article, encore non révisé par les pairs, ouvre surtout une piste pour de futurs travaux combinant tactile, force et vision sur des tâches à contact riche, un axe stratégique pour les humanoïdes et bras collaboratifs visant l'assemblage fin.

Recherche❖Paper

1 source

34

946arXiv cs.RO 

Contrôle de commande pour un robot animatronique bipède monté, à forme quadrupède

Le robot décrit dans cette publication arXiv (2607.16302v1) est un deux-roues chevauchable doté de quatre membres articulés, conçu pour incarner un personnage animatronique capable de porter un pilote sur son dos tout en exécutant une démarche quadrupède dynamique. Plutôt que de faire reposer tout le déplacement sur les membres, ce qui exigerait des moteurs surdimensionnés et des pattes renforcées au prix d'un poids excessif et d'une allure très lente, les chercheurs ont opté pour une base à deux roues auto-équilibrée comme mode de locomotion principal. Les quatre membres n'interviennent qu'en soutien, lors de la montée et de la descente du pilote, et se meuvent ensuite en coordination avec la vitesse de déplacement des roues, dans une logique de contrôle par transfert de poids proche de la conduite d'une moto. Le papier détaille en particulier une méthode d'équilibrage robuste capable de rester stable même pendant des mouvements rapides des membres, ainsi qu'une stratégie de génération de mouvement imitant une démarche quadrupède naturelle malgré cette architecture hybride. L'intérêt du projet dépasse le simple gadget d'animation: il propose une réponse concrète au déclin de la moto chez les jeunes générations, en visant un concept de mobilité partenaire destiné aux événements publics plutôt qu'au transport quotidien. Sur le plan technique, il illustre une approche pragmatique du dilemme locomotion pattes contre roues qui traverse toute la robotique humanoïde et quadrupède actuelle: au lieu de chercher à tout prix une marche purement articulée, les auteurs assument un compromis hybride qui privilégie la fidélité visuelle du personnage et la sécurité du pilote sur l'authenticité biomécanique du geste, un choix d'ingénierie pertinent pour tout intégrateur travaillant sur des robots de démonstration ou d'accueil grand public. Le concept rappelle d'autres initiatives récentes de robots chevauchables hybrides roues-pattes présentées dans l'industrie, comme celles explorées par des constructeurs japonais dans le registre du divertissement et de la mobilité de loisir. Il s'agit ici toutefois d'un travail de recherche académique publié sur arXiv, centré sur les algorithmes de contrôle, sans annonce de commercialisation, de calendrier de déploiement ni de chiffres de performance publiés (poids, autonomie, vitesse maximale), et non d'un produit prêt à être testé en public.

Recherche❖Paper

1 source

32

947arXiv cs.RO 

UMCP : un réseau collaboratif multitâche unifié pour l'estimation de pose des chariots à bagages

Des chercheurs présentent UMCP (Unified Multi-Task Collaborative Perception network), un réseau de perception conçu pour la collecte robotisée et autonome de chariots à bagages, dans un article publié sur arXiv (2607.17950v1). Le problème visé est concret : dans un aéroport, des robots doivent localiser en continu des chariots dispersés dans des environnements encombrés et changeants, ce qui exige à la fois précision et fonctionnement en temps réel. Jusqu'ici, les systèmes de vision pour cette tâche s'appuyaient sur des chaînes de plusieurs modèles exécutés en cascade (détection, puis points-clés, puis orientation), ce qui allonge la latence d'inférence et alourdit le coût de déploiement. UMCP unifie ces trois tâches, détection du chariot, détection de points-clés et estimation de l'orientation, dans un seul réseau, construit sur l'architecture YOLOv12. Les caractéristiques de points-clés sont fusionnées avec celles d'orientation puis traitées par un module dédié, l'Orientation Feature Enhancement Module (OFEM), et l'orientation est en outre modélisée par une distribution de probabilité circulaire optimisée via une fonction de perte à divergence de Kullback-Leibler. Un site dédié présente les travaux (sites.google.com/view/robot-umcp). Pour l'industrie de la logistique aéroportuaire et robotique, l'intérêt est avant tout d'ordre pratique : remplacer une chaîne de modèles séquentiels par un seul réseau multi-tâches réduit la complexité de calcul et le coût de déploiement embarqué, un facteur décisif pour équiper des robots mobiles à budget de calcul limité. Les auteurs annoncent une précision globale compétitive avec cette approche unifiée, tout en réduisant sensiblement la charge computationnelle par rapport aux méthodes existantes, sans toutefois préciser à ce stade de tests en conditions aéroportuaires réelles à grande échelle. Ce travail s'inscrit dans la tendance plus large de la perception robotique vers des architectures multi-tâches partagées, en s'appuyant sur les avancées récentes de la famille YOLO pour la détection et l'estimation de pose combinées. Il reste, à ce stade, une contribution de recherche académique plutôt qu'un produit déployé : les gains annoncés proviennent de benchmarks internes, et l'étape suivante logique serait une validation sur flotte robotique réelle en environnement aéroportuaire.

Recherche❖Paper

1 source

32

948arXiv cs.RO 

COLIP-2 : embeddings olfaction-vision-langage

COLIP-2, pour Contrastive Olfaction-Language-Image Pre-training 2, est un modèle d'embeddings multimodal présenté dans un article arXiv (2607.17559v1) qui intègre l'olfaction comme modalité à part entière aux côtés de la vision et du langage. Le système projette dans un espace de représentation partagé quatre types de données : structure moléculaire, lectures de capteurs de gaz, descripteurs textuels d'odeurs et images, ce qui permet à un robot d'associer de façon probabiliste une odeur détectée à un objet visible dans une scène. Les auteurs pointent l'absence de tout jeu de données image-odeur à l'échelle d'ImageNet, un manque qu'ils identifient comme le principal frein du domaine et qui justifie, selon eux, la collecte de nouvelles données. L'équipe rapporte des résultats de tests internes sur l'architecture et décrit des optimisations pour faire tourner le modèle en edge computing, en vue d'applications robotiques temps réel. L'enjeu dépasse la curiosité académique. La perception robotique repose aujourd'hui presque exclusivement sur la vision et, de plus en plus, le langage via les modèles VLA, laissant l'odorat quasi inexploité malgré son utilité pour la détection de fuites de gaz, le contrôle qualité alimentaire, la recherche et sauvetage ou la maintenance industrielle. En montrant qu'un espace d'embeddings unifié olfaction-vision-langage est réalisable et déployable en edge, COLIP-2 ouvre une piste pour les intégrateurs souhaitant ajouter une modalité sensorielle sans repartir de zéro. Mais les auteurs cadrent eux-mêmes leur travail comme une démonstration des limites atteignables avec les données olfactives ouvertes actuelles, plutôt qu'un système prêt à l'emploi : l'article ne publie aucun benchmark chiffré vérifiable, ni précision, ni taille de corpus, ni comparaison à l'état de l'art, ce qui invite à la prudence sur la maturité réelle de l'approche. COLIP-2 s'inscrit dans la lignée des modèles de type CLIP, qui ont déjà étendu le principe d'espace d'embeddings partagé à la vision, au langage, puis à l'audio et à la profondeur ; l'olfaction restait jusqu'ici largement absente de cette convergence, faute de capteurs standardisés et de corpus annotés. Le suffixe "2" du nom suggère une itération sur une première version non détaillée dans ce papier. Les auteurs, issus de la robotique mais nourris par des experts de plusieurs disciplines académiques et industrielles, positionnent explicitement COLIP-2 comme un point de départ argumentatif : justifier auprès de la communauté le besoin de financer et construire de nouvelles méthodologies et jeux de données olfactifs, plus qu'un livrable fini. Les prochaines étapes attendues sont la publication de ces corpus et des évaluations comparatives plus rigoureuses.

Recherche❖Paper

1 source

31

949arXiv cs.RO 

Robot mobile non holonome : champ vectoriel à courbure contrainte en temps fini pour une planification de trajectoire sans saturation

Des chercheurs proposent, dans un article déposé sur arXiv (arXiv:2607.17542v1), un nouveau cadre de planification de mouvement pour robots mobiles non-holonomes reposant sur un champ vectoriel à courbure contrainte et convergence en temps fini, baptisé FT-C2VF. Le problème visé est classique en robotique mobile : amener précisément un robot à une configuration cible tout en respectant ses contraintes cinématiques (rayon de braquage, non-holonomie) sans saturer les actionneurs. Contrairement aux méthodes de champ vectoriel existantes, qui garantissent au mieux une convergence asymptotique et gèrent les limites d'actionneurs a posteriori par saturation des entrées, ce qui peut invalider les garanties de stabilité, les auteurs construisent un champ dont les courbes intégrales ont une courbure continue, bornée et décroissante avec le ratio radial. Un contrôleur associé, presque partout C1, permet de suivre ce champ sans information de Jacobienne tout en respectant nativement les limites de commande. Les auteurs démontrent analytiquement une stabilité en temps fini presque globale de l'équilibre cible, puis valident l'approche par simulations numériques et par des essais en extérieur sur un véhicule à direction Ackermann. L'enjeu pratique concerne tous les systèmes non-holonomes déployés hors laboratoire (robots mobiles autonomes industriels, véhicules agricoles, plateformes de logistique) où la saturation des actionneurs dégrade en pratique les performances annoncées en simulation. En intégrant la contrainte de courbure et les limites physiques directement dans la construction du champ plutôt qu'en aval, la méthode vise à réduire l'écart classique entre garanties théoriques et comportement réel, un point sensible pour les intégrateurs qui doivent certifier des trajectoires fiables sur du matériel aux couples et vitesses limités. Ce travail s'inscrit dans une littérature déjà dense sur les champs vectoriels pour la navigation robotique, où la difficulté a longtemps résidé dans la combinaison simultanée de bornes de courbure explicites, d'un temps de convergence garanti et d'un contrôleur sans singularité. Les auteurs positionnent leur méthode comme supérieure aux approches représentatives existantes sur simulation, une comparaison qui reste à confirmer par des tests plus larges et sur d'autres plateformes que le seul véhicule Ackermann testé en extérieur.

Recherche❖Paper

1 source

47

950Pandaily 

WAIC 2026 Robotique : quatre changements fondamentaux après 30 000 pas dans les allées du salon

Trois jours et environ 30 000 pas dans le hall robotique du WAIC 2026 à Shanghai suffisent à identifier quatre ruptures dans l'industrie des robots humanoïdes. D'abord, le salon a cessé d'être une scène de démonstration pour devenir un lieu de transactions concrètes: les visiteurs ne se contentent plus de regarder des robots danser ou donner des coups de pied dans un ballon, ils négocient prix, délais de livraison et cas d'usage. Des stands affichent des tarifs de location à partir de 100 yuans par jour ou 3 000 yuans par mois, et des délégations d'acheteurs internationaux, badges "Buyers" au cou, signent des bons de commande directement sur place. Ensuite, le contrôle moteur s'est banalisé. Là où Unitree faisait figure d'exception il y a peu, le T1 de Booster Robotics marque des buts avec précision, le Tiangong 3.0 du Beijing Humanoid Innovation Center enchaîne des chorégraphies, et le Q1 d'AGIBOT boxe. Marcher, courir, sauter sont désormais des prérequis basiques plutôt que des arguments de différenciation. Cette convergence technique a des conséquences directes pour les intégrateurs et les décideurs industriels. Selon le CTO de LimX Dynamics, l'écart entre les acteurs sur le contrôle de mouvement s'est nettement réduit, ce qui déplace la compétition ailleurs. Troisième rupture: l'industrie abandonne le discours du robot généraliste au profit d'applications verticales précises. Kepler Robotics présente un robot barista, Star Dynamics du picking sur ligne d'assemblage, YouiBot de la récupération de pièces en usine, et Leju simule une supérette pour des tâches de commerce de détail. Plusieurs de ces machines renoncent même à la forme humanoïde complète, remplaçant des mains dextres par des pinces ou des jambes par des bases à roues: la fonction prime sur l'imitation anthropomorphique, ce qui contredit l'idée d'un design universel unique vers lequel convergerait le secteur. Cette évolution s'inscrit dans une phase de maturation après plusieurs années dominées par des démonstrations spectaculaires mais peu représentatives des conditions réelles d'usage. Le quatrième changement observé au WAIC 2026 est justement ce déplacement de l'innovation visible vers l'infrastructure invisible: modèles, données d'entraînement, capteurs tactiles et pipelines d'apprentissage progressent davantage que les figures chorégraphiées mises en avant sur les réseaux sociaux. Le secteur atteint un équilibre provisoire qui porte en germe une différenciation plus marquée: les entreprises capables de garantir fiabilité d'exécution, sécurité et coûts de fabrication maîtrisés devraient se démarquer, tandis que celles reposant uniquement sur la performance motrice risquent la banalisation. La question centrale du salon n'est plus de savoir si les robots savent bouger, mais s'ils savent travailler.

Chine/Asie❧Opinion

1 source