Actualités robotique — page 2

4 571 articles au fil, du plus récent au plus ancien.

48

51arXiv cs.RO 

Vers une relaxation convexe plus fine des programmes mixtes en nombres entiers : le flux de réseau logique pour la planification tâche-mouvement

Des chercheurs en robotique ont mis à jour sur arXiv (2509.24235) "Logic Network Flow", un framework de planification de tâches et de mouvements (task and motion planning, TAMP) fondé sur l'optimisation, qui intègre la logique temporelle dans des programmes en nombres mixtes. Inspirée de la formulation Graph-of-Convex-Sets, la méthode encode les contraintes temporelles comme des contraintes polyédriques sur les arêtes d'un modèle de flux réseau, plutôt qu'entre les nœuds comme dans les formulations classiques dites Logic Tree, et ajoute une élimination de Fourier-Motzkin qui supprime les variables continues sans perdre en finesse de relaxation convexe. Sur des tests de routage de véhicules, de coordination multi-robots et de contrôle de systèmes dynamiques (modèles point-mass et pendule inversé linéaire), elle affiche des accélérations de calcul allant jusqu'à plusieurs ordres de grandeur et une consommation mémoire réduite. Une démonstration matérielle sur robots quadrupèdes valide une capacité de replanification en temps réel face à des conditions environnementales changeantes, avec code et détails disponibles sur logicnetworkflow.github.io. Ce travail cible un goulot d'étranglement connu du secteur robotique: la planification combinée tâches-mouvements sous contraintes temporelles devient vite trop lente pour du temps réel dès que le nombre de variables entières croît, ce qui limite le déploiement de robots mobiles ou à pattes dans des environnements changeants. Des relaxations convexes plus serrées et moins de contraintes réduisent directement le coût de résolution des solveurs en nombres mixtes, un frein majeur à la mise à l'échelle des méthodes de planification formelle face aux approches data-driven de type VLA. Les gains annoncés, jusqu'à plusieurs ordres de grandeur en vitesse, restent toutefois issus de benchmarks contrôlés, avec une validation matérielle limitée à des quadrupèdes en conditions de laboratoire plutôt qu'à un déploiement industriel à grande échelle. La méthode prolonge les travaux sur Graph-of-Convex-Sets, une formulation d'optimisation convexe pour la planification de trajectoires devenue courante en robotique ces dernières années, en l'étendant à la logique temporelle. Elle se positionne face aux formulations Logic Tree traditionnelles du TAMP et aux méthodes de synthèse de contrôleurs par logique temporelle signal (STL), couramment employées en robotique formelle. Publiée en version 2 sur arXiv sans partenariat industriel ni feuille de route commerciale annoncée, cette contribution reste académique, avec code et démonstrations mis à disposition sur le site du projet pour en faciliter la reproductibilité.

Recherche❖Paper

1 source

48

52arXiv cs.RO 

HandEdit : un référentiel unifié pour l'édition d'images de mains robotiques dextériques du point de vue humain

L'article scientifique publié le 13 août 2026 sur arXiv présente HandEdit, un jeu de données et benchmark d'édition d'images conçu pour transformer des vidéos de mains humaines en représentations de mains robotiques dextres, dans des séquences filmées à la première personne. L'ensemble comprend plus de 200 millions d'instances d'édition, issues de cinq jeux de données sources distincts, couvrant 26 configurations URDF différentes, dont 13 modèles de mains seules et 13 configurations bras-main combinées. Les chercheurs ont mis en place un protocole d'évaluation unifié avec deux volets, "Hand-only" et "Hand-Arm", permettant une évaluation conditionnée par URDF. Onze modèles d'édition d'images de référence ont été testés selon une suite de métriques multidimensionnelle combinant similarité générique, jugement par modèle vision-langage (VLM) et métriques spécifiques à l'incarnation robotique (embodiment-aware). L'enjeu pour l'industrie robotique tient au goulot d'étranglement bien identifié de la téléopération : collecter des données d'entraînement embodiment-aware pour des mains robotiques dextres coûte cher, alors que des vidéos égocentriques de mains humaines existent en abondance sur le web. HandEdit cherche à combler l'écart d'apparence, d'articulation et de point de vue caméra entre données humaines et robotiques, un problème que les modèles d'édition d'images généralistes ne résolvent pas complètement faute de connaissances a priori propres à chaque plateforme robotique. Si l'approche tient ses promesses, elle pourrait permettre aux équipes de recherche en IA incarnée d'entraîner des politiques de manipulation dextre à partir de vidéos humaines à grande échelle plutôt que de dépendre exclusivement de démonstrations téléopérées coûteuses, un levier potentiellement significatif pour accélérer l'apprentissage de tâches de préhension fine chez les mains robotiques multi-doigts. Ce travail s'inscrit dans la lignée des efforts récents visant à exploiter les vidéos humaines comme source de supervision pour l'apprentissage robotique, un axe de recherche actif face à la rareté des données de téléopération pour les mains dextres, distinctes des pinces simples des bras robotiques industriels classiques. En couvrant 26 URDF différents, HandEdit se positionne comme une ressource de référence transversale plutôt que liée à une seule plateforme matérielle, ce qui pourrait faciliter son adoption par différents laboratoires travaillant sur des mains robotiques variées. L'article ne précise pas de calendrier de déploiement industriel ni de partenariat commercial ; il s'agit à ce stade d'une contribution de recherche fondamentale, avec le jeu de données et le benchmark présentés comme ressource ouverte pour la communauté de l'IA incarnée.

Recherche❖Paper

1 source

47

53arXiv cs.RO 

Signaux précoces de défaillance d'OpenVLA face aux changements de distribution visuelle

Une équipe de recherche publie sur arXiv (2606.29699v1, juin 2026) une étude testant si les activations internes du modèle vision-langage-action OpenVLA contiennent des signaux exploitables pour prédire ses échecs avant qu'ils ne surviennent. Le protocole s'appuie sur le benchmark de manipulation LIBERO : la politique reste figée, les activations sont enregistrées pendant l'exécution, puis des sondes légères sont entraînées après coup sur ces traces. Le principal test de stress est l'occlusion visuelle, qui fait chuter le taux de réussite d'OpenVLA de 57% à 17% sur 100 épisodes par condition. Dans ce contexte dégradé, une sonde logistique appliquée à la couche 16 du réseau atteint une AUROC de 0,972 et une AUPRC de 0,352 pour anticiper un échec dans un horizon de 15 pas de temps, surpassant à la fois une baseline de différence de moyennes et une baseline fondée sur le désaccord entre actions prédites. Un balayage des couches révèle une décodabilité inégale selon la profondeur du réseau : la couche 16 domine, la couche 8 reste informative, la couche 10 est plus faible. Testé sans réentraînement sur d'autres perturbations, le moniteur ne détecte aucun échec sous simple décalage de couleur, un contrôle jugé bénin plutôt qu'un véritable test, mais reste au-dessus du hasard face au jitter de caméra, qui lui provoque de vrais échecs. Ce travail répond à une préoccupation croissante du secteur robotique : à mesure que les modèles vision-langage-action comme Pi-0, GR00T N2 ou Helix de Figure passent du laboratoire au déploiement, leurs modes de défaillance sous changement de distribution visuelle restent largement opaques, et les intégrateurs manquent d'outils pour détecter un échec imminent avant qu'il ne se traduise en collision ou en objet lâché. Démontrer qu'une simple sonde linéaire plaquée sur les activations internes d'un modèle déjà entraîné peut anticiper l'échec avec une AUROC proche de 0,97 ouvre une voie peu coûteuse vers des systèmes de supervision en temps réel, sans toucher à la politique elle-même ni disposer d'un modèle de récompense dédié. C'est un signal utile pour les équipes de sécurité et de fiabilité travaillant sur des humanoïdes ou bras manipulateurs pilotés par VLA, davantage que pour la course à la performance brute des modèles. OpenVLA est un modèle vision-langage-action ouvert, pensé comme référence reproductible face aux piles propriétaires du secteur, dans un paysage où Physical Intelligence avec Pi-0, NVIDIA avec GR00T N2, Figure avec Helix et Tesla avec Optimus développent chacun leurs architectures VLA fermées pour piloter humanoïdes et bras industriels. Les auteurs positionnent explicitement leur contribution comme limitée : l'étude établit une corrélation entre structure interne et échec imminent, sans démontrer de mécanisme causal, sans tester la généralisation à des tâches absentes de l'entraînement, et sans livrer de système de récupération déployable. Elle trace néanmoins une piste de recherche sur l'interprétabilité appliquée à la robotique, où comprendre ce qu'un modèle « sait » en interne pourrait devenir aussi stratégique qu'améliorer son taux de réussite brut.

Recherche❖Paper

1 source

47

54arXiv cs.RO 

StellaVLA : démonstration structurée en contexte pour des modèles vision-langage-action généralisables

StellaVLA est un framework pour les modèles Vision-Language-Action (VLA) qui s'adapte a des situations inédites a partir d'une seule démonstration récupérée au moment de l'inférence, sans finetuning. Une pipeline automatisée convertit chaque trajectoire brute en démonstration structurée (plan de tache, sous-objectifs, mouvement 3D verbalise) sans annotation humaine, puis un entrainement dual conjoint action-langage internalise ce raisonnement, l'inférence n'utilisant que l'expert d'action pour un contrôle temps réel sans latence ajoutée. Sur le classement VLA-Arena du 1er aout 2026, StellaVLA arrive premier avec un score de 0,63, contre 0,44 pour pi-0.5 et 0,22 pour LingBot-VLA. Il atteint aussi 98,8% de réussite sur LIBERO et 85,1% sur LIBERO-Plus, et des tests sur robot réel confirment l'usage de démonstrations humain/robot et humain-vers-robot captées en réalité étendue (XR). Le résultat cible un point faible connu des VLA : leurs performances s'effondrent des que la scene, le point de vue ou l'objet différent de l'entrainement, ce qui obligeait jusque-la a recollecter des données et refinetuner pour chaque cas. En rendant la démonstration transférable entre robot réel, main humaine et capture XR, StellaVLA laisse entrevoir une adaptation par simple exemple contextuel plutôt qu'un cycle complet de collecte-entrainement, ce qui intéressé les intégrateurs cherchant a réduire le cout de reconfiguration en usine ou en entrepôt. L'écart revendique face a pi-0.5 (Physical Intelligence) et LingBot-VLA sur un classement tiers reste toutefois, a ce stade, un résultat de preprint sur benchmarks simules et un échantillon limite de robot réel, non un déploiement industriel vérifie indépendamment. Le travail s'inscrit dans la vague des VLA généralistes lancée ces deux dernières années par les modèles pi de Physical Intelligence et par des systèmes comme GR00T N2 de NVIDIA ou Helix de Figure AI, tous confrontes au même écart entre démonstration et usage réel. En choisissant de se comparer directement a pi-0.5 et LingBot-VLA sur VLA-Arena, les auteurs positionnent StellaVLA comme concurrent de ces approches récentes plutôt que comme variante académique isolée. Publie en aout 2026 sur arXiv, l'article ne mentionne ni partenariat industriel ni calendrier de déploiement : il s'agit pour l'instant d'une contribution de recherche destinée a être reproduite avant toute intégration commerciale.

IA physique⚡Actu

1 source

46

55arXiv cs.RO 

World Tokens : renforcer les politiques incarnées grâce à la modélisation du monde à l'entraînement

Des chercheurs présentent World Tokens, une architecture de politique incarnée publiée sur arXiv le 13 août 2026 (arXiv:2608.09730), qui greffe aux modèles vision-langage-action (VLA) un module appelé World Adapter. Celui-ci convertit les caractéristiques d'un modèle vision-langage en « world tokens » qui, pendant l'entraînement, conditionnent un débruiteur vidéo prédisant l'évolution de la scène tout en servant de seul contexte visuel à l'expert d'action. Au déploiement, cette branche vidéo est retirée : seuls le VLM, le World Adapter et l'expert d'action restent actifs, sans inférence vidéo en ligne. Avec un backbone de 2 milliards de paramètres et sans pré-entraînement d'action incarnée, le système se hisse au niveau des meilleures méthodes sur LIBERO, établit les meilleures moyennes rapportées sur SIMPLER, et améliore nettement le taux de réussite réel du robot R1 Pro face à une base « action seule » équivalente, à une latence comparable à celle d'un VLA standard. Ce résultat s'attaque à un compromis central du secteur : les VLA classiques comme Pi-0, GR00T N2 ou Helix ignorent la dynamique physique explicite, tandis que les world-action models plus récents la capturent via des modèles vidéo préentraînés coûteux à exécuter dans la boucle de contrôle. En déplaçant cette modélisation du temps d'inférence vers le temps d'entraînement, World Tokens promet aux intégrateurs une compréhension plus fine du monde physique sans alourdir le temps de cycle ni le coût matériel au déploiement. C'est une piste concrète pour réduire l'écart souvent observé entre démonstrations impressionnantes et robustesse en conditions réelles, sans sacrifier la latence nécessaire à un déploiement de flotte à grande échelle. Cette architecture s'inscrit dans la lignée des modèles VLA qui dominent le contrôle des robots manipulateurs et humanoïdes, et dans la vague plus récente des world-action models cherchant à leur ajouter une compréhension causale de la physique. Le papier, publié en cross-listing sur arXiv, reste une contribution de recherche testée sur les bancs d'essai standards LIBERO et SIMPLER ainsi que sur le robot réel R1 Pro, sans laboratoire ni entreprise explicitement rattachés dans le résumé. Les prochaines étapes attendues portent sur des backbones plus larges et davantage de plateformes robotiques réelles avant toute adoption industrielle.

IA physique⚡Actu

1 source

46

56arXiv cs.RO 

Auto-évolution d'agents incarnés par évolution de compétences en environnement d'entraînement

Un article publié sur arXiv (2608.11350v1, catégorie "cross-listing", 13 août 2026) présente SHAPER, un cadre pour l'adaptation sans entraînement d'agents incarnés (embodied agents) construits autour de modèles de fondation. Le principe : les poids du modèle restent figés, et c'est la couche non paramétrique autour de lui, compétences réutilisables et "harnais" de contexte-code, qui évolue via des essais répétés (rollouts) dans l'environnement cible. Le même modèle figé joue à la fois le rôle de planificateur et d'optimiseur, affinant ses compétences externes sans aucune mise à jour de paramètres. Les auteurs évaluent SHAPER sur deux bancs d'essai, VLABench et ESI-Bench, qui couvrent des agents disposant d'interfaces d'action bas niveau différentes, et comparent les résultats à l'exécution pure, au fine-tuning supervisé (SFT) et à des méthodes de mise à l'échelle au moment du test comme la sélection sans vérificateur et le vote. L'enjeu pour l'industrie robotique est concret. Le fine-tuning supervisé et l'apprentissage par renforcement exigent des données, des fonctions de récompense et des cycles d'entraînement coûteux ; à l'inverse, les approches sans entraînement centrées sur le code s'appuient d'ordinaire sur des API robotiques programmables, souvent absentes des systèmes à interface fixe. SHAPER propose une troisième voie, faire évoluer les compétences et le harnais logiciel plutôt que le modèle lui-même, ce qui intéresserait particulièrement les intégrateurs qui ne peuvent pas se permettre de réentraîner un modèle à chaque nouvel environnement de déploiement. Les résultats restent toutefois issus de bancs d'essai simulés, pas de déploiements sur robots physiques : c'est une preuve de concept méthodologique, pas encore une validation terrain. Ce travail s'inscrit dans une tendance plus large où la performance des agents incarnés dépend autant du harnais d'exécution, compétences, contexte, interfaces d'action, que des poids du modèle sous-jacent. Il se positionne explicitement entre deux familles d'approches existantes : le fine-tuning et le RL d'un côté, gourmands en données et en calcul, et les approches code-centric sans entraînement de l'autre, limitées par leur dépendance à des API robotiques programmables. L'article ne mentionne ni partenariat industriel ni plateforme robotique commerciale associée ; la suite logique serait une validation sur robots réels pour vérifier si les gains observés sur VLABench et ESI-Bench se transposent hors simulation.

Recherche❖Paper

1 source

45

57arXiv cs.RO 

RoboHarness : robustesse des modèles vision-langage-action via une adaptation en contexte augmentée par mémoire

Des chercheurs présentent RoboHarness, un dispositif logiciel qui se greffe sur des modèles vision-langage-action (VLA) déjà entraines pour améliorer leur robustesse face au bruit perceptif et aux variations d'environnement, sans reentrainer les poids du réseau. L'architecture combine trois briques opérant en ligne, une récupération contrastive a double mémoire (RAG), un orchestrateur vision-langage pilote par un grand modèle de langage multimodal capable d'attribuer causalement les échecs d'exécution, et des interventions extensibles via le Model Context Protocol (MCP), auxquelles s'ajoute un module hors ligne de consolidation mémoire qui distille les traces d'exécution en connaissances a priori réutilisables. Les auteurs ont teste ce système sur trois modèles VLA de base, Pi-0, Pi-0.5 et SmolVLA, sur les benchmarks LIBERO-PRO et sur LIBERO-RoboHarness, un nouveau benchmark qu'ils ont eux-mêmes conçu. Resultat annonce: un gain moyen de taux de réussite absolu de 56,6%, avec une amélioration de 89,1% sur les taches longues enchaînées (long-horizon task chaining). Le code source et la page projet sont publies sur GitHub, sous le compte LZY-1021. Le papier, publie sur arXiv, en est a sa troisième version révisée. Cette approche cible une faiblesse connue des modèles VLA généralistes: leur fragilité des qu'ils sortent de la distribution de données d'entrainement, un écart souvent masque dans les démonstrations mais critique pour un déploiement industriel réel. En proposant une couche additive et sans fine-tuning, applicable a plusieurs backbones existants, RoboHarness s'inscrit dans une tendance émergente consistant a traiter la robustesse comme un problème d'orchestration et de mémoire en contexte plutôt que de seul entrainement. Pour les intégrateurs, cela laisse entrevoir la possibilité de renforcer des politiques VLA déjà déployées sans refaire les couteux cycles de collecte de données et de reentrainement, un argument potentiellement déterminant pour l'adoption en environnement industriel variable. Les modèles VLA généralistes, tels Pi-0 développe par Physical Intelligence, occupent une place croissante dans la robotique manipulatrice, aux cotes d'autres approches généralistes du secteur. RoboHarness ne constitue pas un nouveau modèle mais un harnais complémentaire, positionne comme correctif a la faiblesse structurelle de mémoire et d'attribution causale des VLA figes. Les benchmarks utilises restant majoritairement simules (suite LIBERO), la validation sur robot physique et en conditions industrielles reste l'étape a surveiller pour juger de la portée réelle de ces gains annonces.

Recherche⚡Actu

1 source

45

58arXiv cs.RO 

Vers un cadre pour les agents incarnés

Un article de recherche mis en ligne le 13 aout 2026 sur arXiv (2608.11246) présente Thea, un "harness", c'est a dire une architecture d'orchestration logicielle, destine aux agents robotiques et conçu selon le principe des agents de codage: la performance dépend moins du modèle que de l'infrastructure qui l'entoure. Thea fait tourner une boucle agentique qui invoque les capacités du robot, chacune encapsulée comme un outil appelable. Les auteurs pointent deux fonctions que le monde physique refuse, contrairement au monde logiciel: lire l'état du monde et juger le résultat d'une action. Pour y remédier, le système introduit le Scene Graph as Context, une représentation symbolique persistante de l'environnement servant de contexte au modèle, et l'Evaluation as Exit Codes, un module qui détecte la fin d'une action, évalué sa réussite et diagnostique la cause d'un échec. Cette approche cible directement l'écart, souvent dénonce dans le secteur, entre démonstrations impressionnantes en environnement contrôle et exécution fiable de taches longues en conditions réelles. En fermant la boucle entre perception, action et évaluation, Thea cherche a faire émerger des comportements complexes par simple composition d'outils, sans reentrainement du modèle pour chaque nouvelle tache. L'article ne fournit toutefois aucune métrique chiffrée, ni taux de réussite ni benchmark, dans son résume: il s'agit a ce stade d'une contribution architecturale, pas d'une validation empirique a grande échelle ni d'un produit déployé. Pour les intégrateurs, l'intérêt tient a la proposition méthodologique: traiter l'agent robotique comme un agent logiciel dote d'un accès symbolique au monde plutôt que comme un modèle entraine de bout en bout. Thea prolonge directement la lignée des harnais d'agents de codage, dont le succès récent a impose ce paradigme d'infrastructure au delà du monde logiciel, et rejoint les recherches en cours sur les modèles vision-langage-action cherchant a leur adjoindre une mémoire structurée du monde plutôt qu'une politique entraînée par imitation. Le document ne précise ni l'affiliation institutionnelle des auteurs ni de calendrier de déploiement pilote. Il se presente comme une contribution académique destinée a être discutée et reproduite par la communauté, la prochaine étape logique étant une évaluation quantitative sur des taches longues en environnement réel.

Recherche❖Paper

1 source

45

59arXiv cs.RO 

Une théorie généralisée de la répartition de charge dans les systèmes robotiques à actionnement redondant

Un article publié sur arXiv (référence 2603.11431v2, version corrigée d'une soumission antérieure) présente une théorie généralisée de la distribution des charges dans les corps rigides manipulés par des systèmes robotiques à actionnement redondant, composés de plusieurs chaînes cinématiques fermées indépendantes, comme une main multidoigts, des robots à pattes ou des bras coopérants tenant un même objet. Les auteurs caractérisent l'ensemble complet des distributions de torseurs (forces et moments) compatibles avec un torseur résultant donné appliqué au corps rigide, et dérivent des solutions explicites aux problèmes de synthèse et d'analyse de torseurs, calculables directement sans méthode numérique itérative ni inversion de grandes matrices, avec un coût de calcul croissant linéairement selon le nombre de torseurs appliqués. Ils relèvent aussi des lacunes dans les approches actuelles de l'état de l'art et proposent des corrections, appuyées par des exemples illustratifs et une simulation. Cette théorie concerne directement le contrôle de force des mains robotiques multidoigts, des robots à pattes, des robots coopérants manipulant une charge commune, et plus largement tout mécanisme surcontraint où le nombre de points de contact ou d'actionneurs dépasse ce qui est strictement nécessaire, rendant la répartition des efforts mathématiquement indéterminée sans hypothèses supplémentaires, un problème classique et non trivial en robotique. Une solution explicite et peu coûteuse en calcul ouvre la voie à un contrôle en temps réel plus robuste pour la préhension complexe, la locomotion des robots à pattes et la manipulation coopérative entre bras, des briques utiles pour les intégrateurs déployant des systèmes de préhension ou des flottes collaboratives. Le constat des auteurs, selon lequel des méthodes de référence actuelles comportent des erreurs, suggère que certaines stratégies de contrôle de force déjà en usage dans l'industrie reposent sur des hypothèses de répartition de charge incorrectes. Il s'agit d'une publication académique sur arXiv, sans entreprise, produit ni déploiement associé, ce qui la distingue nettement des annonces commerciales du secteur robotique. La répartition des efforts dans les systèmes surcontraints est étudiée depuis des décennies en robotique, notamment pour la préhension multidoigt et les robots parallèles, mais généralement traitée au cas par cas selon le type de mécanisme. Les auteurs positionnent leur travail comme une généralisation unifiée couvrant à la fois les mains robotiques, les robots à pattes et les systèmes multi-robots coopérants, plutôt qu'une solution propre à une seule catégorie. Cette version 2 de l'article suggère une itération après retours de la communauté scientifique, mais aucune validation expérimentale sur robot physique au-delà de la simulation n'est mentionnée à ce stade.

Recherche❖Paper

1 source

44

60arXiv cs.RO 

FEWT : transformeur en ondelettes à fréquence améliorée pour la manipulation bimanuelle sur roues multimodale

Une équipe de recherche présente FEWT (Frequency-Enhanced Wavelet-based Transformer), un framework léger d'apprentissage par imitation destiné à la manipulation bimanuelle robotisée. Les données de démonstration sont collectées via une plateforme mobile à roues équipée de deux bras et pilotée par téléopération de type exosquelette, une méthode qui permet un contrôle intuitif et une capture fidèle de gestes anthropomorphes. FEWT combine deux modules, l'attention multi-échelle FE-EMA (Frequency-Enhanced Efficient Multi-Scale Attention) et la transformée en ondelettes discrète temporelle TS-DWT, pour aligner la sémantique visuelle spatiale avec la dynamique physique locale à haute fréquence. Pour les déploiements réels, les auteurs y ajoutent un tissu tactile intelligent maison, le Smart Tactile Fabric (STF), intégré aux effecteurs terminaux, qui capte la contrainte de contact locale en complément des signaux proprioceptifs et de mouvement du châssis. Sur des tâches d'insertion bimanuelle simulées, l'architecture FEWT améliore significativement le taux de réussite par rapport à la référence courante Action Chunking with Transformers (ACT), notamment dans les phases les plus délicates, là où se concentrent la plupart des échecs. En conditions réelles, sur des tâches de manipulation mobile et de bureau, le système complet intégrant le capteur STF s'adapte à des perturbations dynamiques microscopiques et améliore nettement les performances. Le résultat illustre un enjeu clé pour l'apprentissage par imitation en robotique : la vision seule peine à capturer les micro-ajustements de force nécessaires aux tâches de contact fin, ce qu'une modalité tactile locale permet de corriger. FEWT s'inscrit dans une tendance de fond en robotique de manipulation, celle d'utiliser la téléopération par exosquelette pour collecter à moindre coût des démonstrations humaines de qualité et entraîner des politiques d'apprentissage par imitation sur des plateformes bimanuelles. Les auteurs se comparent explicitement à ACT, devenue une référence de facto dans ce domaine. Publiée sur arXiv (référence 2509.11109, quatrième version), l'étude reste à ce stade une contribution académique : aucune indication de déploiement industriel, de partenariat commercial ni de calendrier de commercialisation n'est fournie pour la plateforme robotique ou le capteur STF développés en interne par les auteurs.

Recherche❖Paper

1 source

44

61arXiv cs.RO 

RIFT : garder l'avenir, laisser tomber le déploiement pour les modèles vision-langage-action

Une équipe de recherche présente RIFT (Rollout-free Imagination via Future Tokens), une méthode qui accélère l'inférence des modèles d'action du monde (world action models, WAM) utilisés en robotique pour prédire l'action d'un robot à partir d'un futur visuel anticipé. L'étude (arXiv:2608.11521) teste quatre WAM sur les 40 tâches du benchmark LIBERO. Pour les modèles Joint et Cosmos-2, rejouer un seul cache clé/valeur (K/V) figé correspondant à l'état final préserve quasiment l'exécution d'origine, avec 1,7 à 1,9 cm d'erreur de déplacement de l'effecteur et 97,9% à 98,2% de réussite. RIFT construit ce cache complet en une seule passe grâce à des tokens d'anticipation appris, sans génération vidéo itérative : 98,8% de réussite sur LIBERO, contre 98,4% à 98,6% pour les méthodes à rollout Joint, IDM et LingBot-VA, avec une latence par segment d'action réduite de 68,2% à 89,1%. Sur RoboTwin 2.0, RIFT atteint 92,9% et 92,6% de réussite en scènes propres et randomisées, le meilleur score des méthodes testées. L'enjeu dépasse le simple gain de vitesse : un robot n'a pas besoin de régénérer vidéo après vidéo pour agir, seule la représentation finale du futur comptant pour la politique d'action. Pour les intégrateurs et décideurs robotique B2B, cela cible directement le goulot d'étranglement des architectures VLA et WAM en conditions réelles, le rollout vidéo itératif, coûteux en calcul, qui limite la fréquence de commande et les temps de cycle exploitables en production. Une réduction de latence de 68% à 89% sans perte de précision notable, si elle se confirme au-delà des benchmarks de simulation, rapprocherait ces modèles prédictifs des contraintes temps réel de la manipulation industrielle. Ces résultats restent toutefois obtenus en simulation (LIBERO, RoboTwin), sans déploiement documenté sur robot physique. Cette recherche s'inscrit dans la lignée des modèles vision-langage-action (VLA) et des world models qui conditionnent la génération d'actions robotiques sur des futurs visuels imaginés, une approche portée notamment par Cosmos, le modèle de monde de Nvidia, et comparable en esprit aux travaux autour de GR00T N2 ou Pi-0. Le résumé ne précise ni affiliation institutionnelle ni laboratoire, et l'article reste à ce stade une preprint arXiv non revue par les pairs ; aucun acteur européen n'y est mentionné. Les prochaines étapes attendues concernent la validation sur des tâches de manipulation plus complexes que LIBERO et RoboTwin, ainsi qu'un éventuel transfert vers des plateformes robotiques physiques, condition nécessaire avant toute intégration industrielle.

Recherche❖Paper

1 source

43

62arXiv cs.RO 

Utilisation de l'inpainting pour la détection de points clés pour le contrôle visuel de manipulateurs robotiques

Des chercheurs présentent, dans une version mise à jour d'un papier arXiv (2604.13309v2, avril 2026), un système d'asservissement visuel pilotant un bras manipulateur robotique via des caractéristiques visuelles naturelles, sans marqueur permanent. Pour entraîner leur détecteur de points clés, ils fixent des marqueurs ArUco sur le bras, utilisent leurs centres comme étiquettes, puis appliquent de l'inpainting pour effacer ces marqueurs et reconstruire les zones occultées, générant des images markerless étiquetées automatiquement, sans calibration caméra ni modèle CAO du robot. À l'exécution, un second modèle d'inpainting reconstruit les zones masquées pour une détection continue, et un filtre de Kalman sans parfum (UKF) stabilise les estimations dans le temps. Le contrôle vision-based fonctionne en visibilité totale comme en occultation partielle, et le pipeline est aussi testé sur des bras souples origami à deux et trois modules. Cette méthode s'attaque à une dépendance classique du contrôle robotique par vision : la calibration caméra précise, les modèles CAO exacts ou les marqueurs fiduciaires visibles en permanence, autant de contraintes fragiles dès qu'un bras s'auto-occulte ou qu'un objet manipulé masque une partie de sa structure. En générant automatiquement des données d'entraînement markerless à partir de données marquées, l'approche réduit le coût d'annotation pour des manipulateurs arbitraires. Son extension aux bras souples origami, où les modèles cinématiques classiques s'appliquent mal faute de structure rigide, élargit sa pertinence à la robotique souple et chirurgicale, un terrain où l'absence de modèle géométrique fiable freine encore l'automatisation. L'asservissement visuel repose traditionnellement sur deux options limitées : une calibration précise caméra-robot, ou des marqueurs fiduciaires comme ArUco, efficaces mais intrusifs et peu adaptés à une interaction naturelle. Les détecteurs de points clés basés sur l'apprentissage profond promettaient une alternative sans marqueur, mais butaient sur le coût d'annotation des données d'entraînement. Ce travail ferme la boucle en utilisant les marqueurs eux-mêmes, via inpainting, pour générer puis effacer leurs propres étiquettes. Aucune entreprise ni laboratoire n'est nommé dans le résumé : il s'agit d'une contribution de recherche méthodologique, dont la suite logique serait une validation plus large sur des manipulateurs industriels et d'autres plateformes de robotique souple.

Recherche❖Paper

1 source

43

63arXiv cs.RO 

Apprentissage de la loco-manipulation à partir de démonstrations SMPC via un RL clairsemé hors ligne vers en ligne

Une équipe de recherche présente dans un preprint arXiv publié le 13 août 2026 (arXiv:2608.12063v1) une méthode d'apprentissage combinant locomotion et manipulation pour robots à pattes. Le système utilise du Sample-based Model Predictive Control (SMPC), une forme de commande prédictive par échantillonnage, exécutée entièrement en simulation pour générer automatiquement de vastes jeux de données hors ligne, jouant le rôle d'expert artificiel. Ces données servent ensuite à entraîner un agent de reinforcement learning (RL) off-policy à l'aide de récompenses de tâche uniquement éparses (sparse rewards), sans le façonnage manuel et chronophage de fonctions de récompense denses habituellement nécessaire. Cet agent de haut niveau est couplé à un contrôleur bas niveau assurant la stabilité dynamique du robot. Les auteurs valident la robustesse du transfert simulation-vers-réel (sim-to-real) en déployant des compétences complexes de loco-manipulation sur deux morphologies différentes: un quadrupède Spot équipé d'un bras et un humanoïde G1. L'intérêt principal de ces travaux tient à la résolution du goulot d'étranglement le plus coûteux du RL appliqué à la robotique: la conception manuelle de récompenses denses, qui ralentit considérablement l'apprentissage de nouvelles compétences à chaque nouvelle tâche. En s'appuyant sur des démonstrations SMPC pour préremplir l'exploration, les auteurs affirment que les politiques apprises finissent par surpasser leur propre professeur de commande optimale, un résultat notable si confirmé à plus grande échelle. Pour les intégrateurs et décideurs du secteur, cela illustre une voie alternative aux approches VLA entraînées sur des démonstrations réelles massives: générer les données d'entraînement en simulation via un contrôleur classique plutôt que par téléopération humaine, ce qui pourrait réduire les coûts de collecte de données pour les robots à pattes et humanoïdes. Ce travail s'inscrit dans la tendance du RL offline-to-online et de l'usage de contrôleurs optimaux comme professeurs pour le RL. Il reste à ce stade une publication de recherche, sans nom d'entreprise, de laboratoire ni de calendrier de déploiement commercial associés dans l'abstract, et sans comparaison chiffrée directe avec les approches VLA concurrentes.

Recherche❖Paper

1 source

43

64arXiv cs.RO 

RLinf-VLA : un cadre unifié et efficace pour l'apprentissage par renforcement des modèles vision-langage-action

Une équipe de recherche présente RLinf-VLA, un framework unifié et efficace pour l'entraînement par renforcement (RL) de modèles vision-langage-action (VLA), décrit dans un article arXiv (2510.06710, version 3, remplaçant une version antérieure). Le système standardise l'intégration de plusieurs architectures VLA, de différents algorithmes RL et de simulateurs hétérogènes derrière une interface commune, pour permettre comparaisons équitables et reproductibilité. Pour gagner en efficacité, RLinf-VLA introduit une stratégie d'allocation de pipeline fine et hybride, répartissant dynamiquement les ressources entre rendu, inférence et entraînement, ce qui produit un gain de vitesse de 1,61 à 1,88 fois sur le simulateur ManiSkill. Les modèles entraînés avec ce framework atteignent 98,11% de réussite sur 130 tâches du benchmark LIBERO, 97,66% sur 25 tâches ManiSkill, et une moyenne de 84,63% sur six tâches RoboTwin. Pour les laboratoires de robotique et les équipes développant des politiques de manipulation, ce travail répond à un problème concret: jusqu'ici, chaque groupe construisait sa propre pipeline RL+VLA sur mesure, rendant les comparaisons d'architectures et d'algorithmes peu fiables. Un gain de vitesse proche du double affecte directement le coût et la durée des cycles d'entraînement, une étape historiquement gourmande en calcul puisqu'elle combine simulation, inférence et mise à jour de politique en boucle continue. Les taux de réussite proches de la saturation, 98% sur LIBERO, 97,7% sur ManiSkill, montrent que le post-entraînement par renforcement peut pousser des VLA déjà pré-entraînés par imitation vers des performances très élevées sur des benchmarks simulés établis, mais ces résultats restent obtenus en simulation contrôlée et ne préjugent pas d'une généralisation équivalente en conditions réelles. Le contexte est celui d'un basculement plus large dans l'entraînement des modèles VLA, jusque-là dominé par l'apprentissage supervisé à partir de démonstrations, vers des méthodes de post-entraînement par interaction, une trajectoire qui rappelle le rôle du RLHF pour les grands modèles de langage. Les auteurs positionnent explicitement RLinf-VLA comme une réponse à la fragmentation des efforts en RL pour la robotique embarquée, où l'absence de plateforme commune empêchait des comparaisons équitables entre architectures et algorithmes. Au-delà du code, l'article revendique la synthèse d'un ensemble de pratiques efficaces pour l'entraînement RL des VLA, positionnant le framework comme base technique et méthodologique pour la recherche future en intelligence embarquée. Aucune entreprise ni site de déploiement industriel n'est associé à cette publication, qui reste à ce stade une contribution académique validée sur des benchmarks de simulation plutôt qu'un produit déployé.

IA physique❧Opinion

1 source

42

65arXiv cs.RO 

D3D-GEN : génération interactive de mondes 3D ancrée dans le domaine pour la robotique sociale, consciente du robot

D3D-GEN est un système de génération de mondes 3D interactifs présenté dans un article publié sur arXiv (arXiv:2608.11876v1) et conçu pour l'entraînement et la validation de robots sociaux en navigation autonome. Développé pour résoudre le compromis entre réalisme et simulabilité, le système combine un agent de recherche de domaine avec un pipeline de génération augmentée par récupération (RAG) ancré dans ce domaine. À partir d'une simple description textuelle du domaine visé, l'agent collecte automatiquement des données publiques spécifiques et construit une base de connaissances persistante, sans dépendre d'une bibliothèque fixe de modèles 3D. Le pipeline RAG interroge ensuite dynamiquement une base sémantique fournie par l'utilisateur pour générer des plans d'étage et des placements d'objets plausibles. Les mondes produits sont pleinement interactifs et compatibles avec les simulateurs Isaac Sim et Gazebo, deux outils largement utilisés en robotique. Les chercheurs ont bâti des bases de données pour trois domaines courants (résidentiel, hospitalier, bureau) et généré des dizaines d'environnements distincts pour chacun, le tout accessible via une interface web locale. Pour l'industrie robotique, cet outil s'attaque à un goulot d'étranglement concret : la pénurie d'environnements de simulation à la fois réalistes et diversifiés freine l'entraînement des politiques de navigation sociale, un maillon clé pour les robots amenés à opérer parmi des humains (hôpitaux, bureaux, domicile). En automatisant la collecte de connaissances de domaine et la synthèse de scènes plausibles sans base 3D préexistante, D3D-GEN pourrait réduire le travail manuel de conception d'environnements simulés, un frein connu à l'échelle du sim-to-real pour les intégrateurs et laboratoires de recherche en IA incarnée. Reste que la validation du réalisme et de la généralisation à d'autres domaines n'est démontrée que sur trois cas d'usage, ce qui limite pour l'instant la portée des conclusions. Ce travail s'inscrit dans la lignée des efforts récents visant à combler l'écart entre simulation et réalité pour l'IA incarnée, où des bases de données de scènes 3D figées (comme celles utilisées historiquement avec Isaac Sim ou Gazebo) limitent la diversité des scénarios d'entraînement. En s'appuyant sur des agents de recherche et du RAG plutôt que sur des bibliothèques statiques, D3D-GEN se positionne face à d'autres approches de génération procédurale de scènes pour la robotique. L'article ne précise pas de partenariats industriels ni de calendrier de déploiement au-delà du prototype de recherche présenté avec son interface web locale.

Recherche❖Paper

1 source

42

66arXiv cs.RO 

Adaptation de politiques robotiques généralistes avec un minimum de données

Un article arXiv publié en août 2026 (référence 2608.11363) présente MiDAS, une méthode de renforcement offline-to-online qui permet à une politique robotique généraliste de type VLA (vision-language-action) déjà pré-entraînée d'apprendre une tâche inédite à partir d'une seule démonstration. Le système ancre d'abord le modèle par clonage de comportement sur une ou quelques démonstrations, puis l'affine via du RL en ligne basé sur la valeur, appliqué à une paramétrisation résiduelle de la politique. Sur les benchmarks simulés LIBERO et RoboCasa, MiDAS retrouve de bonnes performances dès une démonstration unique et dépasse nettement les méthodes de référence. Sur une plateforme bimanuelle réelle nommée YAM, une politique fragile obtenue après une seule démonstration gagne en robustesse et acquiert de nouveaux comportements réussis après environ six heures d'interaction autonome. L'enjeu dépasse la prouesse académique: le papier cible le goulot d'étranglement des données dans le déploiement de robots généralistes, où collecter des démonstrations humaines par tâche reste coûteux à grande échelle. Pour les intégrateurs et décideurs industriels, la promesse est un cycle d'adaptation raccourci: un robot pourrait apprendre une variante de tâche en usine via quelques heures d'essais supervisés plutôt que des centaines de démonstrations téléopérées. Les auteurs qualifient leur résultat de première démonstration d'une adaptation fiable de politique robotique à partir d'une unique démonstration, une affirmation qui, si elle se confirme ailleurs, nuancerait l'idée que les VLA actuels explorent trop mal pour progresser seuls. Le travail répond à un constat du secteur: l'apprentissage robotique cherche à s'affranchir de la collecte de données tâche par tâche, mais l'apprentissage pleinement autonome bute sur des récompenses éparses et une exploration zero-shot trop faible pour qu'un robot découvre seul un comportement réussi. MiDAS se présente comme le proxy le plus praticable de cet objectif, testant si une seule démonstration suffit à amorcer un apprentissage en ligne exploitable. L'évaluation reste limitée à deux benchmarks simulés et une seule plateforme physique, sans comparaison rapportée face aux grands modèles généralistes commerciaux du secteur; une validation sur davantage de plateformes et de familles de tâches reste l'étape logique suivante.

Recherche⚡Actu

1 source

42

67arXiv cs.RO 

Diagnostic et atténuation des a priori de la main induits par la politique dans la manipulation humanoïde à deux bras

Une équipe de recherche publie sur arXiv (2608.11769v1, août 2026) un diagnostic du comportement des politiques vision-langage-action (VLA) pilotant des humanoïdes à deux bras. Le travail isole un biais jusque-là peu quantifié : le choix de la main utilisée pour saisir un objet dépend fortement de la posture initiale des bras, un effet baptisé "policy-induced hand prior" et mesuré via trois métriques inédites (HandPriorScore, biais résiduel de main, réactivité à la cible). Testé sur plusieurs politiques et 17 configurations initiales, le protocole montre qu'une même pose produit des taux de réussite très variables selon la politique, et qu'une même politique fluctue fortement selon la pose ; les caméras de poignet influencent aussi ce choix. Élargir la couverture des poses à l'entraînement améliore nettement la robustesse. Cette étude compte parce qu'elle fragilise une hypothèse centrale du secteur : qu'un score de réussite agrégé suffit à attester la robustesse d'une politique VLA face aux variations de posture initiale. Les auteurs montrent que ce chiffre global masque des échecs localisés et des choix de main inappropriés, invisibles dans les benchmarks usuels. Pour les intégrateurs qui évaluent des politiques de manipulation avant déploiement industriel, le message est direct : auditer le comportement pose par pose, pas seulement la moyenne. L'étude isole aussi un levier concret et corrigeable, la configuration initiale des bras, ouvrant la voie à un entraînement ciblé plutôt qu'à un simple ajout massif de données. Ce travail s'inscrit dans la vague actuelle de recherche sur les politiques généralistes de manipulation pour humanoïdes, domaine où l'écart entre démonstrations médiatisées et fiabilité reproductible reste une critique récurrente adressée aux laboratoires du secteur. Plutôt qu'un nouveau modèle, les auteurs livrent un cadre d'audit réutilisable et une piste d'atténuation, l'élargissement ciblé de la couverture des poses initiales. Ils précisent aussi que l'apport de données réelles ou auxiliaires n'est pas systématiquement bénéfique : son effet dépend de la couverture des poses, de la part de simulation et de la disponibilité des observations visuelles. Les évaluations restant majoritairement simulées, la question du transfert vers des déploiements réels demeure ouverte.

Recherche⚡Actu

1 source

41

68arXiv cs.RO 

Robotique : la manipulation est une correspondance vision-géométrie, au-delà du langage et de la vidéo

Une équipe de recherche du HCP Lab de l'Université Sun Yat-sen (SYSU), en Chine, a publié la version 2 d'un article arXiv (2604.12908) proposant un nouveau modèle baptisé VGA, pour Vision-Geometry-Action. La thèse centrale : la manipulation robotique est fondamentalement un problème de correspondance entre vision et géométrie (f(v) → G), puisque les actions physiques reposent sur des positions 3D et des relations spatiales précises. Plutôt que de bâtir le contrôle sur des modèles vision-langage (VLA) ou vidéo, comme le font la plupart des systèmes actuels, VGA remplace ce socle par un modèle du monde 3D préentraîné, auquel s'ajoute une méthode nommée Progressive Volumetric Modulation et un entraînement conjoint de la génération d'actions et de la prédiction de propriétés 3D, pour préserver la cohérence géométrique. En simulation, VGA dépasse plusieurs références de l'état de l'art : pi-0.5, OpenVLA-OFT, GeoVLA et Motus. En conditions réelles, il surpasse pi-0.5 sur des points de vue inédits et suit correctement des instructions en langage naturel pour saisir des objets cibles. L'enjeu dépasse la simple compétition de benchmarks : ce travail interroge un présupposé dominant du secteur, à savoir que les grands modèles vision-langage-action, popularisés par des systèmes comme pi-0 ou GR00T N2, constituent la voie la plus prometteuse vers une intelligence physique généralisable. En montrant que des représentations 3D natives, plutôt que des priors sémantiques 2D hérités du texte-image, améliorent la précision géométrique des saisies, l'étude fournit un argument concret pour les intégrateurs et laboratoires qui évaluent quel type de backbone privilégier dans leurs futures piles logicielles de manipulation. Ce résultat s'inscrit dans une compétition architecturale plus large entre approches VLA classiques, modèles vidéo prédictifs et approches 3D-VLA, incluant des systèmes comme GeoVLA et Motus déjà cités comme références de comparaison. Il s'agit à ce stade d'un article de recherche évalué en simulation et sur un nombre limité de déploiements réels en laboratoire, assorti d'une page projet dédiée, et non d'un produit commercial ou d'un déploiement industriel à grande échelle.

Recherche❧Opinion

1 source

50

69Interesting Engineering 

Robots humanoïdes : ramper, roue et backflips maîtrisés grâce aux données de mouvement et d'animation

Des chercheurs du RAI Institute et de Boston Dynamics ont développé ZEST (Zero-shot Embodied Skill Transfer), un framework d'apprentissage par renforcement permettant à des robots à pattes d'acquérir des mouvements agiles à partir de données de mouvement humain, en une seule phase d'entraînement plutôt qu'un réglage par tâche. Le système apprend depuis trois sources : capture de mouvement haute fidélité, vidéo simple caméra, et animation par images clés, converties en commandes robotiques par retargeting cinématique. Testé sur l'humanoïde Atlas et le quadrupède Spot de Boston Dynamics ainsi que sur le G1 d'Unitree, ZEST a reproduit des mouvements tels que reptation au sol, roulades avant, roue, breakdance, danse, tirs au but et escalade de caisses, plus un salto arrière continu et un tonneau pour Spot à partir de données d'animation. Chaque politique de contrôle a nécessité environ 10 heures d'entraînement, soit près de 7 000 itérations, sur un seul GPU NVIDIA L4, entraînée entièrement en simulation puis transférée sur le matériel réel sans réglage supplémentaire, en s'appuyant uniquement sur des capteurs proprioceptifs embarqués à l'exécution. Pour l'industrie robotique, l'intérêt tient à ce que ZEST élimine plusieurs briques habituelles des pipelines de contrôle : estimateurs d'état, longs historiques d'observation, fenêtres de référence future, calendriers de contact au sol et ingénierie poussée de récompenses propres à chaque tâche. Cela réduit potentiellement le travail d'ingénierie et de réglage requis pour chaque nouvelle compétence, un goulot d'étranglement connu du déploiement de robots humanoïdes et quadrupèdes. Le transfert réussi d'une même architecture entre un humanoïde et un quadrupède illustre une portabilité inter-morphologies rarement démontrée à ce niveau d'agilité. L'équipe reste toutefois prudente : le système n'a été validé que sur sols plats et non glissants, sans généralisation démontrée à des mouvements totalement inédits. Il s'agit donc d'une avancée de recherche publiée sous forme d'étude, avec des démonstrations en environnement contrôlé, et non d'un produit commercial déployé ou d'un pilote industriel annoncé. ZEST s'inscrit dans les travaux du RAI Institute, laboratoire de recherche lié à Boston Dynamics et centré sur le contrôle et l'apprentissage pour robots à pattes, prolongeant des efforts visant à réduire la dépendance à l'ingénierie manuelle des contrôleurs. Le framework se positionne différemment des modèles vision-langage-action comme Pi-0 de Physical Intelligence, GR00T N2 de Nvidia ou Helix de Figure, qui ciblent surtout la manipulation : ZEST vise l'agilité locomotrice et les mouvements corporels complets, du crawl militaire au salto arrière. Il ne nécessite pas d'annotations explicites de contact au sol, ce qui allège la préparation des données de démonstration. Les auteurs indiquent que les prochaines étapes porteront sur l'adaptation zero-shot et few-shot ainsi que sur l'apprentissage continu, sans calendrier ni partenaire de déploiement précisés à ce stade.

Recherche❖Paper

1 source

48

70Interesting Engineering 

Nouveau robot humanoïde capable de courir, sauter et danser sur simple commande

Des chercheurs de NVIDIA ont présenté SONIC, un framework de contrôle pour robots humanoïdes capable de générer des mouvements corps entier à partir de plusieurs types d'entrées : téléopération, vidéo, texte ou musique. Plutôt que d'entraîner un contrôleur distinct par compétence, comme c'est la norme dans le secteur, SONIC repose sur une politique unique entraînée sur plus de 100 millions de frames de mouvement, issues d'environ 700 heures de capture de mouvement humain. Le modèle le plus grand compte 42 millions de paramètres, entraîné sur jusqu'à 128 GPU pour un total d'environ 21 000 heures GPU. Le système s'appuie sur un espace de tokens universel : des encodeurs spécialisés traitent le mouvement robotique, le mouvement humain et les commandes hybrides avant de les convertir en tokens quantifiés alimentant un décodeur de contrôle commun. Un planificateur cinématique en temps réel génère des segments de mouvement entre points clés et permet de replanifier en continu, sans réentraînement, pour changer de direction, de vitesse ou de style de déplacement. Déployé sur un robot humanoïde Unitree G1, SONIC a atteint un taux de réussite de 99,2% sur 123 séquences de mouvement réelles, contre 100% en simulation, soit un écart jugé faible entre les deux environnements. Le système a aussi été connecté à un modèle vision-langage-action. Cette approche répond à une limite structurelle du contrôle humanoïde actuel : la plupart des politiques existantes sont des réseaux de neurones relativement compacts, conçus pour une tâche précise, ce qui oblige à ré-ingénierer des objectifs et un entraînement à chaque nouveau comportement. En traitant le suivi de mouvement comme un problème d'apprentissage à grande échelle plutôt que comme une somme de compétences isolées, NVIDIA cherche à démontrer qu'une seule politique peut généraliser à des mouvements jamais vus à l'entraînement, une promesse centrale pour l'autonomie humanoïde généraliste. Pour les intégrateurs et décideurs industriels, l'enjeu dépasse la prouesse technique : un écart sim-to-real limité, associé à une architecture capable d'ingérer indifféremment vidéo, texte ou musique, laisse entrevoir des pipelines de déploiement plus rapides, sans réentraînement coûteux par cas d'usage. Le taux de succès de 99,2% porte toutefois sur un jeu de 123 séquences choisies par les chercheurs eux-mêmes, sans comparaison indépendante ni détail sur la nature exacte des tâches testées, une réserve à garder en tête avant d'en tirer des conclusions générales sur la robustesse en conditions réelles. SONIC s'inscrit dans la stratégie robotique plus large de NVIDIA, qui développe par ailleurs la plateforme de fondation GR00T, dont la version N2, ainsi que les outils de simulation Isaac utilisés pour l'apprentissage sim-to-real. Le champ du contrôle humanoïde généraliste est aussi disputé par Figure AI avec son système Helix, ou par des modèles vision-langage-action comme Pi-0 de Physical Intelligence, qui poursuivent des objectifs similaires de politique unique couvrant un large répertoire de comportements. Contrairement à un produit commercial livré, SONIC reste à ce stade une démonstration de recherche, publiée avec des résultats en simulation et sur un seul robot physique, le Unitree G1. L'équipe NVIDIA indique vouloir en faire une fondation sur laquelle brancher des couches de perception et de raisonnement de plus haut niveau, en vue d'une intégration future avec des modèles vision-langage-action, sans qu'aucun calendrier de déploiement commercial ni partenariat industriel n'ait été communiqué à ce stade.

IA physique❧Opinion

1 source

42

71Robotics Business Review 

Q2 2026 : la demande en robotique augmente dans tous les secteurs, selon A3

L'Association for Advancing Automation (A3) a publié ses chiffres du deuxième trimestre 2026 pour le marché nord-américain de la robotique industrielle. Les entreprises d'Amérique du Nord ont commandé 8 940 robots pour une valeur de 622 millions de dollars au T2 2026, soit une hausse de 4,3% en unités et de 21,3% en valeur par rapport au T2 2025. Sur le premier semestre 2026, le total atteint 17 995 unités pour 1,166 milliard de dollars, en progression de 2,0% en volume et 6,6% en valeur sur un an. Les commandes des constructeurs automobiles (OEM) ont chuté de 25% sur le semestre, après un T1 stable, mais cette baisse a été compensée par la croissance des semi-conducteurs et de l'électronique (+35% en unités sur le semestre, +38% au T2 seul), des sciences de la vie et du pharmaceutique (+32%, +9% au T2), des équipementiers automobiles (+24%, +20% au T2), de l'agroalimentaire et des biens de consommation (+17%, +18% au T2) et de la métallurgie (+3%, +18% au T2). Les clients hors automobile ont représenté 56% des unités commandées au T2. Les cobots ont pesé pour 2 774 unités et 114 millions de dollars sur le semestre, soit 15,4% des unités et 9,8% du chiffre d'affaires, dont 1 137 unités et 44 millions de dollars au seul T2. La santé (43,7% des commandes semestrielles) et l'électronique (36,5%) restent les plus gros adopteurs de cobots. Ces chiffres confirment une tendance déjà observée depuis plusieurs trimestres: la demande en robotique industrielle se diversifie et ne dépend plus principalement de l'automobile, longtemps moteur historique du secteur. Pour les intégrateurs et les décideurs industriels, le signal est clair: semi-conducteurs, pharma et agroalimentaire deviennent des relais de croissance aussi importants que l'automobile, ce qui redistribue les priorités d'investissement. La part croissante des cobots, notamment en santé et en électronique, illustre une adoption plus fine dans des environnements moins standardisés que les lignes automobiles classiques. Contrairement au récit dominant centré sur les robots humanoïdes et l'IA générative, ces données rappellent que l'automatisation industrielle classique, bras robotisés et cobots, reste le socle du marché en valeur comme en volume, avec une croissance adossée à des indicateurs macroéconomiques concrets plutôt qu'à des démonstrations technologiques. Ce rééquilibrage s'inscrit dans un contexte jugé porteur par A3: l'indice PMI manufacturier américain est resté en zone d'expansion pour un sixième mois consécutif en juin 2026, et les données de la Réserve fédérale indiquent une production manufacturière supérieure de 1,1% à son niveau de l'année précédente sur la même période. Alex Shikany, vice-président exécutif d'A3, souligne que l'automobile demeure un moteur de la demande mais que la croissance se diffuse désormais sur un éventail plus large de secteurs. A3 précise que ses comparaisons trimestrielles s'appuient sur une cohorte de déclarants constante, et que les résultats semestriels restent sensibles au calendrier des grands projets d'équipementiers automobiles ainsi qu'aux conditions économiques générales, une réserve méthodologique à garder à l'esprit face à ces pourcentages. L'association promeut par ailleurs sa conférence RoboBusiness 2026 auprès des professionnels du secteur.

Industriel❧Opinion

1 source

47

72Robohub 

Robotique : les feuilles de route mondiales

Une série mensuelle consacrée aux feuilles de route robotiques nationales vient d'être lancée, comparant les stratégies déployées à travers le monde pour piloter le développement de l'intelligence artificielle incarnée. Trois exemples structurent l'analyse. Aux États-Unis, la National Robotics Roadmap, portée de façon ascendante par le monde académique, pousse les pouvoirs publics à investir massivement dans la robotique collaborative. En Europe, l'agenda stratégique ADRA (Strategic Research, Innovation and Deployment Agenda), piloté par l'industrie, a obtenu la création d'un axe de financement dédié à l'IA physique dans le programme Horizon Europe. En Chine, le plan gouvernemental Made in China 2025 a structuré, sur une décennie, la bascule du pays d'un statut d'atelier à bas coût vers celui de leader technologique mondial, la robotique figurant parmi ses objectifs prioritaires. Pour les industriels, intégrateurs et décideurs du secteur, ces feuilles de route ne sont pas de simples déclarations d'intention : elles conditionnent directement les flux de financement public, les priorités de recherche académique et, in fine, la confiance des investisseurs privés prêts à parier sur telle ou telle filière robotique. Un agenda national clair et cohérent peut accélérer le transfert de technologies du laboratoire vers le marché, rassurer les capitaux privés et positionner un pays plus haut dans la chaîne de valeur mondiale. À l'inverse, l'absence de vision partagée entre chercheurs, industriels et pouvoirs publics ralentit l'adoption de technologies déjà matures. L'enjeu dépasse la seule robotique de production : la course mondiale à l'IA incarnée est présentée comme un facteur structurant pour les marchés du travail, les flux migratoires, la défense, le commerce et l'éducation dans la décennie à venir. Cette mise en perspective intervient alors que l'investissement en robotique est devenu une priorité nationale affichée dans de nombreux pays, chacun défendant des priorités façonnées par sa propre situation économique, géopolitique et culturelle. Certaines feuilles de route visent une ascension dans la chaîne de valeur industrielle mondiale, d'autres poursuivent un objectif de souveraineté technologique, jugé critique à une époque où les bouleversements numériques redessinent les rapports de force internationaux. Si des initiatives collaboratives internationales existent, la majorité des feuilles de route restent spécifiques à chaque pays. La série promet de consacrer, mois après mois, un article à un pays et à sa stratégie robotique, en détaillant ses priorités et les outils mobilisés, qu'il s'agisse de plans d'action fédéraux servant de directive aux institutions de recherche ou de textes rédigés par des coalitions d'experts pour fédérer une vision commune au sein de la communauté.

Regulation⚖Reglementation

1 source

49

73arXiv cs.RO 

Diffusion : un apprentissage de l'impédance pour la manipulation avec contacts multiples

Une équipe de chercheurs décrit sur arXiv (arXiv:2509.19696, quatrième version) Diffusion-Based Impedance Learning (DIL), un framework combinant un modèle de diffusion Transformer et un contrôle d'impédance classique pour la manipulation robotique en contact riche. Conditionne par cross-attention sur les forces et couples externes mesures, le modèle reconstruit des trajectoires simulées a force nulle (sZFT), complétées par un ordonnanceur de bruit quaternion SLERP pour les rotations. Un estimateur énergétique adapte ensuite en ligne la raideur et l'amortissement du bras. Entraine sur des démonstrations de franchissement d'obstacles et de robotique thérapeutique collectées via téléopération au casque Apple Vision Pro, avec seulement quelques dizaines de milliers d'échantillons, le modèle atteint une précision sous le millimètre et sous le degré. Deploye en temps réel sur un bras KUKA LBR iiwa, il obtient 100% de réussite sur une tache d'insertion peg-in-hole multi-géométries. La manipulation en contact riche (insertion, assemblage, interaction physique) reste un point faible des politiques robotiques purement apprises, qui peinent a garantir la sécurité lors du contact, tandis que le contrôle d'impédance classique exige un réglage manuel spécifique a chaque tache. En couplant les deux approches, ce travail vise a automatiser ce réglage tout en conservant les garanties de stabilité de l'impédance, un enjeu concret pour les intégrateurs qui déploient des bras collaboratifs sur des lignes d'assemblage ou en assistance thérapeutique. Les résultats restent toutefois ceux d'une démonstration de laboratoire, sur un seul bras et des taches contrôlées, et non d'un déploiement industriel a l'échelle. Le contrôle d'impédance, théorisé il y a plusieurs décennies, reste la référence pour l'interaction physique sure homme-robot, tandis que les modèles de diffusion se sont imposes plus récemment comme méthode d'apprentissage de politiques robotiques, a l'image des travaux sur les diffusion policies, sans toutefois bien couvrir les taches de contact face aux approches VLA généralistes comme Pi-0 ou GR00T N2. Le recours a l'Apple Vision Pro pour la téléopération illustre une tendance croissante a collecter des démonstrations via des casques de réalité mixte plutôt que des combinaisons de capture de mouvement dédiées. Le KUKA LBR iiwa, bras collaboratif a détection de couple du fabricant allemand KUKA, sert de plateforme d'essai. Code et vidéos sont publics, sans annonce de pilote industriel a ce stade.

Recherche❖Paper

1 source

47

74arXiv cs.RO 

Lost dans la reconstruction : aligner les représentations d'action et le langage dans les modèles vision-langage-action

Un article publié le 12 août 2026 sur arXiv (2608.10484) s'attaque à la tokenisation des trajectoires de mouvement dans les modèles vision-langage-action, ou VLA. Sur le jeu de données BridgeV2, les auteurs montrent que ces trajectoires portent des informations liées au sens des verbes d'instruction, au-delà des simples changements d'état visuel, et que les tokenizers classiques, entraînés à reconstruire le geste via des pertes L1/L2, effacent systématiquement cette information linguistique. Leur méthode, baptisée SALT pour Semantically ALigned action Tokenizer, ajoute à un tokenizer de type VQ-VAE un objectif auxiliaire: un modèle vision-langage figé doit retrouver l'instruction textuelle de l'épisode à partir des seuls latents d'action quantifiés. Sur le benchmark de simulation SimplerEnv, les politiques entraînées avec SALT atteignent 71,9% de réussite moyenne, contre 42,7% pour un VQ-VAE classique et 31,2% pour FAST. Ce résultat touche un choix de conception central pour toute la famille des VLA, celle qui sous-tend des systèmes comme Pi-0, GR00T ou Helix: comment découper des actions continues en tokens discrets avant l'entraînement. Jusqu'ici, la priorité allait à la fidélité de reconstruction du geste, sous l'hypothèse que minimiser l'erreur numérique suffisait à préserver le sens de l'instruction en langage naturel. L'écart de près de 30 points entre SALT et un VQ-VAE standard suggère qu'une part importante du sens se perd dès la tokenisation, indépendamment de la taille du modèle ou du volume de données. Pour les équipes qui construisent des politiques de contrôle conditionnées par le langage, obtenir un tel gain par un simple changement d'objectif d'entraînement du tokenizer, sans toucher à l'architecture principale, constitue un signal fort. Le travail s'inscrit dans le débat sur la tokenisation des actions robotiques, partagé entre les tokenizers de reconstruction type VQ-VAE et des approches comme FAST, développée par Physical Intelligence et utilisée dans la lignée Pi-0. SALT s'en distingue en conservant la fidélité de reconstruction tout en développant des codes discrets spécialisés par verbe d'action. Publié comme nouvelle soumission arXiv, le travail est validé uniquement en simulation via SimplerEnv, sans démonstration sur robot physique, laissant ouverte la question du transfert sim-to-real.

Recherche❧Opinion

1 source

47

75arXiv cs.RO 

Permettre un apprentissage kinesthésique à grande échelle par guidage manuel avec assistance active, sous supervision

Une équipe de recherche présente RHOAS, un système de guidage manuel assisté pour l'apprentissage par imitation en robotique, dans un article arXiv publié le 12 août 2026 (arXiv:2608.10847v1). Le guidage manuel classique, où l'opérateur déplace physiquement le bras du robot pour lui enseigner une tâche, provoque une fatigue qui dégrade la qualité des démonstrations lors de sessions longues. RHOAS assiste activement les mouvements voulus par l'opérateur via une estimation de couple externe basée sur un modèle, la mesure de couple articulaire interne et l'exploitation de la cinématique redondante du robot, sans capteur supplémentaire. Une étude menée avec 16 participants sur un bras KUKA LWR iiwa montre une réduction statistiquement significative de l'effort physique fourni et une préférence nette des utilisateurs par rapport aux méthodes existantes. Le travail cible un goulot d'étranglement connu de l'apprentissage par imitation : la collecte de démonstrations physiques à grande échelle pour entraîner des politiques robotiques. Les systèmes industriels de guidage manuel n'offrent généralement aucune assistance active, et les alternatives existantes exigent soit des capteurs force-couple au poignet, coûteux et rarement déployés en production, soit des modèles de mouvement pré-appris, donc inutilisables sur une tâche inédite. En traitant le guidage comme une interaction activement contrôlée par l'humain plutôt qu'un contact avec un environnement passif, RHOAS s'écarte des architectures de compliance passive habituelles, qui alourdissent l'effort demandé et restreignent les mouvements démontrables. Pour les intégrateurs et laboratoires de robotique, cela laisse entrevoir une collecte de démonstrations moins coûteuse en matériel et plus rapide à adapter à de nouvelles tâches, un enjeu direct pour l'entraînement à l'échelle des politiques de type vision-langage-action. La méthode s'appuie sur la gamme de bras légers KUKA LWR/LBR iiwa, plateforme européenne réputée pour ses capteurs de couple articulaire intégrés et largement utilisée en recherche académique sur le contrôle en impédance et en admittance. Il s'agit d'une contribution de recherche publiée en preprint, validée sur une seule plateforme robotique et un panel restreint de 16 participants, et non d'un produit commercialisé : aucun partenariat industriel ni calendrier de transfert vers le marché n'est annoncé. Les auteurs positionnent explicitement RHOAS face aux approches passives standards de l'industrie et aux dispositifs à capteurs force-couple externes. La suite logique pour ce type de travaux serait une extension à d'autres bras redondants et une intégration dans des chaînes de collecte de démonstrations destinées à l'entraînement de modèles d'apprentissage par imitation à grande échelle.

Recherche❖Paper

1 source

45

76arXiv cs.RO 

OmniVTA : modélisation du monde visuo-tactile pour la manipulation robotique en contact riche

Une équipe de recherche présente sur arXiv (arXiv:2603.19201v3) OmniVTA, un framework de manipulation robotique visuo-tactile adosse a OmniViTac, un jeu de données de plus de 21 000 trajectoires couvrant 86 taches et plus de 100 objets repartis en six catégories d'interaction physique comme l'essuyage ou l'assemblage. Le système combine un encodeur tactile auto-supervise, un modèle du monde visuo-tactile a deux flux prédisant l'évolution du contact a court terme, une politique de fusion sensible au contact générant les actions, et un contrôleur réflexe a 60 Hz corrigeant en boucle fermée les écarts entre signal tactile prédit et observe. Teste sur robot réel dans les six catégories, OmniVTA dépasse les méthodes existantes et généralisé a des objets et configurations non vus ; les auteurs annoncent la publication future des données, modèles et code sur mrsecant.github.io/OmniVTA. Le résultat cible un angle mort connu de la manipulation industrielle : l'assemblage, le polissage ou le nettoyage exigent de percevoir des forces de contact, des changements de friction et des transitions d'état que la vision seule ne capture pas fiablement. La plupart des systèmes actuels traitent le tactile comme une observation passive, alors qu'OmniVTA en fait une variable prédictive exploitée en boucle fermée a haute fréquence, ce qui améliore la robustesse face a des objets inconnus. Pour les intégrateurs visant des bras ou des mains capables de gestes fins comme l'insertion de connecteurs, cette généralisation hors distribution répond a un point faible récurrent des démonstrations de manipulation, souvent performantes seulement sur les objets vus a l'entrainement. Ce travail s'inscrit dans un intérêt croissant pour la manipulation visuo-tactile, jusque-la freine par des jeux de données restreints en échelle et en diversité de taches, limite que le dataset OmniViTac vise a combler. Il s'agit d'une publication académique, pas d'un produit commercial ni d'un déploiement industriel annonce : le papier, une version révisée sur arXiv, ne cite ni date de disponibilité ni partenaire intégrateur, et l'ouverture promise du code et des données reste pour l'instant une intention. L'article ne précise pas le matériel exact (bras, main, capteurs tactiles) utilise pour les expériences, ce qui limite l'évaluation de sa portée industrielle immédiate.

Recherche❖Paper

1 source

45

77arXiv cs.RO 

Vers les limites cognitivo-physiques de l'intelligence incarnée : un agent de course autonome centré sur un modèle du monde

Une équipe de recherche publie sur arXiv (article 2608.10618v1) un système baptisé agent de course autonome centré sur un modèle du monde, conçu pour sonder les limites conjointes cognitives et physiques de l'intelligence incarnée. Les données d'entraînement proviennent d'essais réels sur véhicule, où le système embarqué a maintenu une localisation et une perception robustes jusqu'à 256,3 km/h, avec une accélération latérale de pointe de 26,8 m/s². Le framework construit un état du monde, raisonne de manière anticipative sur les événements futurs, et pilote le véhicule près de ses limites physiques dans une boucle de raffinement fermée, en apprenant à la fois des réussites et des échecs proches de la limite. En simulation complète de course, l'agent entraîné atteint un taux de réussite d'interaction de 88,3% sur un ensemble de scénarios de course simulés jugés difficiles. L'enjeu dépasse la course automobile : la plupart des systèmes d'IA incarnée sont aujourd'hui évalués avec des marges de sécurité conservatrices, ce qui laisse mal comprises leurs limites réelles de capacité en conditions extrêmes. La course autonome sert ici de banc d'essai exigeant, combinant perception haute fréquence, interactions adversariales et dynamique du véhicule quasi saturée, un cadre plus contraignant que les tests habituels en robotique ou en conduite autonome. Le résultat suggère qu'un modèle du monde peut aider un agent à représenter et affiner en continu ses frontières de capacité plutôt que de se contenter de les éviter par prudence, une piste potentiellement transférable à d'autres systèmes robotiques ou véhicules autonomes où la marge entre performance et sécurité reste mal quantifiée. Le travail se positionne face aux systèmes de course autonome existants, qui repoussent les performances à haute vitesse sans modéliser conjointement les limites cognitives et physiques ni les affiner de manière couplée. Il s'agit à ce stade d'un article de recherche déposé sur arXiv, sans précision sur un véhicule commercial, un partenaire industriel ou un calendrier de déploiement : aucune indication n'est donnée sur une application produit ou un pilote à venir. Les auteurs présentent le raffinement en boucle fermée du modèle du monde et de la politique de contrôle comme une piste pour améliorer la récupération après échec et la généralisation à des circuits inédits, posant les bases d'une méthodologie consciente des limites pour un déploiement plus sûr des agents incarnés dans le monde réel.

Recherche❖Paper

1 source

45

78arXiv cs.RO 

OAA : trois phases de guidage vocal en téléopération homme-drone

Des chercheurs publient sur arXiv (préprint 2608.10651v1) une étude intitulée "OAA: Three Phases of Vocal Guidance in Human-Drone Teleoperation". En croisant capture de mouvement et données vocales, ils comparent deux configurations expérimentales: un guidage humain-humain par pointage du doigt (10 dyades) et une téléopération humain-drone par manette de jeu (29 dyades). Le résultat central est que le guidage vocal spontané s'organise systématiquement en trois phases cinématiques et linguistiques distinctes, baptisées Orientation, Approche et Ajustement. Ces phases sont détectées automatiquement par analyse de points de rupture sur les trajectoires 3D, puis validées statistiquement par un test de Kruskal-Wallis (p<.001). Trois familles lexicales se retrouvent dans les deux configurations: un vocabulaire de rotation marque la phase d'Orientation, un vocabulaire de translation quasiment absent à ce stade, et des atténuateurs (formulations adoucissantes) qui s'accumulent vers l'Ajustement. Le silence entre énoncés, combiné à ces marqueurs lexicaux, permet de repérer la limite de la phase d'Orientation, que le seul débit de parole ne révèle pas. Pour les concepteurs de systèmes de téléopération vocale (drones, robots mobiles, bras manipulateurs), cette structure en trois temps fournit une base concrète pour bâtir des commandes adaptatives "OAA-aware", capables d'ajuster sensibilité et niveau d'autonomie partagée selon la phase de guidage détectée, plutôt que de traiter la parole comme un flux stationnaire. C'est une remise en cause directe de l'hypothèse implicite de la plupart des systèmes de commande vocale actuels, qui ignorent l'évolution temporelle du comportement communicatif de l'opérateur. Le fait que la même structure en trois phases apparaisse aussi bien avec un pointage du doigt qu'avec une manette de jeu suggère qu'il s'agit d'une propriété intrinsèque du guidage spatial humain, et non d'un artefact du protocole testé, ce qui renforce sa généralisabilité potentielle vers d'autres interfaces (réalité virtuelle, commande gestuelle, exosquelettes). Le travail s'inscrit dans le champ de l'interaction homme-robot et de la téléopération assistée par la voix, un domaine où les systèmes existants traitent généralement les commandes comme un signal figé, sans modéliser la dynamique du guide au fil de la tâche. En combinant deux protocoles distincts, l'équipe cherche à établir un cadre transférable entre guidage interpersonnel et pilotage de drone. Il s'agit d'un travail de recherche fondamentale publié en préprint, sans déploiement industriel ni partenaire commercial annoncé à ce stade. Les auteurs indiquent vouloir approfondir les implications pour des architectures de commande sensibles aux phases OAA en téléopération vocale, sans toutefois fournir de calendrier précis pour une mise en œuvre opérationnelle.

Recherche❖Paper

1 source

45

79arXiv cs.RO 

Modèle vision-langage-action Flex-π : un modèle du monde à multi-flux avec flexibilité de calcul

Une équipe de recherche présente Flex-π, un modèle monde-action (WAM) de 6 milliards de paramètres, détaillé dans un article déposé sur arXiv (2608.10860v1). Sa base est une découverte inattendue : l'encodeur VAE gelé, utilisé pour la génération vidéo et l'encodage RGB, retranscrit aussi presque sans perte les cartes de points 3D, sans entraînement dédié. Cela permet de superviser Flex-π sur la géométrie 3D et la sémantique objet-centrée DINO en plus du RGB, sans capteur, pré-entraînement supplémentaire ni surcoût de latence, dans une architecture Mixture-of-Transformers qui débruite conjointement ces signaux et les actions. Un dropout par flux avec renforcement inter-modalités permet à un même checkpoint de tourner du mode action seule jusqu'à la génération jointe complète ; sur des tâches de manipulation bimanuelle dextre et précise en conditions réelles, Flex-π bat les meilleures références de 2 à 7 fois tout en restant plus rapide que π0.5. Ce résultat comble une limite connue des modèles monde, qui prédisent surtout des pixels sans ancrage 3D ni compréhension sémantique des objets, ce qui freinait leur utilité pour la manipulation fine. Flex-π montre qu'un signal géométrique riche peut être extrait gratuitement d'un VAE vidéo déjà entraîné, sans caméra de profondeur ni pipeline 3D dédié, ce qui abaisse la barrière d'entrée pour les équipes de robotique. Sa flexibilité de calcul et son efficacité en démonstrations, avec des gains de 2 à 7x avec moins de données, répondent à deux freins des VLA (vision-language-action) : le coût d'intégration et le coût de collecte de données par tâche. Flex-π reste à ce stade une publication de recherche accompagnée d'un site de démonstration (flex-pi.github.io), sans annonce de produit commercial ni de déploiement industriel. La comparaison directe avec π0.5, le modèle de référence de Physical Intelligence, le positionne dans la course aux modèles vision-langage-action généralistes, aux côtés d'efforts comme GR00T N2 de NVIDIA ou Helix de Figure AI. L'article ne précise ni l'institution porteuse ni de calendrier, et ses résultats reposent sur des benchmarks internes plutôt que sur un déploiement chez un intégrateur tiers.

IA physique⚡Actu

1 source

45

80arXiv cs.RO 

JEPA-WAM : prédiction d'embeddings conjoints par étapes pour les modèles monde-action en manipulation robotique

Des chercheurs présentent JEPA-WAM (arXiv:2608.10780), qui ajoute a un World-Action Model fonde sur Motus un module Stage-JEPA, un prédicteur Joint-Embedding Predictive Architecture conditionne par objectif. L'architecture distingue un futur physique court terme, capturant l'évolution locale de la scene pour l'exécution du geste, d'un futur sémantique au niveau de l'étape, qui représente la progression de la tache d'une phase a la suivante. Stage-JEPA s'appuie sur un encodeur V-JEPA2 gelé pour extraire l'état courant a partir de l'observation et de l'instruction, puis prédit la cible latente de l'étape suivante inférée. Sur 50 taches du benchmark de simulation RoboTwin 2.0, en environnements propres et randomises, le système atteint 90,25 % de réussite globale et réduit de 5,97 % le nombre moyen d'étapes d'exécution dans les épisodes réussis par rapport a la meilleure base de comparaison testée. Ce travail cible une limite connue des politiques vision-langage-action généralistes : la plupart représentent le futur comme un court segment vidéo-action fixe, ce qui capture la dynamique locale mais ignore la progression d'une tache a plusieurs étapes. En séparant prédiction court terme et planification sémantique par étape, JEPA-WAM propose une piste pour réduire l'écart entre réactivité immédiate et raisonnement a plus long horizon, un enjeu partage par des architectures comme Pi-0, GR00T N2 ou Helix qui visent la généralisation entre taches. Le gain de 5,97 % en nombre d'étapes suggère une meilleure efficacité d'exécution sans perte de taux de réussite, un signal utile pour des intégrateurs cherchant a raccourcir les cycles, même si ces résultats restent obtenus en simulation et non en déploiement réel. L'approche s'inscrit dans la lignée des architectures Joint-Embedding Predictive popularisées par V-JEPA et V-JEPA2, des modèles du monde auto-supervises entraines sur vidéo et repris ici comme encodeur gelé plutôt que reentraine. Le choix d'un WAM fonde sur Motus situe la contribution dans la famille grandissante des modèles combinant prédiction du monde et génération d'action, en concurrence avec les approches VLA de Physical Intelligence (Pi-0), Nvidia (GR00T N2) ou Figure (Helix) ; aucun acteur européen n'apparait dans cette publication. L'article, publie sur arXiv sous la référence 2608.10780, ne fixe aucun calendrier de transfert vers des robots physiques ni de partenariat industriel, l'étape suivante habituelle pour ce type de recherche étant la validation hors simulation avant toute intégration commerciale.

Recherche❖Paper

1 source

44

81arXiv cs.RO 

Quand votre estimateur d'état perd le fil : détecter les défaillances par analyse spectrale

Une équipe de recherche propose dans un preprint publié sur arXiv (2608.10623v1) une méthode d'analyse spectrale pour détecter automatiquement les défaillances des estimateurs d'état embarqués sur robots, un problème critique quand des perturbations non modélisées, comme l'aliasing capteur ou du bruit hors distribution, dégradent silencieusement la localisation. Le procédé, agnostique au type de capteur, examine la distribution de puissance en fréquence des estimations de vitesse récentes, en s'appuyant sur des indicateurs comme la puissance du signal, la largeur de bande spectrale et l'entropie. Il a été testé sur des données de vol extérieur d'un robot aérien équipé de trois architectures d'odométrie fondamentalement différentes : visuo-inertielle, LiDAR-inertielle et radar-inertielle, un jeu de données incluant plusieurs pannes d'estimateur réellement survenues. Les résultats montrent des différences spectrales cohérentes entre estimations saines et dégradées, avec une détection de 51 à 58 % des pannes labellisées, pour une précision de 60 à 84 % selon les trois frameworks testés. Pour l'industrie robotique, ce travail répond à un angle mort réel : les mesures d'incertitude classiques, comme les covariances issues des filtres de Kalman, reposent sur des hypothèses idéalisées et se révèlent souvent trop optimistes lorsqu'un capteur dérive ou tombe en panne, tandis que les approches data-driven plus récentes restent cantonnées aux distributions vues à l'entraînement et généralisent mal en conditions réelles. Une méthode légère, indépendante du capteur et transférable entre plusieurs types d'odométrie représente un complément utile pour les intégrateurs de drones et robots mobiles autonomes qui doivent diagnostiquer en temps réel la fiabilité de leur navigation, sans dépendre d'un réentraînement coûteux à chaque nouveau capteur ou environnement. Les taux de détection restent toutefois modestes, sous les deux tiers des pannes, ce qui limite pour l'instant son usage à un outil complémentaire plutôt qu'à un système de sécurité autonome. Ce travail s'inscrit dans la lignée des recherches sur la robustesse des systèmes de navigation embarquée, où la fusion visuo-inertielle, LiDAR-inertielle et radar-inertielle sert de référence standard pour l'estimation d'état en environnement extérieur. En comparant trois architectures capteurs distinctes plutôt qu'une seule, les auteurs cherchent à démontrer la généralité de leur approche introspective. Publié en tant que preprint, l'article appelle explicitement à des investigations futures pour affiner les seuils de détection et améliorer la précision, sans préciser à ce stade de calendrier d'intégration dans des systèmes robotiques commerciaux.

Recherche❖Paper

1 source

44

82arXiv cs.RO 

PBD-AG : graphes actifs delta-référence persistants avec inspection sensible à l'incertitude pour robots de service à long horizon

Des chercheurs ont publié sur arXiv en août 2026 (référence 2608.10449) un article présentant PBD-AG (Persistent Baseline-Delta Active Graphs), un système de cartographie persistante pour robots de service à horizon long. Le robot explore seul un environnement inconnu pour bâtir une base structurelle de repères fixes, comme les meubles, puis inspecte ces éléments pour ancrer des croyances sur leur géométrie, leur identité, leur existence et leurs relations de support, chacune pondérée par un score de fiabilité. Les objets mobiles sont suivis séparément comme événements révisables, avec une porte de visibilité qui évite de les effacer à tort lors d'occlusions temporaires. En simulation, sur plusieurs environnements, PBD-AG obtient un score F1 agrégé supérieur à des méthodes comparables, sans que les valeurs exactes soient publiées dans le résumé, et une démonstration qualitative sur robot physique illustre l'intégration avec les capteurs embarqués. Ce travail cible un point de friction connu des déploiements longue durée en entrepôt, en hôpital ou à domicile : un robot ne peut ni repartir d'une carte figée ni recalculer sans cesse son environnement au risque d'accumuler des dérives de localisation. Les alternatives existantes butent soit sur l'accumulation d'erreurs des cartographies en ligne, soit sur des représentations statiques incapables de suivre les changements persistants, soit sur des prédictions de modèles vision-langage sans preuve géométrique 3D vérifiable, un défaut souvent reproché aux systèmes VLA. En ancrant ses croyances dans une géométrie vérifiée plutôt que dans une seule inférence sémantique, PBD-AG apporte un argument concret au débat sur l'écart entre démonstrations et robustesse réelle. La validation reste toutefois très majoritairement simulée, avec une seule démonstration qualitative sur robot physique, loin d'une preuve de tenue sur plusieurs semaines de déploiement continu. PBD-AG s'inscrit dans la lignée des recherches sur les graphes de scène persistants et la cartographie sémantique pour la robotique, un terrain occupé depuis plusieurs années par le SLAM en ligne et les graphes de scène statiques, et plus récemment par des approches fondées sur les modèles vision-langage. Aucune entreprise n'est associée à cette publication académique ; le projet est hébergé sur une simple page GitHub, sans code source public ni calendrier de portage vers une plateforme commerciale annoncé.

Recherche❖Paper

1 source

44

83arXiv cs.RO 

Cooperative bimanual dexterous grasp d'objets volumineux avec observation en vue unique

Une équipe de chercheurs a publie le 10 aout 2026 une preprint arXiv (2608.10383v1) présentant un système de préhension bimanuelle dexterisee capable de saisir des objets volumineux en conditions réelles, un problème jusqu'ici traite presque exclusivement en simulation. Le framework combine trois éléments: un jeu de données multimodal réunissant angles articulaires, images et signaux de force; un module de diffusion probabiliste par debruitage (DDPM) qui génère des configurations de préhension au niveau des articulations a partir de nuages de points segmentes issus d'une seule vue; et une stratégie d'exécution associant planification de trajectoire et raffinement en ligne de la prise pour garantir stabilité physique. Teste sur un robot a deux bras, le système affiche des taux de réussite élèves sur des objets inédits, de formes et de poses variées, et des études d'ablation confirment l'apport de chaque composant. L'apport principal tient au caractère coopératif et synchrone de la prise: la plupart des travaux existants sur la manipulation a deux bras restent séquentiels, un bras agissant après l'autre, une approche inadaptée au transport d'objets encombrants comme des cartons, plateaux ou pièces longues. En se contentant d'une seule vue plutôt que d'un modèle 3D complet de l'objet, souvent lourd a calculer et fragile hors environnement contrôle, l'approche se rapproche des contraintes réelles des lignes logistiques et cellules d'assemblage, ou une camera unique est la norme. Pour les intégrateurs évaluant des solutions de préhension dexterisee, ce travail illustre un effort actif pour combler l'écart entre démonstrations en simulation et fiabilité réelle, sans constituer a ce stade un produit commercial. Cette contribution s'inscrit dans la lignée des recherches en manipulation dexterisee assistée par apprentissage profond, ou les modèles de diffusion sont devenus un outil courant pour générer des prises complexes a partir de données visuelles bruitées. Les auteurs positionnent explicitement leur travail face aux méthodes antérieures, limitées soit a la simulation, soit a une manipulation séquentielle, deux contraintes qu'ils cherchent a lever simultanément. Le papier ne mentionne ni partenaire industriel ni calendrier de transfert produit: il s'agit d'une preuve de concept académique, dont la robustesse reste a confirmer sur une plus grande diversité d'objets et d'environnements avant toute application industrielle.

Recherche❖Paper

1 source

43

84arXiv cs.RO 

GESTO : mémoire spatio-temporelle centrée sur l'humain pour le raisonnement dans des scènes dynamiques

Des chercheurs présentent GESTO (Grounded Event and Spatio-Temporal memOry), un système de mémoire spatio-temporelle destiné aux robots évoluant dans des environnements humains, décrit dans l'article arXiv:2608.10886v1 publié fin août 2026. GESTO combine un graphe de scène 4D persistant avec une hiérarchie à deux niveaux : les interactions homme-objet atomiques et les événements orientés vers un objectif. À partir d'un flux d'observation RGB-D, le système extrait automatiquement des interactions horodatées, les rattache à des entités de scène persistantes, les regroupe en événements, puis utilise le contexte de ces événements pour affiner les associations d'objets incertaines. Un agent d'appel d'outils sensible aux relations interroge ensuite cette mémoire pour un raisonnement centré sur l'activité. Sur les catégories texte, binaire et temporelle d'un benchmark existant, GESTO obtient des scores de 0,71, 0,75 et 0,70, se rapprochant d'une méthode disposant d'un ancrage événementiel et objet de référence (vérité terrain), tout en surpassant nettement la même architecture de raisonnement privée de ces informations. Sur 40 nouvelles requêtes Space2Event et Event2Space créées pour l'évaluation, il atteint 0,73 et 0,75. Cette publication comble un vide identifié entre deux familles d'approches : les graphes de scène 4D, qui conservent l'historique des objets et des lieux mais ignorent la structure des activités, et les représentations d'activités, généralement non ancrées dans une scène 3D persistante ou dépendantes de limites d'événements et d'associations d'objets fournies de l'extérieur. Pour l'industrie robotique, l'enjeu concerne les robots de service ou domestiques amenés à répondre à des questions rétrospectives du type qui a utilisé cet objet et dans quel but, plutôt que de simplement localiser des objets dans l'espace. Les scores rapportés, encore en dessous d'une référence disposant d'informations parfaites, situent GESTO comme une avancée de recherche crédible plutôt qu'un système prêt pour la production : le gain démontré est la capacité à approcher une performance oracle sans supervision externe sur les événements ou les objets. Les auteurs positionnent GESTO à l'intersection de deux littératures jusque-là disjointes, celle des graphes de scène 4D et celle des représentations d'activités humaines, en s'appuyant sur un flux RGB-D comme entrée unique. Leurs études d'ablation montrent que la structure hiérarchique des événements et l'affinage de l'ancrage sensible au contexte apportent des bénéfices complémentaires, chacun contribuant séparément à la performance globale. L'article ne mentionne aucun partenaire industriel, site de déploiement ni calendrier de commercialisation : il s'agit d'une contribution de recherche évaluée sur un benchmark existant enrichi de 40 requêtes conçues par les auteurs, sans acteur français ou européen cité. Les suites naturelles, non détaillées dans le résumé, porteraient sur l'extension à des scènes plus longues et des interactions plus variées, ainsi que sur une intégration à des piles complètes de planification robotique.

Recherche❖Paper

1 source

43

85arXiv cs.RO 

AECNav : consolidation active de preuves pour la navigation vers un objet à vocabulaire ouvert en zero-shot

Un article publié sur arXiv sous la référence 2608.10817v1 présente AECNav, un pipeline sans entraînement pour la navigation "zero-shot" vers un objet en vocabulaire ouvert, où un robot doit localiser un objet désigné arbitrairement dans un environnement inconnu. Le système combine une perception à encodage partagé qui élimine les calculs redondants, une consolidation des preuves en croyances de type log-odds par cluster d'objets pour distinguer une vraie cible d'un distracteur visuellement proche, et une exploration active qui privilégie les frontières au meilleur gain d'information pour le moindre coût de déplacement. Sur les benchmarks HM3D-v2, HM3D-OVON et MP3D, il atteint des taux de réussite de 84,7%, 57,3% et 51,3%, et affiche 95% de succès sur 40 essais menés sur un robot quadrupède physique, à environ 5 Hz. Ces résultats répondent à deux limites connues des pipelines zero-shot en vocabulaire ouvert : la latence élevée et le manque de preuves fiables pour confirmer une cible, deux facteurs qui freinent le passage de la démonstration simulée au déploiement réel. En traitant l'absence de détection comme une preuve négative, AECNav réduit les faux positifs causés par des objets visuellement proches de la cible, un problème classique des robots mobiles autonomes. Pour les intégrateurs évaluant des architectures de navigation sémantique ou vision-language-action, la validation sur un robot quadrupède physique, plutôt qu'une simple vidéo sélectionnée, suggère que le zero-shot en vocabulaire ouvert approche de taux de réussite exploitables hors simulation, même si l'échantillon de 40 essais reste limité pour conclure à une robustesse à grande échelle. Le texte est une prépublication arXiv en attente de relecture ; les auteurs précisent que le code ne sera publié qu'après acceptation, ce qui situe ces travaux côté recherche plutôt que produit commercial. AECNav s'inscrit dans la lignée des méthodes de navigation zero-shot déjà explorées par la communauté robotique, dont beaucoup souffrent de pipelines de perception redondants, un défaut que son encodage partagé vise à corriger. Aucun laboratoire, entreprise ou plateforme robotique commerciale n'est nommé dans le résumé ; les essais ont porté sur un robot quadrupède non identifié. La suite logique, si l'article est accepté, passera par la publication du code et des tests à plus grande échelle.

Recherche❖Paper

1 source

43

86arXiv cs.RO 

Grounding multimodal incarné pour la manipulation mobile à vocabulaire ouvert via Gaussian Splatting sémantique 3D

Une équipe de recherche présente, dans un preprint publié sur arXiv (2608.10756v1) début août 2026, un nouveau système de manipulation mobile robotique combinant vision, langage et géométrie 3D. Baptisé Semantic-3DGS, le framework s'appuie sur du Gaussian Splatting sémantique multi-vues actif, un positionnement du socle du robot conditionné par l'atteignabilité de la cible, et une politique vision-langage-action (VLA) basée sur la diffusion. Les indices sémantiques 3D ne sont injectés que dans les derniers blocs de l'expert d'action, afin de préserver les a priori du modèle pré-entraîné. Testé sur 50 essais réels par tâche dans des espaces domestiques, le système complet atteint 60% de réussite sur des tâches longues, contre 40% pour PointVLA et 28% pour DexVLA, deux approches VLA de référence. En environnement fortement encombré, il grimpe à 74% de réussite, contre 52% pour une variante mono-vue et 46% pour PointVLA. Le système conserve 75% de réussite même après un décalage de hauteur de caméra de 75 cm, et supprime les erreurs de préhension déclenchées par des photos d'objets plutôt que les objets réels. Ces résultats ciblent un point faible connu des politiques VLA actuelles: leur dépendance à des représentations 2D ou implicites qui s'effondrent dès que la scène change de point de vue, se charge d'objets ou présente des leurres visuels comme une photo d'objet. En montrant qu'un ancrage 3D sémantique explicite et réactualisable améliore la robustesse de 20 à 30 points de réussite selon les scénarios, l'étude nuance l'idée que les grands modèles VLA généralistes suffiraient seuls à garantir une manipulation fiable hors laboratoire. Pour les intégrateurs et les équipes R&D en robotique domestique et industrielle, le signal est clair: l'écart entre démonstrations soignées et déploiement en environnement encombré reste largement une question de perception 3D, pas seulement de politique d'action. Cela conforte une tendance plus large à hybrider les architectures VLA avec des représentations spatiales explicites plutôt que de tout confier à l'apprentissage bout en bout. Le travail s'inscrit dans la lignée des méthodes de rendu par Gaussian Splatting, popularisées pour la reconstruction de scènes 3D, ici détournées vers l'ancrage sémantique en robotique. Il se positionne explicitement contre PointVLA et DexVLA, deux approches représentatives de l'état de l'art en VLA pour la manipulation, utilisées comme lignes de base dans les tests. Contrairement aux annonces commerciales du secteur, comme Pi-0 de Physical Intelligence, GR00T N2 de NVIDIA ou Helix de Figure, il s'agit ici d'une contribution académique publiée en preprint, sans robot commercial ni calendrier de déploiement associé. Aucun acteur français ou européen n'est cité dans l'étude. Les auteurs présentent leurs résultats comme une preuve de concept en laboratoire, sur des tâches de manipulation en espace domestique restreint et en few-shot, plutôt qu'un système prêt pour un déploiement à grande échelle.

Recherche⚡Actu

1 source

43

87arXiv cs.RO 

Whole-body planning pour humanoïdes en espace confiné : évitement des auto-collisions

Des chercheurs ont publié sur arXiv, sous la référence 2608.10220, un nouveau framework de planification de mouvement "corps entier" en trois étapes destiné à la locomotion humanoïde dans des espaces fortement confinés. L'approche a été validée sur le robot humanoïde Unitree G1, à travers trois bancs d'essai dépassant les normes NIST applicables à l'intervention d'urgence, avec des ratios de confinement inférieurs à 1,5 (Cr < 1,5). Le système génère des trajectoires faisables sur des tâches de 12 à 18 secondes impliquant des contacts complexes des pieds et des mains, là où les méthodes de référence standard échouent. Concrètement, la planification cinématique s'effectue directement sur des volumes de corps rigide atteignables plutôt que sur une abstraction "particule" du robot ; un module d'évitement de collision différentiable, intégré à une formulation contrainte par l'atteignabilité, produit des guides informés par le volume qui orientent ensuite un optimiseur de trajectoire complet sur de longs horizons temporels. Ces plans optimisés servent enfin de référence pour entraîner une politique d'apprentissage par renforcement résiduelle, chargée de l'exécution robuste en ligne. Toute la validation, y compris celle de la politique apprise sous randomisation étendue du domaine, a été réalisée en simulation physique, sans mention de test sur robot réel. L'enjeu identifié par les auteurs est concret : les optimiseurs de trajectoire classiques, qui représentent le robot par des splines sur une abstraction ponctuelle, peinent à naviguer les vastes espaces de collision propres aux environnements confinés et tombent dans des minima locaux médiocres. En combinant planification géométrique par volumes et apprentissage résiduel, ce travail illustre une tendance de fond dans la recherche en robotique humanoïde : dépasser les démonstrations en espace ouvert pour s'attaquer à des scénarios exigus et multi-contacts, comme les décombres, les tunnels ou les espaces industriels denses, qui restent un angle mort pour la plupart des piles de contrôle actuelles. Pour les intégrateurs et décideurs B2B suivant la course aux humanoïdes, l'intérêt réside moins dans un produit prêt à déployer que dans la preuve de concept : un pipeline planification puis apprentissage par renforcement peut tenir des contraintes de contact complexes que les méthodes purement optimisées ne résolvent pas. Il faut toutefois noter que cette démonstration reste cantonnée à la simulation physique, ce qui en fait un jalon de recherche plutôt qu'un déploiement terrain. Le papier s'inscrit dans un courant de recherche académique sur la planification de mouvement pour humanoïdes, distinct des approches de bout en bout par modèles vision-langage-action comme GR00T N2 ou Helix, qui misent sur l'apprentissage direct de politiques à partir de données plutôt que sur l'optimisation explicite de trajectoires. Le choix du Unitree G1, plateforme largement utilisée par les laboratoires académiques pour sa disponibilité et son coût, confirme son rôle de banc d'essai de référence, aux côtés de robots comme Figure 03 ou Optimus chez les acteurs commerciaux. Aucune entreprise ni laboratoire n'est nommé dans l'abstract, et aucun calendrier de portage vers le matériel réel n'est communiqué ; les auteurs positionnent volontairement leurs bancs d'essai au-delà des normes NIST d'intervention d'urgence, suggérant une visée vers la robotique de secours et l'inspection en espaces restreints, sans qu'aucun pilote ni partenariat ne soit pour l'instant annoncé.

Recherche❖Paper

1 source

43

88arXiv cs.RO 

Un robot volant humanoïde sans queue de 26 grammes, inspiré du papillon, avec contrôle d'assiette embarqué

AirPulse, un robot volant à ailes battantes de 26 grammes inspiré du papillon, est décrit dans une preprint arXiv (2602.06811, version 3) publiée début 2026. Sans queue, doté de deux ailes à nervation bio-inspirée, l'appareil intègre à bord capteurs, calcul et alimentation, ce qui en fait, selon les auteurs, la plateforme volante la plus légère parmi les robots bio-inspirés comparables. Grâce à une stratégie de contrôle nommée Stroke Timing Asymmetry Rhythm (STAR), qui lisse les variations de vitesse de battement sans changer la fréquence moyenne, l'appareil a réalisé en vol libre et sans fil un contrôle stable du tangage et de la trajectoire en montée et en virage. Les robots à ailes battantes inspirés des insectes butent généralement sur un problème connu : une dynamique corporelle synchrone au battement et une inertie variable dans le temps, difficiles à stabiliser à faible masse. En démontrant un contrôle d'attitude en boucle fermée et sans fil sur une plateforme de 26 grammes, calcul et énergie embarqués, AirPulse dépasse le stade des démonstrations assistées par câble qui dominent encore ce domaine de recherche. Pour les laboratoires travaillant sur les micro-véhicules aériens, ce résultat ouvre une piste vers des usages en espaces confinés et sensibles, là où les rotors rigides classiques restent trop bruyants ou encombrants. Il s'agit toutefois d'un résultat de recherche publié sur arXiv et validé en laboratoire, pas d'un produit commercial, et l'écart avec un déploiement opérationnel reste important. Le domaine des robots à ailes battantes bio-inspirés oppose traditionnellement des plateformes très légères mais reliées à un fil, à des robots autonomes plus lourds et complexes. AirPulse cherche à réunir les deux, autonomie embarquée et masse minimale, avec des ailes souples battant à basse fréquence, plus proches biomécaniquement du papillon que des rotors rigides des drones classiques. La stratégie STAR répond en particulier au problème de stabilité posé par l'absence de queue, qui prive l'appareil de la stabilisation passive normalement assurée par un empennage. Les auteurs présentent ce travail comme une base pour de futures plateformes bio-inspirées légères destinées à opérer en environnements confinés et sensibles, sans annoncer de calendrier de transfert industriel.

Recherche❖Paper

1 source

42

89arXiv cs.RO 

Risque et incertitude : une planification cinodynamique pour une navigation sûre en environnement planétaire

Une équipe de robotique publie sur arXiv, en août 2026 (référence 2608.11175, nouvelle soumission), une méthode de planification de trajectoire cinodynamique consciente du risque pour les robots à roues en environnement planétaire. L'approche combine deux étapes : un planificateur par échantillonnage nommé AO-RRT génère d'abord une trajectoire dynamiquement faisable, sensible au risque et asymptotiquement optimale en coût ; le problème est ensuite reformulé en optimisation non linéaire, résolue par programmation convexe séquentielle (SCP) à partir de cette trajectoire initiale. Le risque est quantifié via la valeur à risque conditionnelle (CVaR), une métrique issue de la finance qui capture les scénarios les plus défavorables. Testée en simulation puis validée sur du matériel réel, la méthode réduit le risque de plus de 97% sur l'ensemble des trajectoires évaluées. Pour un rover planétaire, la mécanique terrain-roue reste souvent partiellement inconnue et doit être apprise en ligne, ce qui peut transformer un plan optimal en manœuvre dangereuse, un risque amplifié par les incertitudes des systèmes de perception embarqués. L'enjeu est concret : un rover ensablé ou renversé peut compromettre toute une mission, sans intervention téléopérée rapide possible compte tenu de la latence de communication avec la Terre. En réduisant le risque de près de deux ordres de grandeur sans sacrifier l'optimalité du coût ni la faisabilité dynamique, ces travaux comblent l'écart entre les planificateurs purement optimaux en coût, qui ignorent la queue de distribution des scénarios dangereux, et les approches d'optimisation locale sans garantie de couverture globale. La méthode s'appuie sur la famille des planificateurs par échantillonnage de type RRT asymptotiquement optimaux, couplés à la programmation convexe séquentielle, déjà utilisée en robotique aérienne et spatiale pour raffiner des trajectoires initiales. L'usage de la CVaR pour quantifier le risque d'enlisement ou de collision rappelle des précédents marquants, comme celui du rover Spirit de la NASA, ensablé en 2009, ce qui avait mis fin à sa phase de mobilité. Publiée sous forme de lettre de recherche, cette étude reste à ce stade une contribution académique, validée en simulation et sur banc d'essai matériel mais sans déploiement opérationnel annoncé ; les prochaines étapes attendues portent sur des modèles de terrain plus complexes et une intégration potentielle aux futures piles logicielles d'autonomie de rovers lunaires ou martiens.

Recherche❖Paper

1 source

42

90arXiv cs.RO 

Reconfiguration d'ensembles de cubes pivotants sous contraintes de détection locale par apprentissage profond géométrique

Des chercheurs démontrent, dans un article déposé sur arXiv en septembre 2025 et mis à jour depuis (arXiv:2509.03140v2), que des robots modulaires cubiques homogènes se reconfigurant par pivotement peuvent atteindre une forme cible en deux dimensions en s'appuyant uniquement sur une perception locale. Le choix du cube qui doit bouger à chaque étape reste coordonné de façon globale, mais chaque cube de l'ensemble est piloté par un réseau de neurones entraîné par apprentissage par renforcement, qui ne reçoit d'informations que des cubes situés dans son voisinage immédiat. Les auteurs testent également l'intégration des symétries de grille, rotation et effet miroir, dans l'architecture du réseau. Résultat : même les versions les plus limitées en information parviennent à reconfigurer l'ensemble vers la forme cible, la vitesse de reconfiguration augmentant avec la quantité d'information globale disponible pour chaque cube. En ne conservant que des interactions avec les plus proches voisins, mais en faisant transiter l'information à plusieurs reprises entre cubes, les chercheurs obtiennent une reconfiguration quasi optimale, chaque cube accumulant ainsi progressivement une vision plus globale de l'ensemble. L'ajout des symétries de grille n'apporte qu'un gain marginal à l'entraînement par rapport à une architecture standard, mais permet de réduire la taille des modèles. Ce résultat pèse sur un débat de fond en robotique modulaire et en essaims de robots : faut-il une coordination centralisée et une information globale pour obtenir un comportement collectif efficace, ou une perception strictement locale suffit-elle ? En montrant qu'un contrôle décentralisé, entraîné par apprentissage automatique, approche les performances d'une reconfiguration informée globalement, l'étude ouvre la voie à des ensembles de robots modulaires plus scalables, moins dépendants d'une communication ou d'une puissance de calcul centralisées coûteuses en bande passante. Pour les concepteurs de robots reconfigurables et de systèmes spatiaux en essaim, l'intérêt pratique est double : des modèles plus légers grâce à l'exploitation des symétries géométriques, et une robustesse accrue face à des liaisons de communication limitées ou intermittentes, contrainte typique des environnements spatiaux. Ce travail relève de la recherche académique publiée en prépublication, sans lien annoncé avec un produit commercial ou un déploiement industriel. Il s'inscrit dans le champ des robots modulaires à reconfiguration par pivotement, étudié depuis plusieurs années en parallèle d'autres familles comme les cubes glissants ou les essaims de CubeSats, systèmes auxquels les auteurs indiquent que leur méthode est directement transférable du fait de son indépendance vis-à-vis de l'espace d'actions spécifique du robot. L'article ne mentionne aucun calendrier de mise en œuvre matérielle ni de partenariat industriel : il s'agit à ce stade d'une validation en simulation, dont les suites naturelles seraient un test sur des ensembles physiques de cubes pivotants et une extension à la reconfiguration en trois dimensions.

Recherche❖Paper

1 source

42

91arXiv cs.RO 

Learning in ImaginationLand : des politiques omnidirectionnelles via des modèles génératifs 3D (OP-Gen)

Un préprint publié sur arXiv (2509.06191v2, version révisée) présente OP-Gen, une méthode qui exploite les modèles génératifs 3D récents, capables de reconstruire la forme complète d'un objet à partir de quelques images seulement, pour démultiplier artificiellement un jeu de données construit à partir d'une seule démonstration réelle. Une politique de contrôle dite omnidirectionnelle est ensuite entraînée entièrement dans cet environnement synthétique, sans données supplémentaires collectées sur le robot physique. Les auteurs valident l'approche sur plusieurs tâches de manipulation réelles: saisir des objets, ouvrir un tiroir et déposer un déchet dans une poubelle. Résultat central: le robot parvient à exécuter la tâche même en démarrant depuis des positions très éloignées de celles vues pendant la démonstration initiale, y compris depuis le côté opposé de l'objet. Comparé à des méthodes de référence utilisant d'autres techniques d'augmentation de données, OP-Gen affiche de meilleures performances sur ces tâches. L'intérêt pratique tient au goulot d'étranglement que représente la collecte de démonstrations pour l'apprentissage par imitation et les politiques de type VLA: chaque tâche exige aujourd'hui des dizaines voire des centaines de démonstrations téléopérées pour couvrir des conditions de départ variées. En réduisant ce besoin à une seule démonstration réelle complétée par des variantes générées en 3D, OP-Gen s'attaque directement au problème de généralisation qui limite le déploiement de robots manipulateurs hors des conditions strictement observées à l'entraînement. Pour les intégrateurs industriels, cela ouvre la perspective de déployer des politiques robustes à moindre coût de collecte, sans dépendre systématiquement de pipelines de simulation complets ou de flottes de téléopération. Ce travail s'inscrit dans une tendance de recherche plus large qui cherche à remplacer la collecte physique de données par la synthèse générative, qu'il s'agisse de vidéo ou, ici, de reconstruction 3D d'objets, une piste explorée en parallèle par des systèmes de politiques génératives comme Pi-0 ou GR00T N2 pour la généralisation multi-tâches. La mention "replace" sur arXiv indique qu'il s'agit d'une version corrigée d'une soumission antérieure, signe d'un travail encore en évolution plutôt que d'un système finalisé ou commercialisé. Aucun partenariat industriel ni déploiement en production n'est mentionné à ce stade: il s'agit d'une avancée de recherche académique, dont la prochaine étape logique serait l'extension à un plus grand nombre de tâches et l'intégration à des architectures de politique plus larges.

Recherche❖Paper

1 source

42

92arXiv cs.RO 

Robotique mobile : cartographie précise par exploration autonome via mouvements progressifs et cohérents

Une équipe de recherche détaille, dans une version mise à jour de son article publié sur arXiv (référence 2503.17005v3), un framework d'exploration autonome pour robots mobiles terrestres d'intérieur équipés d'un SLAM laser. La recherche de frontières s'appuie sur une architecture d'échantillonnage local-global combinant plusieurs arbres RRT (Rapidly Exploring Random Trees) : des contrôles de franchissabilité pendant leur expansion et un élagage global à chaque mise à jour de carte éliminent les frontières inaccessibles, réduisant les risques de collision et de blocage, tandis que la densité d'échantillonnage s'adapte à la distribution des obstacles pour maximiser la couverture. Pour la navigation, le robot adopte un mouvement dit "stepwise" et cohérent : il roule en ligne droite sur des segments quasi équidistants et pivote sur place aux jonctions, un schéma simplifié qui stabilise le scan-matching et limite la dérive cartographique. Un mécanisme de retraçage de waypoints génère des observations répétées qui déclenchent la détection de fermeture de boucle et l'optimisation backend du SLAM par graphe. Testé en simulation et en conditions réelles, le système améliore la couverture et la précision de cartographie par rapport aux algorithmes d'exploration 2D de référence, y compris sur du matériel à ressources limitées et avec diverses configurations de champ de vision LiDAR. Ce travail s'attaque à des limites bien connues des pipelines d'exploration autonome utilisés dans les robots mobiles autonomes (AMR) industriels : oscillations liées aux changements fréquents d'objectif dans les approches parallélisées classiques, dérive de carte due à des trajectoires de navigation complexes, et frontières inaccessibles génératrices de collisions ou de blocages. Pour les intégrateurs déployant des AMR en entrepôt ou en environnement intérieur complexe, une cartographie plus précise et cohérente réduit le besoin de recalibrage manuel et améliore la fiabilité de la navigation ultérieure. Le maintien des performances sur des plateformes à ressources limitées et avec des LiDAR à champ de vision réduit suggère un potentiel de déploiement sur du matériel moins coûteux, un enjeu clé pour la commercialisation à grande échelle des flottes de robots mobiles. Il s'agit d'une contribution de recherche académique, sans annonce commerciale ni acteur industriel identifié associé au papier ; la mention "replace" sur arXiv indique qu'il s'agit d'une révision d'un texte initialement publié en mars 2025. Le travail se positionne dans la continuité des méthodes classiques d'exploration par frontières et des variantes basées sur les RRT déjà documentées dans la littérature robotique, qui souffrent généralement des mêmes travers d'oscillation et de dérive que ce framework cherche à corriger. Aucun calendrier de déploiement industriel ni partenariat n'est mentionné : la validation reste pour l'instant limitée aux tests en simulation et en environnement contrôlé décrits dans l'article.

Recherche❖Paper

1 source

42

93arXiv cs.RO 

Déploiement sans destin : recomposition des robots sur le terrain avec logiciels, matériel et charges de calcul inconnus

Des chercheurs ont publié sur arXiv (2608.11063v1) un framework de « recomposition » en temps réel pour robots déployés sur le terrain, capable d'intégrer en quelques minutes des modules logiciels, matériels ou de calcul jamais rencontrés auparavant. Le système vise le problème du couplage étroit entre sous-systèmes dans les architectures robotiques monolithiques, qui rend toute adaptation post-déploiement lente et coûteuse. Un utilisateur non expert peut ajouter une nouvelle capacité en mode plug-and-play directement sur site, sans intervention d'un développeur, là où l'intégration manuelle classique demande généralement plusieurs heures d'expertise technique. Les ressources ajoutées à un robot hôte sont aussi partagées avec des pairs distribués, ce qui permet à des systèmes limités en calcul d'accéder à distance à des capacités plus lourdes. La méthode a été démontrée sur deux scénarios de réponse aux catastrophes : localisation de sources radioactives dans une installation nucléaire opérationnelle, et recherche de personnes par imagerie thermique dans des espaces sombres et difficiles d'accès. Pour l'industrie robotique, ce travail cible un angle mort rarement documenté : la plupart des démonstrations de robots autonomes reposent sur une pile logicielle et matérielle figée dès la conception, alors que les déploiements réels en environnement dangereux exigent souvent d'ajouter au vol un capteur, un algorithme ou une unité de calcul non prévus. En ramenant le temps de reconfiguration à quelques minutes plutôt qu'à des heures d'ingénierie spécialisée, l'approche cible les intégrateurs pour qui l'improvisation technique sur site est un goulot d'étranglement opérationnel. Le fait que la validation se fasse sur un site nucléaire réel, et non en simulation, renforce la crédibilité de la démonstration, même si l'échelle des essais reste limitée dans l'abstract disponible. Le papier s'inscrit dans la recherche en robotique de terrain et en systèmes multi-agents, qui cherche à dépasser les architectures figées héritées des plateformes universitaires historiques, où chaque nouvelle capacité impose un cycle complet de reprogrammation. Aucun acteur industriel ni nom de produit commercial n'est associé à cette publication : il s'agit d'un preprint académique présentant un framework et des abstractions logicielles, sans partenaire industriel identifié, calendrier de transfert technologique ni plan de déploiement au-delà des deux démonstrations décrites en réponse aux catastrophes.

Recherche❖Paper

1 source

42

94arXiv cs.RO 

Précision au niveau supérieur : segmentation du tissu pour le désempilage grâce à des réseaux sensibles aux bords et formes

La segmentation précise de la couche supérieure d'une pile de tissus reste un obstacle majeur pour la robotique textile, et un nouvel article de recherche publié sur arXiv (référence 2608.10648v1) propose une architecture d'entraînement dédiée à ce problème. La tâche de déstackage de tissus consiste à identifier et isoler la couche de tissu la plus haute dans un empilement, une opération rendue difficile par des contours flous et une forte similarité visuelle entre les couches successives. Les auteurs étendent le schéma classique encodeur-décodeur en ajoutant deux branches spécialisées qui supervisent le réseau principal pendant l'entraînement: une branche dite "edge-aware", qui affine la délimitation des bords du tissu, et une branche "shape-aware", qui guide le réseau pour aligner la forme globale détectée avec des masques de référence issus de modèles CAO (conception assistée par ordinateur). Les expériences menées sur un jeu de données réel de tissus montrent que cette approche multi-branches surpasse les méthodes de référence existantes, un résultat confirmé par des études d'ablation isolant la contribution de chaque branche. Pour l'industrie robotique, ce travail cible un maillon technique précis mais critique: la manipulation de matières souples et déformables reste l'un des angles morts de la robotique de préhension, largement en retard par rapport au bin-picking d'objets rigides. Les approches de segmentation sémantique ou par contours classiques échouent souvent face aux tissus empilés, faute de repères visuels nets entre les couches. En démontrant qu'un couplage entre information de contour et contrainte de forme géométrique améliore la précision de segmentation, l'étude apporte une brique utile aux intégrateurs travaillant sur le tri de linge, la préparation de commandes textiles en e-commerce ou l'automatisation de lignes de confection. L'article ne mentionne ni entreprise, ni robot, ni site de déploiement commercial: il s'agit d'une contribution de recherche académique, validée sur un jeu de données réel mais pas sur un pilote industriel. Aucun chiffre de cadence, de coût ou de volume de production n'est communiqué, ce qui limite pour l'instant la portée de l'annonce à une preuve de concept méthodologique plutôt qu'à un déploiement opérationnel.

Recherche❖Paper

1 source

41

95arXiv cs.RO 

Hopping Monopode Alimenté par la Hanche

Un article de recherche publié sur arXiv (référence 2608.10387) décrit une nouvelle stratégie de saut pour les monopodes planaires à tangage libre, des robots à une seule jambe dont l'inclinaison avant-arrière n'est pas bloquée mécaniquement. Les couples de réaction produits par le contrôleur PD à anticipation qui stabilise le tangage sont recyclés pour compenser les pertes d'énergie dues au frottement, en déplaçant la position du centre de masse. Une nouvelle politique de pas répartit ensuite cette énergie entre les degrés de liberté radial et angulaire, selon un compromis réglable entre vitesse de croisière et hauteur de rebond. Une analyse mathématique par moyennisation hybride fournit des formules fermées pour les points fixes de la démarche, validées par simulation puis par des essais physiques sur le robot Penn Jerboa, à l'université de Pennsylvanie, avec des vitesses stables de 1,02 à 1,77 m/s (5,10 à 8,85 longueurs de jambe par seconde). Ce travail s'attaque à un problème rarement explicité dans les vitrines commerciales de robots à pattes : la gestion fine de l'énergie et de la stabilité d'une jambe soumise à des pertes par frottement, hors de tout effet de démonstration. Contrairement aux contrôleurs empiriques ou aux approches par apprentissage qui dominent les démonstrations de locomotion dynamique, l'apport est de fournir des relations analytiques explicites entre paramètres physiques, paramètres de contrôle et performance, facilitant le réglage plutôt que le tâtonnement. Ce cadre intéresse les concepteurs de bipèdes, quadrupèdes et exosquelettes confrontés à l'arbitrage entre vitesse et hauteur de rebond. Le Penn Jerboa s'inscrit dans une lignée de robots monopodes et bondissants étudiés depuis les hoppers pneumatiques du MIT dans les années 1980, une tradition de recherche en locomotion dynamique aujourd'hui prolongée par des plateformes bipèdes de laboratoire et par les robots à pattes commerciaux de Boston Dynamics ou Unitree. À la différence de ces derniers, cette publication reste un travail de contrôle non linéaire fondamental, sans produit ni calendrier de commercialisation annoncé. Les auteurs présentent leurs résultats comme une base analytique transposable à des architectures bipèdes plus complexes, pour de futurs travaux sur l'intégration de cette gestion d'énergie dans des robots à pattes multiples.

Recherche❖Paper

1 source

40

96arXiv cs.RO 

Diffusion cachée : attaques robotiques non restreintes sur les modèles vision-langage-action

Des chercheurs ont publié le 12 août 2026 sur arXiv (référence 2608.10393v1) une nouvelle méthode d'attaque baptisée DURA, pour "diffusion-based unrestricted robotic attack", ciblant les modèles Vision-Language-Action (VLA) qui pilotent des robots dans des tâches de manipulation. Contrairement aux attaques adversariales classiques qui modifient des pixels de façon visible ou nécessitent un accès complet au modèle cible (white-box), DURA génère des patches adversariaux visuellement naturels en optimisant le long de la trajectoire latente d'un modèle de diffusion pré-entraîné. La méthode fonctionne aussi bien en mode white-box qu'en mode black-box, ce dernier ne nécessitant que l'observation des actions prédites par le modèle victime, sans accès à ses poids internes. Les auteurs ont testé DURA à la fois en simulation et en conditions physiques réelles, et rapportent des performances supérieures aux méthodes d'attaque existantes pour détourner un robot vers des actions choisies par l'attaquant. Cette démonstration met en lumière un angle mort de sécurité largement sous-exploré dans les systèmes robotiques pilotés par des modèles VLA, une famille d'architectures de plus en plus déployée dans les bras manipulateurs et robots humanoïdes industriels. Le fait qu'un patch visuellement anodin, sans artefact détectable à l'œil, puisse suffire à détourner un robot vers une action arbitraire constitue un signal d'alarme pour les intégrateurs et décideurs qui envisagent des déploiements physiques de ces modèles dans des environnements non contrôlés. Cela contredit l'hypothèse implicite selon laquelle les attaques adversariales restent cantonnées au numérique ou nécessitent des perturbations grossières et repérables. La validation en monde réel, et pas seulement en simulation, renforce la crédibilité de la menace. Ce travail s'inscrit dans la continuité des recherches sur la robustesse adversariale des réseaux de neurones, désormais étendue aux modèles VLA à mesure que ceux-ci quittent les laboratoires pour piloter des robots physiques. Les auteurs soulignent les limites des attaques existantes, jugées peu déployables en conditions réelles à cause de leur dépendance à un accès white-box ou à des perturbations trop visibles, et appellent explicitement à des mécanismes de défense plus robustes avant une adoption industrielle plus large de ces modèles.

Recherche⚡Actu

1 source

39

97arXiv cs.RO 

Système autonome TCAM pour la manipulation déformable : le système champion RMC2 à la WBCD 2026 Track 4

L'équipe RMC2 a remporté la première place du Track 4 « Deformable Manipulation Challenge » de la compétition WBCD 2026 : un robot devait prélever un T-shirt dans une pile, le charger sur une palette d'impression, aligner le col sur une zone cible, puis lisser la surface d'impression. Le système TCAM (TermiBrain Causal Action Model) tourne sur une plateforme bibras ARX X5 équipée d'une pince imprimée en 3D conçue pour la séparation monocouche de tissu, et perçoit la scène via quatre caméras montées au poignet : des fisheye supérieures pour le contexte global de la tâche, des RGB inférieures pour observer de près le contact pince-tissu. Entraîné sur un mélange de démonstrations portables de type UMI et de démonstrations réelles collectées sur le robot de déploiement, un backbone VLA multi-vues produit des chunks d'action de 30 pas en delta-pose de l'effecteur. En finale, le système a chargé 25 T-shirts en environ 23 secondes par tentative en moyenne, 22 atteignant le niveau de lissage de surface requis. Ce résultat illustre une approche qui répartit la difficulté entre matériel, perception et données plutôt que de tout confier à la politique d'apprentissage : une boucle analyse chaque trajectoire pour identifier les causes physiques d'échec et cible ensuite la recollecte de données et le fine-tuning. Pour les intégrateurs textiles, logistiques ou d'impression sur vêtement, un taux de réussite de 88% (22 sur 25) et un temps de cycle moyen de 23 secondes donnent une mesure concrète de ce qu'une architecture VLA multi-vues peut accomplir sur une tâche à fort contact, plutôt qu'une démonstration isolée. Le résultat reste néanmoins obtenu dans le cadre contrôlé d'une compétition, sans déploiement industriel annoncé, ce qui laisse ouverte la question de la robustesse en production. TCAM s'inscrit dans la vague des frameworks vision-language-action pour la manipulation généraliste, aux côtés de modèles comme Pi-0, GR00T N2 ou Helix, mais insiste sur la co-conception matériel-perception-données plutôt que sur la seule échelle du modèle. Le choix de la base ouverte ARX X5 et le recours à des démonstrations portables UMI reflètent une stratégie de données mixte, combinant priors génériques et dynamique spécifique au déploiement. Publié sur arXiv en août 2026, le rapport technique de RMC2 ne mentionne aucun calendrier de commercialisation ni de site de déploiement industriel, la compétition WBCD servant pour l'instant de validation académique plutôt que de vitrine produit.

Recherche⚡Actu

1 source

39

98arXiv cs.RO 

Aérolayoutage : conception et contrôle d'un effecteur final actionné et souple pour un marquage précis au plafond en vol

Un preprint mis en ligne sur arXiv (2608.10987v1) décrit un nouveau système robotique aérien capable de tracer des lignes au plafond avec une précision millimétrique, sans modélisation fine ni pilotage sophistiqué du drone porteur. Le dispositif associe un aéronef classique à un effecteur terminal « intelligent » construit autour d'un mécanisme de Gough-Stewart, une plateforme parallèle à six degrés de liberté optimisée pour la stabilité. Quatre principes guident sa conception : compliance mécanique, contact en plusieurs points, actionnement actif de l'effecteur et autonomie complète du module. Les essais confirment que chacun de ces choix est nécessaire pour atteindre la précision visée, et que le système trace de façon fiable des lignes au millimètre près. Cette avancée déplace un verrou technique connu du secteur. Les drones en contact avec une surface, pour l'inspection par exemple, se contentaient jusqu'ici d'une précision centimétrique. Le traçage de repères sur chantier (layouting), à savoir le positionnement de cloisons, gaines ou points de perçage, exige au contraire une tolérance millimétrique hors de portée d'un pilotage de drone classique. En reportant la précision sur un effecteur compliant et actionné plutôt que sur le seul contrôle de vol, les auteurs contournent l'imprécision inhérente au vol stationnaire. Si l'approche se confirme au-delà du prototype de laboratoire, elle ouvrirait la voie à une automatisation par drone de tâches aujourd'hui réservées à des robots au sol ou à des opérateurs équipés de lasers, avec l'avantage d'un accès direct aux plafonds sans échafaudage. Ce travail prolonge les progrès récents en contrôle de vol de précision, comme le franchissement d'ouvertures étroites ou des chorégraphies aériennes complexes, qui ont ouvert la voie à l'interaction physique entre drones et environnement, notamment pour l'inspection par contact. Il reste toutefois au stade de la démonstration en laboratoire : un preprint arXiv publié en août 2026, non encore relu par les pairs, sans partenaire industriel ni calendrier de déploiement annoncé. Les suites attendues porteraient sur une validation en conditions réelles de chantier, sur une comparaison avec les solutions de layout au sol déjà utilisées dans la construction, et sur une intégration à des plateformes de vol autonome à plus grande échelle.

Recherche❖Paper

1 source

39

99arXiv cs.RO 

Influence de l'expertise de l'opérateur sur la supervision et l'intervention robotique

Une étude exploratoire publiée sur arXiv (référence 2601.15069v2, version révisée) s'intéresse à la manière dont le niveau d'expertise des opérateurs affecte la supervision de robots autonomes. Vingt-sept participants ont pris part à une expérience en simulateur, chacun supervisant un robot explorant seul quatre environnements de tunnels inconnus et devant lui fournir des points de passage pour intervenir dès qu'un blocage était détecté. Les chercheurs ont croisé les données d'interaction, notamment le moment déclencheur de chaque intervention, avec des questionnaires post-session, en répartissant les participants en trois groupes : novices, intermédiaires et experts en robotique. Le résumé ne fournit pas de chiffres agrégés sur les temps de réaction par groupe, mais souligne des différences nettes de timing et de stratégie décisionnelle entre ces trois profils. Ce résultat touche un point sensible pour la robotique de supervision à distance : à mesure que l'autonomie des robots progresse dans l'exploration souterraine, l'inspection industrielle ou la logistique, le bassin d'opérateurs s'élargit bien au-delà des ingénieurs spécialistes vers des utilisateurs occasionnels ou peu formés. Comprendre comment l'expertise modifie la perception de l'information et le déclenchement des interventions est directement exploitable pour concevoir des interfaces de télé-opération adaptatives, calibrer les seuils d'alerte automatique et dimensionner les besoins de formation avant un déploiement opérationnel. Pour les intégrateurs qui développent des flottes à supervision partagée, mines, tunnels ou sites industriels, ce travail questionne l'hypothèse d'une interface unique valable pour tous les niveaux d'utilisateurs et plaide pour des systèmes d'assistance qui s'adaptent au profil de l'opérateur plutôt qu'un standard figé. L'étude s'inscrit dans le champ de l'autonomie partagée et du contrôle supervisé, un axe de recherche mis en avant par les compétitions de robotique en environnement souterrain type DARPA Subterranean Challenge, qui ont exposé la difficulté de maintenir une supervision humaine efficace sur des robots explorant tunnels et environnements dégradés sans signal GPS. Le document, republié en version 2 sur arXiv, ne précise ni institution ni auteurs dans le résumé disponible, et n'annonce aucun pilote industriel : il s'agit d'une contribution académique exploratoire plutôt que d'un produit déployé, avec des travaux futurs attendus pour vérifier ces patterns d'intervention sur des populations plus larges et des robots réels hors simulateur.

Recherche❖Paper

1 source

38

100arXiv cs.RO 

BooST : relier sémantique et mouvements pour un transfert de compétences efficace

BooST (Bridging Semantics and Motions for Efficient Skill Transfer) est une nouvelle méthode de transfert de compétences pour robots, publiée sur arXiv en août 2026 sous la référence 2608.10600v1, non encore relue par les pairs. Le framework agit en deux temps : un VQ-VAE cross-modal encode ensemble l'intention sémantique d'une tâche (le « quoi ») et sa dynamique motrice (le « comment ») dans une représentation unifiée des compétences apprises, puis la distille dans une politique légère pour une adaptation rapide à de nouvelles tâches. Testé en simulation et sur robots réels, sans détails chiffrés de plateforme, de charge utile ou de temps de cycle dans le résumé, BooST revendique une adaptation few-shot supérieure aux méthodes existantes, un transfert de compétences réussi entre domaines différents et une robustesse aux perturbations visuelles dynamiques, avec une architecture légère pensée pour un déploiement réel. Le problème visé est classique en apprentissage robotique : les méthodes existantes d'abstraction de compétences capturent en général soit l'intention sémantique de haut niveau, soit la dynamique motrice de bas niveau, rarement les deux ensemble, ce qui produit des a priori faibles pour l'apprentissage en aval et oblige à collecter beaucoup de données propres à chaque nouveau domaine cible. En combinant les deux dans une seule représentation distillable, BooST cherche à réduire l'écart entre démonstrations de laboratoire et généralisation réelle, un enjeu central pour les intégrateurs qui doivent redéployer un même modèle sur des tâches, environnements ou robots différents sans réentraînement massif. Si ces résultats se confirment au-delà du cadre expérimental de l'article, cela nourrirait l'hypothèse d'architectures vision-langage-action réellement réutilisables à l'échelle industrielle, plutôt que cantonnées à des démonstrations isolées. BooST s'inscrit dans un courant de recherche plus large sur l'abstraction de compétences et les modèles vision-langage-action, où laboratoires et start-up de robotique généraliste cherchent depuis plusieurs années à unifier perception, langage et contrôle moteur pour réduire la dépendance à des données spécifiques à chaque tâche. Le résumé de l'article ne mentionne aucun laboratoire, aucune entreprise ni aucun partenaire industriel identifiable : il s'agit pour l'instant d'une contribution académique, pas d'une annonce produit ni d'un déploiement commercial. Aucun pilote industriel ni date de mise en production n'est évoqué ; la suite logique serait la publication du code, une relecture par les pairs, puis des tests indépendants sur des plateformes robotiques standardisées pour confirmer, ou non, les gains revendiqués en conditions réelles.

Recherche❖Paper

1 source