Actualités robotique — page 23

4 559 articles au fil, du plus récent au plus ancien.

38

1101arXiv cs.RO 

Dévoiler des comportements collectifs complexes à partir de récompenses simples

Une équipe de recherche propose dans un article publié sur arXiv (2607.12861v1) un cadre d'interprétabilité en deux étapes baptisé EEC, destiné à décortiquer les politiques neuronales opaques de l'apprentissage par renforcement multi-agents (MARL) appliqué aux essaims de robots. L'outil central, nommé Agent Response Map (ARM), cartographie spatialement les décisions de chaque agent pour repérer les zones d'agrégation et d'évitement. Les auteurs valident cette méthode sur deux tâches distinctes : un assemblage coopératif de formes par plusieurs robots, et un scénario compétitif de poursuite-évasion prédateur-proie. Dans la tâche coopérative, ARM révèle que les robots ciblent implicitement l'intérieur inoccupé d'une forme cible, et que cette cible se déplace automatiquement vers la périphérie dès que le centre se remplit, preuve d'une capacité d'exploration autonome des zones libres. Dans la tâche compétitive, la carte identifie de façon inattendue la frontière du diagramme de Voronoï des prédateurs comme point de convergence des proies. Le résultat central de l'étude, c'est que des comportements collectifs complexes émergent de récompenses individuelles simples, sans incitation explicite à l'agrégation, et que ces comportements correspondent à des structures géométriques implicitement apprises par le réseau. Pour l'ingénierie robotique, cela offre un outil concret pour auditer des politiques MARL en boîte noire avant déploiement, un point critique quand ces systèmes gèrent des essaims réels en usine, en logistique ou en défense. Cela répond aussi à une limite connue du MARL : la difficulté à prédire ou garantir un comportement de groupe cohérent à partir de règles de récompense locales, ce qui freinait jusqu'ici l'adoption industrielle au-delà de la simulation. Ce travail s'inscrit dans la lignée des recherches sur l'interprétabilité en apprentissage par renforcement multi-agents, un champ actif où les méthodes de visualisation post-hoc restent rares comparées aux avancées algorithmiques. Les auteurs positionnent ARM comme un outil analytique générique, potentiellement applicable à d'autres tâches de coordination d'essaims, et ouvrent la voie à des extensions vers des environnements plus complexes ou des essaims hétérogènes.

Recherche❖Paper

1 source

38

1102arXiv cs.RO 

TrustVLA : défense guidée par mécanisme contre les portes dérobées des modèles vision-langage-action

Des chercheurs publient TrustVLA, une défense contre les portes dérobées dissimulées dans les modèles Vision-Language-Action (VLA), ces réseaux qui pilotent des robots a partir d'instructions en langage naturel et d'images. Le papier, mis en ligne sur arXiv le 15 juillet 2026, étudie deux attaques indépendantes, BadVLA et INFUSE, cette dernière survivant même a un réajustement sur données propres en aval. Un modèle VLA empoisonne se comporte normalement sur des observations saines, mais un déclencheur visuel discret suffit a dévier une politique robotique sur un horizon long, sans défaillance visible avant l'échec. Les auteurs identifient un mécanisme récurrent dans les modèles compromis testes: une "empreinte causale compacte", un support visuel restreint, concentre spatialement, capte par les mécanismes d'attention, dont le masquage ramené le score d'évolution des preuves internes a la plage normale. TrustVLA adapte le cadre d'évidence de Dirichlet, conçu pour la classification fiable, afin de surveiller l'incertitude épistémique token par token et couche par couche. Avec un petit jeu de calibration propre, l'outil détecte une évolution anormale, localise le support compact par chute de score contrefactuelle, puis reconstruit l'observation par inpainting localise. Les tests sur OpenVLA/LIBERO et en transfert vers pi_0.5 montrent une réduction du taux de succès des attaques sans dégrader les performances sur taches propres. Ce travail cible un angle mort critique pour l'industrie robotique: les pipelines de déploiement VLA, souvent bâtis sur des poids pré-entraines téléchargés, ne sont généralement pas audites par les utilisateurs finaux, ouvrant une surface d'attaque proche de la chaine d'approvisionnement logicielle. Pour des intégrateurs déployant des bras manipulateurs ou robots mobiles pilotes par des modèles fondation, une défense sans reentrainement change la donne face au cout habituel d'une purge ou recalibration complète. Que INFUSE résiste a un fine-tuning sur données saines contredit l'hypothèse rassurante qu'un réajustement en aval suffirait a nettoyer un modèle compromis, et rappelle que les défenses classiques de vision ou de langage n'expliquent ni la représentation interne d'un modèle déclenche, ni comment restaurer un comportement normal sans tout reentrainer. La recherche VLA s'est accélérée depuis RT-2 et OpenVLA jusqu'a des systèmes généralistes comme pi0 chez Physical Intelligence ou GR00T N2 chez Nvidia, une généralisation accrue qui a fait émerger en parallèle une littérature sur les attaques par backdoor, dont BadVLA et INFUSE sont deux illustrations issues d'équipes distinctes. TrustVLA prolonge les travaux sur la quantification d'incertitude épistémique en les adaptant a des politiques d'action séquentielles. A ce stade, la contribution reste académique, validée sur LIBERO et en transfert vers pi0.5, sans indication de déploiement industriel; les suites attendues portent sur l'extension a d'autres familles de VLA et sur des attaques adaptatives conçues pour contourner ce mécanisme de défense.

Recherche❧Opinion

1 source

38

1103arXiv cs.RO 

Recherche vision-based pour dribble au football humanoïde par apprentissage de représentation privilégiée

Une équipe de recherche propose une nouvelle méthode d'apprentissage par renforcement pour le dribble de ballon chez les robots humanoïdes, appliquée en simulation à un Booster T1. Publiée le 12 juillet 2026 sur arXiv, l'approche intègre un encodeur de profondeur temporel directement dans la politique de contrôle via une couche de projection spécifique à la tâche, permettant au robot d'apprendre à dribbler uniquement à partir d'images de profondeur embarquées, sans estimation d'état explicite ni information privilégiée sur la scène. Les résultats chiffrés sont précis : 100% de réussite en dribble nominal vers une cible fixe, 96% avec un obstacle statique unique sur le trajet, mais seulement 46% de réussite face à un adversaire mobile qui tente activement de intercepter le ballon. Cet écart de performance entre scénarios statiques et dynamiques est en soi la donnée la plus intéressante pour l'industrie robotique : il illustre concrètement le fossé qui sépare les démonstrations contrôlées des conditions réelles d'usage, un problème récurrent chez les humanoïdes commerciaux (Figure 03, Optimus, ou les plateformes utilisant des architectures VLA comme Pi-0 ou GR00T N2). Pour les intégrateurs et décideurs qui évaluent la maturité de la locomotion-manipulation embarquée, ce travail confirme qu'apprendre la perception et le contrôle de façon conjointe, plutôt que de les traiter comme deux modules séparés, améliore la robustesse face aux occlusions et aux mouvements rapides du ballon. Mais le taux de succès de 46% contre un adversaire actif montre que la gestion d'interactions dynamiques et imprévisibles reste un problème ouvert, loin d'être résolu à l'échelle. Le travail s'inscrit dans la lignée des recherches sur le soccer humanoïde comme banc d'essai pour l'agilité robotique, un domaine où les approches classiques séparaient historiquement perception et contrôle moteur, au prix d'une fragilité en conditions réelles. Les auteurs positionnent leur méthode comme une base pour aborder des scénarios encore plus complexes impliquant des adversaires mobiles multiples, sans toutefois annoncer de calendrier de transfert vers un robot physique, l'ensemble des expériences restant à ce stade purement simulé.

Recherche❖Paper

1 source

37

1104arXiv cs.RO 

Adaptation planificateur : apprentissage adaptatif des paramètres par modèle vision-langage-action

Article sur l'apprentissage adaptatif de paramètres de planification pour la navigation robotique. Des chercheurs ont présenté APPLV (Adaptive Planner Parameter Learning from Vision-Language-Action Model), une méthode qui utilise un modèle vision-langage pré-entraîné doté d'une tête de régression pour prédire les paramètres de configuration de planificateurs classiques de navigation, plutôt que de générer directement des actions comme le font les modèles VLA traditionnels. Deux stratégies d'entraînement ont été développées : un apprentissage supervisé à partir de trajectoires de navigation collectées, puis un affinage par apprentissage par renforcement pour optimiser davantage les performances. L'équipe a évalué APPLV sur plusieurs planificateurs de mouvement via le jeu de données simulé BARN (Benchmark Autonomous Robot Navigation), ainsi que lors d'expériences sur robot physique. Les résultats montrent qu'APPLV surpasse les méthodes existantes à la fois en performance de navigation et en capacité de généralisation à des environnements non vus durant l'entraînement. Cette avancée s'attaque à un problème concret pour les intégrateurs de robotique mobile : la navigation dans des espaces fortement contraints. Les approches classiques de navigation, bien que sûres, nécessitent un réglage manuel et fastidieux des paramètres pour chaque nouvel environnement, tandis que l'apprentissage de bout en bout contourne ce réglage mais échoue souvent sur le contrôle précis requis en espace confiné. APPLV se positionne dans une troisième voie déjà explorée par des travaux récents en robot learning, qui automatisent le réglage des paramètres tout en conservant les garanties de sécurité des systèmes classiques, mais qui peinaient jusqu'ici à généraliser à des environnements inédits. En s'appuyant sur les capacités de compréhension de scène des modèles fondation, APPLV cherche aussi à répondre aux limites connues des VLA appliqués à la navigation : latence d'inférence et manque de précision dans le contrôle, deux obstacles qui freinent leur déploiement industriel réel. Le travail s'inscrit dans la lignée des recherches sur les modèles Vision-Language-Action (VLA) appliqués à la robotique mobile, un domaine où la promesse de généralisation via les modèles fondation se heurte régulièrement à la réalité du contrôle bas niveau. En choisissant de faire prédire des paramètres de planificateur plutôt que des actions brutes, les auteurs combinent l'interprétabilité et la sécurité des planificateurs classiques avec la capacité d'adaptation contextuelle des modèles vision-langage. Le papier, une version révisée (v2) déposée sur arXiv, ne précise pas d'acteur industriel ni de calendrier de déploiement commercial ; il s'agit à ce stade d'une contribution de recherche académique, dont la portée pratique dépendra de futurs travaux de validation sur des flottes robotiques réelles et de comparaisons plus larges avec d'autres architectures de navigation apprise.

Recherche❧Opinion

1 source

37

1105arXiv cs.RO 

ChunkFlow : vers un apprentissage de politique par segments cohérents en continuité

Les têtes d'action par blocs ("chunks") sont devenues un standard pour les modèles vision-langage-action (VLA) qui doivent respecter des contraintes temps réel, mais elles souffrent d'un défaut connu: le "boundary jitter", des prédictions incohérentes dans les zones de chevauchement entre deux chunks consécutifs, ce qui dégradé la fluidité des mouvements et le taux de réussite des taches. Un article publie sur arXiv (2607.12992) présente ChunkFlow, un framework d'entrainement et d'exécution qui s'attaque directement a ce problème. La méthode découpe chaque chunk en trois zones, gelée, éditable et future, applique un mélange déterministe des chevauchements au moment de l'exécution, et entraine les prédictions brutes avec des fonctions de perte de continuité de premier et second ordre, plus une perte spécifique de "couture" entre segments. Une corruption contrôlée de l'historique et un échantillonnage programme renforcent la robustesse face aux erreurs déjà exécutées, et une phase de fine-tuning par AWAC adapte ensuite la politique sans effacer ces contraintes structurelles. Les auteurs montrent, sous hypothèses de régularité, que l'écart de couture avant mélange décroît mathématiquement quand le chevauchement augmente. Pour les intégrateurs et ingénieurs travaillant sur des politiques robotiques, ce travail cible un angle mort fréquent des VLA a chunks: les méthodes existantes de mélange a l'inférence se contentent de reponderer des propositions divergentes sans corriger l'erreur sous-jacente, ce qui accumule le bruit au fil de l'exécution. Si les résultats se confirment au-delà des benchmarks académiques, ChunkFlow offrirait un moyen de gagner en stabilité temporelle sans sacrifier la latence, un compromis central pour tout déploiement en boucle fermée sur du matériel réel. L'évaluation reste toutefois principalement académique: elle s'appuie sur les benchmarks simules CALVIN et LIBERO, complètes par des tests sur robots réels dont l'ampleur n'est pas précisée dans le résume. Aucune entreprise commerciale n'est nommée, la page projet est hébergée sous un compte "cytoderm-ai" sans affiliation explicite. La problématique rejoint néanmoins les enjeux des architectures a chunks déjà déployées par des acteurs comme Pi-0, GR00T N2 ou Helix, qui devront a terme arbitrer entre réactivité temps réel et cohérence des trajectoires.

Recherche⚡Actu

1 source

37

1106arXiv cs.RO 

VistaVLA : modèle vision-langage-action fondé sur du 3D gaussian splatting conscient de la géométrie et de la sémantique, pour la manipulation robotique

VistaVLA, présenté dans un article arXiv publié le 15 juillet 2026, est un nouveau framework de manipulation robotique combinant vision, langage et action (VLA) qui construit une représentation 3D explicite de la scène à partir de primitives de Gaussiennes 3D. Contrairement aux modèles VLA classiques qui projettent directement instructions textuelles et images 2D vers des actions, VistaVLA fonctionne en deux étapes : il élève des caractéristiques vision-langage multi-vues en primitives gaussiennes 3D, créant des tokens sémantiques ancrés géométriquement, puis les compresse via un mécanisme baptisé Merge-then-Query (MtQ). Ce module réduit de 99% le nombre de tokens nécessaires tout en préservant les informations spatiales et sémantiques utiles à l'action. Les auteurs rapportent des gains de 22,8% du taux de réussite sur sept tâches réelles, et de 30% par rapport à la baseline VLA-Adapter sur des tâches hors distribution (out-of-distribution), en environnement simulé comme réel. Pour l'industrie robotique, ce travail cible un point faible connu des modèles VLA actuels : leur absence de représentation 3D persistante et invariante au point de vue, qui limite leur capacité à raisonner sur des contraintes géométriques et des layouts spatiaux complexes. La plupart des VLA en production s'appuient sur des flux caméra 2D bruts ou des cartes de profondeur peu structurées ; VistaVLA propose une carte cognitive 3D sémantique inspirée de la cognition humaine, un argument qui, s'il se confirme à plus grande échelle, pourrait influencer la conception des prochaines générations de politiques d'action pour bras manipulateurs et robots mobiles. Ce travail s'inscrit dans une vague de recherche académique cherchant à combler l'écart entre modèles VLA à succès commercial, comme Pi-0 de Physical Intelligence, GR00T N2 de NVIDIA ou Helix de Figure, et leurs limites documentées en generalisation spatiale. Les résultats restent pour l'instant issus d'évaluations contrôlées en laboratoire, sans déploiement industriel annoncé ; la validation sur des tâches de manipulation plus variées et à plus grande échelle reste la prochaine étape naturelle pour ce type d'approche.

Recherche⚡Actu

1 source

37

1107arXiv cs.RO 

EFLUX : navigation adaptative de formation multi-robots élastique pilotée par des LLM à base d'agents

Une équipe de recherche publie EFLUX, un framework qui combine raisonnement par LLM agentique et représentation géométrique structurée pour piloter la navigation de flottes de robots en formation dans des environnements confinés ou encombrés. Le système gère deux comportements complémentaires : la déformation, où la formation change continuellement de géométrie (mise à l'échelle, cisaillement) tout en restant connectée, et la reconfiguration, où les robots se scindent en sous-groupes ou fusionnent à nouveau. Contrairement aux approches existantes qui traitent ces deux comportements séparément ou via des règles écrites à la main, EFLUX extrait une représentation structurée de la scène et laisse un LLM raisonner conjointement sur les deux types d'actions. Ces décisions sont ensuite traduites en trajectoires par robot via un pipeline en boucle fermée de génération, vérification et correction. Les auteurs rapportent des expériences en simulation et sur robots physiques montrant une réduction des blocages (deadlocks) et des échecs de navigation par rapport aux méthodes de référence. L'apport est méthodologique plutôt que produit : il répond à un problème concret de la robotique multi-agents, à savoir que les méthodes découplées ou basées sur des règles manquent de critères géométriques explicites pour décider quand déformer ou reconfigurer une formation, ce qui mène à des trajectoires sous-optimales dans des environnements complexes. Pour les intégrateurs travaillant sur des flottes de robots mobiles autonomes (AMR) en entrepôt, en logistique ou en intervention, ce travail illustre une tendance émergente : utiliser le raisonnement de haut niveau d'un LLM couplé à des contraintes géométriques strictes plutôt que des règles figées, afin de gérer la coordination collective en temps réel. Il s'agit toutefois d'un article de recherche déposé sur arXiv (2607.12050), sans acteur industriel ni produit commercial associé, et l'ampleur exacte des essais matériels n'est pas précisée dans le résumé. EFLUX s'inscrit dans la lignée des travaux récents sur le raisonnement agentique appliqué à la robotique, après des avancées côté modèles vision-langage-action pour robots individuels comme Pi-0 ou GR00T N2. La suite logique serait une soumission à relecture par les pairs et une extension à des flottes plus larges, mais aucune feuille de route n'est annoncée à ce stade.

Recherche❖Paper

1 source

37

1108arXiv cs.RO 

Infra-Swarm : essaimage multi-robots robuste basé sur la vision, via spectre proche infrarouge

Une équipe de recherche propose Infra-Swarm, une architecture de perception pour essaims de robots reposant entièrement sur la vision proche infrarouge plutôt que sur la communication radio. Le concept, décrit dans un preprint publié sur arXiv (2607.12489), équipe chaque robot d'une source lumineuse proche infrarouge et de quatre caméras standard en niveaux de gris. Le système mesure directement la position 3D de ses voisins, avec une précision de l'ordre du centimètre, en analysant la direction (bearing) et l'intensité des points lumineux captés par les caméras. La clé technique repose sur des filtres à bande étroite de 940 nm qui bloquent physiquement 99,2 % des interférences de lumière ambiante, rendant la détection robuste aux variations d'éclairage dès le niveau matériel, sans recourir à un traitement logiciel lourd. L'intérêt de cette approche pour l'industrie robotique tient à sa capacité à contourner deux limites classiques des essaims multi-robots : la dépendance à une communication sans fil, souvent contrainte en bande passante et vulnérable aux interférences dans des environnements denses, et la fragilité des systèmes de vision passive classiques face aux changements de luminosité. En misant sur un filtrage optique matériel plutôt que sur des algorithmes de traitement d'image coûteux, Infra-Swarm promet une charge de calcul minimale, ce qui ouvre la voie à un déploiement sur du matériel embarqué à ressources limitées, un critère décisif pour faire passer les essaims robotiques de démonstrations en laboratoire à des flottes de taille réelle chez des intégrateurs. Le travail s'inscrit dans un champ de recherche actif sur la coordination décentralisée d'essaims, où les approches historiques oscillent entre communication radio (UWB, mesh Wi-Fi) et vision par caméras RGB classique, chacune avec ses compromis en portée, latence et robustesse environnementale. Infra-Swarm se positionne comme une alternative hybride matérielle, misant sur l'optique proche infrarouge plutôt que sur le calcul pour gagner en fiabilité. À ce stade, il s'agit d'un article de recherche et non d'un produit déployé : les prochaines étapes attendues concernent la validation à plus grande échelle, au-delà des essais en laboratoire décrits dans le preprint.

Recherche❖Paper

1 source

37

1109arXiv cs.RO 

Manipulation robuste en main via des a priori en apprentissage par renforcement et conception mécanique

Article envoyé en direct par un utilisateur (pas de contexte projet lié) : je traduis et résume le papier de recherche demandé. L'équipe présente une méthode pour améliorer la manipulation intra-main (in-hand manipulation) sans capteurs externes, un problème classique en robotique car les contacts doigt-objet et la gravité introduisent des incertitudes difficiles à modéliser. Les chercheurs combinent l'apprentissage par renforcement avec deux "priors" physiques complémentaires : un prior global de qualité de prise, issu de l'analyse classique de grasping, utilisé comme terme de récompense qui favorise des contacts bien répartis et une meilleure résistance aux forces perturbatrices dans le pire cas ; et un prior local de géométrie de contact, basé sur la courbure du bout des doigts, qui façonne mécaniquement l'interface de contact pour orienter le roulement de l'objet selon la tâche et réduire les dérives hors axe. La méthode est testée sur une main robotique multi-doigts manipulant trois objets différents selon quatre orientations de paume, avec des gains mesurés en efficacité de rotation, stabilité de la prise et rejet de perturbations. L'intérêt pour le secteur tient au fait que les approches RL existantes pour le "finger gaiting" (repositionnement séquentiel des doigts) privilégient souvent la réussite de la tâche sans se soucier de maintenir une prise mécaniquement saine pendant la manipulation, ce qui les rend fragiles face aux perturbations et difficiles à transférer du simulateur au monde réel. En intégrant des critères de qualité de prise directement dans la fonction de récompense, et en couplant cela à un design mécanique du bout des doigts pensé pour la tâche, les auteurs proposent une piste concrète pour des mains robotiques plus robustes en usage industriel, où la manipulation fine sans capteurs tactiles dédiés reste un goulot d'étranglement coûteux. Ce travail s'inscrit dans la lignée des recherches en RL pour la dextérité robotique, où le sim-to-real reste l'obstacle principal malgré des démonstrations impressionnantes en simulation. L'originalité ici est de ne pas traiter le problème uniquement comme une question d'algorithme, mais d'articuler apprentissage et morphologie mécanique. Une vidéo de démonstration accompagne la publication, mais aucun élément sur un déploiement réel ou une validation matérielle à grande échelle n'est mentionné à ce stade.

Recherche❖Paper

1 source

37

1110arXiv cs.RO 

Réduction de la redondance temporelle pour une inférence VLA efficace

Des chercheurs publient sur arXiv (arXiv:2607.12287v1) une méthode d'accélération pour les modèles Vision-Language-Action (VLA), utilisés en manipulation robotique, dont la latence d'inférence freine aujourd'hui le déploiement en temps réel. Ils identifient deux sources de redondance temporelle dans les pipelines VLA existants : le réencodage visuel complet de trames vidéo consécutives quasi identiques, et l'échantillonnage itératif multi-étapes propre aux politiques d'action basées sur la diffusion. Leur réponse combine deux optimisations système. Côté perception, seuls les tokens correspondant aux régions dynamiques de la scène sont mis à jour de façon incrémentale, au lieu de réencoder l'image entière à chaque frame. Côté génération d'action, le calendrier de diffusion est compressé à seulement deux étapes grâce à un entraînement spécifiquement optimisé pour l'efficacité, sans sacrifier la précision des gestes. Testée sur les bancs d'essai simulés Libero et RobotWin ainsi que sur des plateformes robotiques réelles, la méthode obtient un gain de vitesse supérieur à 2x, avec un taux de réussite allant jusqu'à 98% sur des benchmarks de manipulation générale. Le code doit être publié sur GitHub, mais n'est pas encore disponible : il s'agit pour l'instant d'un preprint académique, pas d'un produit livré. Pour les intégrateurs et les équipes robotique, ce travail s'attaque à un goulot d'étranglement bien réel : les politiques de diffusion, très précises, restent lentes à cause du débruitage itératif, ce qui complique leur usage sur du matériel embarqué à budget de calcul limité. Réduire ce coût sans perte de performance rapproche les VLA d'un fonctionnement temps réel sur GPU embarqué plutôt que sur infrastructure cloud dédiée, un enjeu central pour la commercialisation des bras manipulateurs et des humanoïdes. Cette publication s'inscrit dans une vague plus large de travaux visant l'efficacité d'inférence des VLA, alors que des modèles comme Pi-0 (Physical Intelligence), GR00T N2 (NVIDIA) ou Helix (Figure AI) ont démontré de fortes capacités de généralisation mais souffrent des mêmes limites de latence. La méthode reste pour l'instant validée en simulation et sur bancs de test restreints ; sa robustesse à grande échelle, en environnement industriel réel, reste à démontrer une fois le code effectivement publié.

Recherche⚡Actu

1 source

36

1111arXiv cs.RO 

ABot-AgentOS : un système d'exploitation robotique généraliste doté d'une mémoire multimodale à long terme

ABot-AgentOS, un système d'exploitation générique pour agents robotiques, vient d'être détaillé dans un article arXiv (2607.10350v1, juillet 2026). Il se positionne au-dessus des contrôleurs bas niveau existants et ajoute une couche délibérative chargée de la planification conditionnée par la scène, de l'exécution de compétences isolées par contexte, de la vérification multi-étapes, de la mémoire multimodale et de la collaboration edge-cloud. Pour l'évaluer, les auteurs introduisent EmbodiedWorldBench, un benchmark exécutable couvrant 16 scènes intérieures, extérieures et hybrides, quatre niveaux de difficulté et plus de 200 tâches (navigation, recherche d'objets, dialogue avec des PNJ, événements dynamiques), avec un scoring ancré sur les traces d'exécution réelles. Le système repose sur une "Universal Multi-modal Graph Memory", une mémoire persistante qui transforme dialogues, observations visuelles, contexte spatial, relations temporelles et traces de tâches en nœuds et arêtes typés. Une boucle d'auto-amélioration pilotée par les échecs promeut les correctifs générés uniquement vers de futurs jeux d'évaluation, pour éviter toute fuite de vérité terrain. Sur les benchmarks de mémoire, la version statique atteint 87,5 sur LoCoMo, 59,9 sur OpenEQA EM-EQA, 88,6 sur Mem-Gallery et 76,5 (Acc@All) sur NExT-QA ; l'auto-évolution pousse ces scores à 88,7, 60,4 et 89,0 respectivement. L'enjeu dépasse la simple perception ou prédiction d'action déjà couverte par les modèles VLA (Pi-0, GR00T N2, Helix) : il s'agit de doter les robots d'une mémoire persistante et auditable capable de raisonner sur le long terme, un manque identifié comme un frein à l'autonomie réelle en environnement complexe. Pour les intégrateurs, l'intérêt d'une couche OS générique tient à la promesse d'exécution cross-embodiment, potentiellement réutilisable entre plateformes robotiques différentes. Le scoring ancré sur les traces d'exécution répond directement à une critique récurrente du secteur, celle des démonstrations sélectionnées sans validation vérifiable. Il faut toutefois noter que les résultats ne portent que sur un "sous-ensemble initial" d'EmbodiedWorldBench, sans validation indépendante à ce stade. Ce travail s'inscrit dans la suite logique des modèles VLA qui ont résolu une bonne partie de la perception et de la prédiction d'action, mais laissent en jachère la mémoire et le raisonnement à long horizon. Aucun acteur français ou européen n'apparaît dans cette publication, purement académique et publiée en preprint. Les prochaines étapes annoncées consistent à étendre l'évaluation à l'ensemble du benchmark EmbodiedWorldBench, la boucle d'auto-évolution actuelle n'ayant pour l'instant été validée que sur des correctifs de mémoire ciblés et progressivement promus.

Recherche❖Paper

1 source

36

1112arXiv cs.RO 

Vérification en temps réel de modèles pour la planification réactive en boucle fermée de robots

Une équipe de recherche a publié une version mise à jour (v2) sur arXiv (2508.19186) d'un article intitulé « Real-Time Model Checking for Closed-Loop Robot Reactive Planning », qui propose une méthode de vérification de modèles (model checking) pour la planification réactive multi-étapes d'un robot autonome. Le constat de départ : les méthodes classiques d'évitement d'obstacles ne raisonnent qu'un pas en avant et se retrouvent souvent piégées dans des minima locaux, par exemple face à une impasse (cul-de-sac) ou un obstacle isolé. Les auteurs ont conçu un petit algorithme de model checking, exécuté directement dans le code du robot, qui génère des plans en temps réel sur un appareil à faible puissance de calcul, sans données pré-calculées ni entraînement préalable. La méthode s'appuie sur des systèmes de contrôle temporaires, activés en chaîne pour contrer les perturbations locales qui écartent le robot de son comportement ou état de repos préféré, et limite l'explosion combinatoire de l'espace d'états en ne travaillant que sur des instantanés temporaires de l'environnement immédiat. La planification multi-étapes repose sur des contre-exemples générés par recherche en profondeur d'abord (depth-first search) et une propriété de chemin en logique temporelle linéaire (LTL) négée. L'intérêt pratique tient à la promesse d'un raisonnement multi-étapes low-cost, sans base de données ni apprentissage profond, embarquable sur du matériel modeste : un argument qui tranche avec la tendance dominante des approches de navigation gourmandes en données et en puissance de calcul. Pour les intégrateurs de robots mobiles critiques (véhicules autonomes, robots de mission), cela ouvre une piste de navigation sûre et déterministe, avec des garanties formelles issues du monde de la vérification logicielle plutôt que des heuristiques d'apprentissage. Les auteurs revendiquent des gains de performance mesurables face à un agent purement réactif limité à un seul pas de raisonnement. Le model checking est historiquement une technique de vérification formelle de logiciels et de systèmes critiques, ici détournée vers la planification de trajectoire en temps réel plutôt que vers l'analyse a posteriori. L'article, positionné comme une étude de cas pédagogique, ne revendique pas de déploiement industriel ni de produit commercialisé : il s'agit de résultats empiriques et de preuves informelles sur deux scénarios contrôlés (impasse et obstacle isolé), présentés comme base pour des travaux futurs en navigation embarquée sûre, notamment pour les véhicules autonomes et la robotique mobile mission-critique.

Recherche❖Paper

1 source

35

1113arXiv cs.RO 

Robot Drummer : un humanoïde apprend les compétences rythmiques de la batterie

Des chercheurs ont présenté Robot Drummer, un framework de simulation permettant à des robots humanoïdes d'apprendre à jouer de la batterie, dans un article mis à jour sur arXiv (arXiv:2507.11498v3). L'équipe modélise le jeu de batterie comme une succession d'événements de contact minutés, baptisée "Rhythmic Contact Chain". Pour gérer la durée des morceaux, chaque piste est découpée en segments de longueur fixe, et une seule politique d'apprentissage par renforcement est entraînée en parallèle sur l'ensemble de ces segments plutôt que morceau par morceau. Les auteurs ont testé leur méthode sur plus de trente titres populaires et rapportent des scores F1 élevés, avec un apprentissage efficace même sur des performances musicales longues. Le système fait émerger des comportements proches de ceux d'un batteur humain, comme les frappes en croisant les bras ou une répartition adaptative des baguettes entre les mains. Le projet reste pour l'instant purement simulé, sans déploiement sur un robot physique ; une page dédiée (robotdrummer.github.io) présente les résultats. L'intérêt de ces travaux dépasse le simple exercice de style musical. La batterie impose une contrainte rare dans la robotique humanoïde : une synchronisation à la fraction de seconde, des contacts répétés à grande vitesse, et une coordination fine entre plusieurs membres sur des durées de plusieurs minutes, bien au-delà des tâches de manipulation ou de locomotion habituellement étudiées. Démontrer qu'une politique de RL unique peut apprendre ce type de comportement long et précis constitue un test de charge utile pour les architectures de contrôle destinées, à terme, à des tâches industrielles exigeant elles aussi rapidité et coordination multi-membres sous contrainte de timing strict. Les humanoïdes ont beaucoup progressé ces dernières années sur l'équilibre, la marche et la préhension d'objets, mais les domaines expressifs comme la performance artistique restaient largement inexplorés. Ce travail s'inscrit dans une tendance plus large consistant à utiliser des tâches créatives ou ludiques comme bancs d'essai pour la dextérité et la coordination robotique. La prochaine étape logique, non abordée dans cette publication, serait le transfert de cette politique de simulation vers un robot physique réel, avec les défis classiques de sim-to-real que cela implique.

Recherche❖Paper

1 source

32

1114arXiv cs.RO 

Un vocabulaire d'états comportementaux dans le R-CODE de la Sony ERS-111

Une étude publiée sur arXiv (2607.12115) propose une analyse à l'échelle d'un corpus complet de diagrammes comportementaux générés à partir de la distribution d'exemples R-CODE de Sony, le langage de programmation conçu pour le robot chien AIBO ERS-111. Plutôt que d'examiner chaque script isolément, les auteurs comparent les états nommés à travers l'ensemble des routines fournies par Sony pour en extraire le vocabulaire de contrôle récurrent. Le résultat principal montre que des comportements apparemment très différents s'appuient en réalité sur une grammaire embarquée compacte, structurée autour de cinq briques : initialisation, détection sensorielle, action itérative, synchronisation et récupération d'erreur. L'intérêt de ce travail dépasse l'archéologie logicielle. Les auteurs défendent l'idée que cette abstraction par machine à états peut servir de représentation intermédiaire pour construire de nouvelles routines comportementales encapsulées, en particulier sur des systèmes robotiques natifs à ressources contraintes, là où un contrôle déterministe, un accès direct au matériel et une composition modulaire des comportements restent prioritaires. Ce positionnement tranche avec la tendance actuelle de la robotique humanoïde et mobile, dominée par les modèles vision-langage-action (VLA) gourmands en calcul comme Pi-0, GR00T N2 ou Helix : l'étude rappelle qu'une approche par états explicites, héritée des systèmes embarqués des années 2000, garde une pertinence pratique pour le contrôle bas niveau sur du matériel limité. Sorti en 1999 puis décliné jusqu'à l'ERS-7, l'AIBO a été l'un des premiers robots grand public programmables, avec R-CODE comme environnement de script accessible aux amateurs et chercheurs. Ce papier s'inscrit dans une démarche rétrospective : il ne s'agit ni d'une annonce produit ni d'un déploiement, mais d'une analyse historique et méthodologique d'un corpus ancien, destinée à en tirer des principes de conception réutilisables. Les auteurs ne mentionnent pas de suite industrielle directe, mais suggèrent que ce type de vocabulaire comportemental structuré pourrait inspirer des architectures de contrôle modulaires pour la prochaine génération de robots embarqués à ressources limitées.

Recherche❖Paper

1 source

32

1115arXiv cs.RO 

Robots humanoïdes : la planification de trajectoire diversifiée par inférence de Stein contrainte globalisée

Des chercheurs viennent de publier sur arXiv (référence 2607.12732v1) une nouvelle méthode baptisée SteinSQP, pour Stein Variational Sequential Quadratic Programming, destinée à la planification de mouvement robotique. Le constat de départ est simple: les planificateurs classiques ne renvoient généralement qu'une seule trajectoire, alors que le problème est par nature multimodal, avec plusieurs solutions à faible coût possibles. Les approches probabilistes existantes tentent de maintenir une distribution de mouvements plutôt qu'une trajectoire unique, mais peinent à garantir que chaque échantillon respecte les contraintes strictes propres à la robotique: évitement de collisions, limites articulaires, conditions de contact et cohérence dynamique. SteinSQP fait évoluer un ensemble de particules en interaction, à la manière des méthodes Stein variationnelles classiques, tout en intégrant directement ces contraintes dans un sous-problème de programmation quadratique séquentielle en espace noyau. Ce sous-problème contraint de type Stein-Newton est résolu via un algorithme primal-dual sans matrice explicite, optimisé pour le GPU, ce qui permet des mises à jour groupées de l'ensemble de particules. Sur cinq tâches de planification sous contraintes, la méthode produit des ensembles entièrement faisables tout en conservant des alternatives de mouvement diversifiées. L'enjeu dépasse la seule performance algorithmique. Pour les intégrateurs et les équipes de recherche en robotique, disposer de plusieurs trajectoires faisables plutôt que d'une seule change la donne pour le replanning en temps réel, la gestion des échecs d'exécution ou l'arbitrage entre plusieurs stratégies de mouvement selon le contexte. La méthode s'attaque frontalement à un écart connu du secteur: beaucoup de techniques d'échantillonnage diversifié fonctionnent bien sans contraintes, mais s'effondrent dès qu'il faut garantir la faisabilité physique de chaque particule à l'échelle du robot. Les auteurs affirment une convergence plus rapide et plus robuste, une meilleure faisabilité par particule, et un temps de résolution par lot inférieur à celui obtenu avec des bases Stein de premier ordre ou du multistart séquentiel en programmation non linéaire. Ce travail s'inscrit dans la lignée des méthodes d'inférence variationnelle de Stein (SVGD) appliquées à la planification de mouvement, un champ qui cherche à dépasser les limites des planificateurs mono-solution historiques comme CHOMP ou TrajOpt. Il s'agit ici d'une publication de recherche, sans déploiement matériel ni partenaire industriel annoncé; les auteurs comparent leur approche à des méthodes concurrentes de premier ordre et à des solveurs NLP classiques, sans préciser de calendrier vers une intégration en conditions réelles.

Recherche❖Paper

1 source

40

111636Kr 

36Kr : un ex-associé de Flexiv lève des dizaines de millions de yuans pour des agents IA industriels

Shanghai Zhuizhi Engineering Technology (追知工科), fondée en février 2024, vient de lever plusieurs dizaines de millions de yuans en amorçage auprès de L2F Guangyuan Ventures, Shangrong Capital et Yicun Capital. L'entreprise, issue de la valorisation de recherche de l'université Jiao Tong de Shanghai et incubée par l'Institut d'intelligence artificielle de Shanghai, développe des "agents industriels verticaux" pour des procédés de fabrication comme le meulage et le soudage, plutôt qu'un robot humanoïde généraliste. Sa fondatrice, Yuan Lin, a été partenaire commercial chez Flexiv (非夕科技), contribuant à sa croissance jusqu'au statut de licorne, après des postes de directrice des ventes groupe chez l'équipementier coté Huachangda et de responsable de projets ABB en Chine sur les lignes Changan Ford et Geely, des contrats de plusieurs centaines de millions de yuans. L'équipe technique s'appuie sur le professeur Li Zhuguo, spécialiste des matériaux à Jiao Tong classé parmi les 2% de scientifiques les plus cités au monde, et sur Cao Guangzhi, ancien scientifique en chef de la vision par ordinateur pour Autopilot chez Tesla. Le produit phare, baptisé WOLIF, repose sur une architecture de contrôle en boucle fermée dite "cerveau industriel plus cervelet de procédé", censée ajuster en continu les paramètres d'usinage selon l'état perçu de la pièce, au lieu d'exécuter un programme figé préréglé par des ingénieurs. Cette approche cible un angle mort réel de l'automatisation industrielle : les tâches non standardisées à forte variabilité, où les robots à règles fixes échouent et où la main d'œuvre qualifiée se raréfie. Si la promesse de "boucle fermée totalement autonome" reste à vérifier à grande échelle au-delà des cas cités, la traction commerciale déjà annoncée, un premier contrat livré avec un groupe coté en Chine continentale et une commande de plusieurs dizaines de millions de yuans dans l'aéronautique, distingue ce dossier des simples démonstrations technologiques. La première génération de robot de traitement de surface, FAST, a été validée sur des pièces aéronautiques de haute précision. Zhuizhi vise ensuite l'énergie nouvelle, puis l'automobile, l'électronique grand public, la robotique et les drones, en misant sur la portabilité de son savoir-faire par matériau et procédé plutôt que par secteur, une capacité de traitement du carbone par exemple devant se transférer de l'aéronautique au sport ou à l'électronique.

Chine/Asie⚡Actu

1 source

35

1117TechNode 

Xiaomi fait le point sur ses robots humanoïdes en usine automobile, avec 98 % de réussite sur certaines tâches

Xiaomi a communiqué de nouveaux résultats sur le déploiement de son robot humanoïde dans une de ses usines automobiles. Après quatre mois d'itérations successives, le taux de réussite du robot sur un poste de vissage d'écrous autotaraudeurs est passé de 90,2 % à 98 %, selon les chiffres avancés par l'entreprise, réduisant l'écart avec le taux de qualification des ouvriers humains à un seul point de pourcentage. Xiaomi a également étendu les tâches confiées à la machine avec deux nouveaux postes : le tri de panneaux latéraux de console centrale et le pliage puis recyclage de bacs à pièces, tous deux affichant un taux de réussite de 90 %. Le poste de tri des panneaux de console constitue, selon le constructeur, la première fois qu'un robot humanoïde effectue des opérations continues de longue durée sur des pièces souples dans une usine automobile. Ces chiffres proviennent de communications internes de l'entreprise, relayées par le média chinois Jiemian, sans validation indépendante. Ce type d'annonce pèse dans le débat sur l'écart entre démonstration et réalité industrielle qui traverse le secteur des robots humanoïdes. Manipuler des pièces souples et non rigides en continu reste l'un des obstacles majeurs à une automatisation généralisable au-delà de tâches répétitives sur objets calibrés, un problème central pour les intégrateurs et les décideurs industriels qui évaluent la maturité réelle de ces machines avant d'investir. Un taux de réussite proche de celui d'un opérateur humain sur un poste de production, si confirmé à plus grande échelle, renforcerait l'argument selon lequel certains modèles de contrôle vision-langage-action commencent à tenir leurs promesses en environnement de production réel, et pas seulement en laboratoire. Xiaomi investit dans la robotique humanoïde depuis la présentation de son robot CyberOne en 2022, dans un contexte où les groupes chinois comme Unitree, UBTech et Fourier Intelligence multiplient les essais en usine, aux côtés d'acteurs occidentaux tels que Figure AI, Tesla avec Optimus ou Agility Robotics. Xiaomi n'a pas communiqué de calendrier de déploiement à grande échelle ni de volumes de production visés, laissant ces annonces au stade d'un pilote industriel interne plutôt que d'un déploiement commercial confirmé.

Industriel⚡Actu

1 source

43

1118Pandaily 

LimX Dynamics, la start-up chinoise spécialisée dans les robots humanoïdes, atteint 2,3 milliards de dollars de valorisation avec un tour pré-IPO de 200 millions de dollars

LimX Dynamics, startup de robotique humanoïde basée à Shenzhen et fondée il y a quatre ans par Zhang Wei, professeur à la Southern University of Science and Technology, vient de boucler un tour de table Pre-IPO de près de 200 millions de dollars, portant sa valorisation post-money à 2,3 milliards de dollars, un montant qui la place parmi les startups robotiques les plus valorisées de Chine. L'entreprise a bâti une architecture technologique en trois couches: à la base, un modèle fondation type "cervelet" pour le contrôle moteur du corps entier; au milieu, un moteur vision-langage-action baptisé Humanoid VLA qui relie perception visuelle et commandes motrices; au sommet, un système d'exploitation agentique nommé COSA, chargé du raisonnement, de la planification et de l'exécution des tâches. Cette fusion cognito-motrice dans une architecture unique distingue LimX de concurrents qui traitent généralement contrôle moteur et raisonnement cognitif comme deux sous-systèmes séparés. Le catalogue produit illustre cette approche: Luna, le robot humanoïde phare, est vendu 298 000 RMB (environ 41 000 dollars), dispose de 27 degrés de liberté et peut orchestrer des performances synchronisées jusqu'à 200 robots pour l'événementiel. TRON 2, robot multi-formes sur châssis unique, se reconfigure entre versions bipède, à roues ou double-bras via des modules de buste interchangeables, achetés en une fois pour cinq configurations différentes. En avril 2026, LimX a également mis en open source le Flux VLA Engine, plateforme d'ingénierie pour l'intelligence incarnée codéveloppée avec Alibaba Cloud. Le choix stratégique de LimX tranche nettement avec la ruée du secteur vers les démonstrations d'utilité en usine. Zhang Wei affirme que les humanoïdes ne sont pas nés pour les chaînes de production, où l'efficacité coût et le débit priment, mais pour des scénarios commerciaux, hôteliers, touristiques et de divertissement où l'interaction humaine, le mouvement esthétique et la présence sociale créent de la valeur, notamment à l'export. Ce pari a une portée concrète pour l'industrie: si le premier marché de masse des humanoïdes se révèle bien être le service et le divertissement plutôt que l'industrie, LimX prendrait une avance difficile à rattraper sur ce segment, quand les acteurs focalisés sur l'usine capteraient en priorité les revenus manufacturiers. À prendre néanmoins avec prudence: les chiffres de déploiement en conditions réelles restent limités par rapport aux démonstrations mises en avant. Sur le plan concurrentiel, LimX se positionne face à des rivaux chinois et occidentaux qui misent majoritairement sur l'usine et la logistique. Sa stratégie logicielle, décrite par Zhang comme une plateforme à la Taobao où des développeurs tiers viendraient "ouvrir leur boutique" sur le socle matériel et de contrôle moteur LimX, vise à accélérer le déploiement d'applications verticales tout en collectant des données spécifiques à chaque scénario d'usage. Le tour Pre-IPO signale la confiance des investisseurs dans cette différenciation, sans que des pilotes commerciaux à grande échelle n'aient encore été confirmés publiquement.

Chine/Asie❧Opinion

1 source

43

1119Pandaily 

Xiaomi déploie ses robots sur la chaîne de production automobile : opérations flexibles sur pièces réussies

Xiaomi a déployé son robot humanoïde sur la ligne de production de la SU7, sa berline électrique, où il exécute désormais deux nouvelles tâches avec un taux de réussite supérieur à 90 % en fonctionnement continu, après seulement six mois d'entraînement en usine. La première consiste à trier des panneaux latéraux de console centrale, des pièces souples et de forme irrégulière extraites de bacs répartis sur trois rangées puis placées avec précision dans un support de fixation. Pour atteindre les pièces au fond d'un bac, le robot stabilise son centre de gravité en agrippant le bord du bac d'une main pendant qu'il tend l'autre, puis réalise plusieurs transferts main à main pour ajuster l'orientation de la pièce avant de la positionner ; en cas de résistance à la pose, il la retire, corrige l'angle et retente automatiquement. La seconde tâche, le pliage et le recyclage de cartons, exige d'ouvrir des loquets avec un contrôle fin de la force des doigts, de plier les boîtes à deux bras puis d'empiler et pousser les unités vers un poste cible, plusieurs robots coordonnant leur cadence avec celle de la chaîne. Six mois plus tôt, ce même robot se limitait à un poste unique de vissage d'écrous autotaraudeurs, avec une fiabilité annoncée de 98 %. Ces chiffres proviennent des communications de Xiaomi et n'ont pas été vérifiés de façon indépendante, ce qui invite à une certaine prudence sur leur portée réelle en conditions de production non filmées. Cette progression prend une dimension particulière face à la déclaration d'Elon Musk en janvier 2026, selon laquelle Optimus n'était pas encore capable d'un travail utile en usine. Que Xiaomi, acteur de l'électronique grand public sans passé industriel en robotique, affiche une trajectoire comparable à celle de Figure 03 chez BMW, référence actuelle du secteur pour le déploiement d'humanoïdes en usine, resserre l'écart perçu entre démonstration et exploitation réelle. La capacité du robot à détecter une résistance et à adapter son geste en cours d'opération, grâce à un retour de force proprioceptif, le distingue des robots industriels classiques, programmés pour des positions fixes et incapables de gérer un imprévu. Pour les intégrateurs et décideurs industriels, ce type de compliance active laisse entrevoir des robots capables de traiter des pièces souples et variables, un usage jusqu'ici hors de portée de l'automatisation rigide. Le robot avait été présenté pour la première fois en avril 2026 lors de la conférence investisseurs de Xiaomi, où il serrait des mains et distribuait des cadeaux, un registre purement social et démonstratif. Le passage en six mois vers des tâches industrielles à cadence de ligne s'inscrit dans une course mondiale aux humanoïdes de production où s'affrontent déjà Tesla avec Optimus, Figure avec son modèle 03 chez BMW, et les architectures VLA comme Pi-0 ou GR00T N2. Xiaomi ne détaille pas de calendrier de déploiement à plus grande échelle, mais la vitesse de cette itération fixe un repère agressif pour l'ensemble du secteur.

Industriel❧Opinion

1 source

25

1120Robotics Business Review 

Clé du progrès des humanoïdes : gérer l'énergie derrière les robots

Murata Power Solutions présente, dans cet épisode du podcast Designing the Future animé par Jim Anderton, les défis d'ingénierie liés à l'alimentation électrique des robots humanoïdes. John Quinlan, Senior Engineering Manager chez Murata Power Solutions (Boston), y détaille pourquoi la gestion de l'énergie embarquée devient le facteur limitant des performances robotiques. Alors que la vitesse, la mobilité, la dextérité, la vision et les interfaces utilisateur des humanoïdes progressent à un rythme soutenu, avec des annonces quasi hebdomadaires dans le secteur, la conversion de l'énergie stockée en batteries ou en piles à combustible embarquées vers les formes utilisables par la mécatronique et l'électronique de contrôle reste un point de blocage physique incontournable. Murata y présente sa gamme de convertisseurs de puissance compacts et à haut rendement, couvrant un large spectre de besoins, des applications de faible puissance jusqu'aux systèmes de forte puissance, destinés aux marchés industriels, médicaux, des télécommunications et de l'information. Ce constat rappelle une réalité souvent éclipsée par les vitrines spectaculaires des démonstrations d'humanoïdes: la performance perçue d'un robot, qu'il s'agisse de sa vitesse de déplacement ou de la fluidité de ses gestes, dépend directement de l'efficacité de sa chaîne d'alimentation électrique. Pour les intégrateurs et décideurs industriels, ce rappel a une portée concrète: l'autonomie, le poids embarqué et la fiabilité thermique d'un humanoïde ne se jouent pas uniquement dans les algorithmes de contrôle moteur ou les modèles vision-langage-action, mais aussi dans des composants moins visibles comme les convertisseurs DC-DC et la gestion thermique de l'électronique de puissance. C'est un angle mort fréquent des comparatifs entre plateformes comme Figure 03, Optimus ou Atlas, qui se concentrent sur le payload, les degrés de liberté ou le temps de cycle sans détailler l'architecture énergétique sous-jacente. Ce format podcast s'inscrit dans une série éditoriale de The Robot Report consacrée aux coulisses techniques de la robotique, où des fournisseurs de composants critiques mais peu médiatisés, capteurs, actionneurs, systèmes d'alimentation, prennent la parole aux côtés des géants de l'humanoïde. Murata Power Solutions, filiale du groupe japonais Murata Manufacturing, est un acteur établi de longue date dans l'électronique de puissance pour environnements contraints, bien avant l'essor actuel des humanoïdes commerciaux. Aucune annonce de produit spécifique aux humanoïdes n'est faite ici: il s'agit d'un contenu de positionnement technique et commercial, destiné à installer Murata comme fournisseur de référence auprès des concepteurs de robots à mesure que la demande en solutions d'alimentation embarquée haute densité s'intensifie.

Infrastructure⚡Actu

1 source

45

1121Robotics Business Review 

NVIDIA explique comment évaluer les politiques robotiques polyvalentes en conditions réelles

NVIDIA a publié un billet technique détaillant les limites actuelles des méthodes d'évaluation des modèles fondation pour la robotique généraliste, ainsi que RoboLab, sa plateforme de benchmarking en simulation censée y répondre. L'entreprise identifie quatre failles structurelles dans les protocoles de test existants. D'abord, un chevauchement du domaine visuel entre entraînement et évaluation : quand un modèle est affiné puis testé dans le même environnement simulé, un bon score ne prouve que sa mémorisation du décor, pas sa capacité de généralisation. Les approches dites real2sim, qui reconstruisent des scènes photoréalistes à partir d'images réelles via inpainting ou Gaussian splatting, corrigent partiellement ce biais mais exigent souvent plus d'une heure de préparation par scène, ce qui rend les tests à grande échelle peu praticables. Ensuite, la plupart des benchmarks reposent sur un jeu de tâches figé, vite saturé : lorsque tous les modèles dépassent 90% de réussite sur le même test, les chiffres perdent leur pouvoir discriminant. NVIDIA pointe aussi un déficit de diagnostic, un simple score de succès binaire ne dit rien sur la cause d'un échec (confusion de couleur, formulation de l'instruction, décalage de caméra). Enfin, l'entreprise soulève un problème de fiabilité statistique : un taux de succès mesuré sur un petit nombre d'essais peut tromper. Exemple donné, une politique affichant 90% de réussite sur seulement 70 rollouts a, selon la méthode de Clopper-Pearson pour calculer un intervalle de confiance binomial exact, un intervalle de confiance à 95% qui s'étend sur 15,4 points de pourcentage, un écart énorme pour un chiffre présenté comme une performance unique. L'exemple illustratif porte sur la politique pi-0.5 de Physical Intelligence testée sur une tâche de tri d'objets ("poser la tasse à mesurer orange et la tasse bleue en dehors de l'assiette"). Pour les intégrateurs et décideurs B2B qui doivent choisir entre plusieurs modèles vision-language-action (VLA) pour équiper des bras ou des humanoïdes, ce travail est une mise en garde directe contre les chiffres de communiqués de presse. Un score de succès affiché sans intervalle de confiance ni contrôle du chevauchement visuel peut masquer un simple surapprentissage plutôt qu'une réelle capacité de généralisation en conditions réelles. Cela renforce l'hypothèse, déjà répandue dans le secteur, d'un écart persistant entre démonstrations et déploiement effectif, et invite à exiger des fournisseurs des protocoles d'évaluation reproductibles plutôt que des vidéos sélectionnées. Cette initiative s'inscrit dans l'effort plus large de NVIDIA autour des fondations robotiques, aux côtés de ses plateformes Isaac Sim et Isaac Lab, dans un secteur où rivalisent des laboratoires comme Physical Intelligence (pi-0, pi-0.5), Google DeepMind (Gemini Robotics) ou Figure AI. À mesure que les modèles VLA généralistes se multiplient, la question de la mesure standardisée devient centrale pour départager annonces marketing et progrès réels, et RoboLab se positionne comme une tentative de fournir un cadre commun avant que le marché ne soit inondé de comparatifs invérifiables.

IA physique❖Paper

1 source

39

1122The Verge 

Boston Dynamics teste des "chiens robots" pour les livraisons

Boston Dynamics teste actuellement un nouvel accessoire de type tapis roulant fixé sur son robot quadrupède Spot, permettant de transporter des colis directement depuis un véhicule de livraison jusqu'au pas de la porte d'un client, de façon autonome. L'objectif affiché est de réduire la charge de travail des livreurs humains sur le dernier segment du trajet, celui qui va du camion à l'entrée du domicile. Le dispositif a été présenté via une vidéo de démonstration, sans précision sur le payload maximal, l'autonomie ou un calendrier de déploiement commercial. Spot est déjà utilisé pour des inspections industrielles répétitives en usine et a notamment servi à patrouiller sur le site archéologique de Pompéi. Cette expérimentation illustre une limite persistante de l'automatisation de la livraison du dernier kilomètre. Les robots à roues et les drones aériens peinent à franchir des obstacles courants comme des escaliers, des trottoirs encombrés ou des accès non standardisés, un terrain où la locomotion à pattes de Spot pourrait offrir un avantage réel. Pour les intégrateurs et les acteurs de la logistique, ce test reste toutefois à un stade de démonstration et ne prouve pas encore une viabilité économique ou opérationnelle à grande échelle. Boston Dynamics, racheté par Hyundai en 2021, a construit la réputation de Spot sur des usages B2B établis: inspection de sites industriels, surveillance de chantiers, cartographie. L'entreprise explore ici un nouveau marché face à des concurrents comme les drones de livraison ou les robots à roues déployés par des acteurs de la logistique urbaine. Aucun pilote commercial ni partenaire de livraison n'a pour l'instant été annoncé.

IA physique⚡Actu

1 source

43

1123Interesting Engineering 

IA incarnée : le MIT forme des robots grâce à des environnements virtuels 3D réalistes

Des chercheurs du MIT ont dévoilé SceneSmith, un système d'intelligence artificielle capable de générer automatiquement des environnements intérieurs 3D réalistes pour entraîner des robots. La plateforme s'appuie sur trois agents IA complémentaires fonctionnant en boucle: un "designer" qui construit la disposition de la pièce et place meubles et objets, un "critique" qui vérifie le réalisme de la scène et signale les incohérences (un objet qui n'a rien à faire dans cette pièce, par exemple), et un "orchestrateur" qui pilote l'ensemble du processus et décide quand la scène est terminée ou doit être révisée. Ces agents s'appuient sur GPT-5.2, le modèle vision-langage d'OpenAI, pour comprendre comment les espaces réels sont agencés. Un utilisateur peut simplement décrire une pièce en langage naturel, par exemple un garage avec voiture, établi, pneus empilés et échelle contre le mur, et SceneSmith en génère une version virtuelle détaillée. L'équipe a produit plus de 1300 environnements virtuels (cuisines, hôtels, bureaux, commerces, espaces à thème), dans lesquels des robots se sont entraînés à des tâches domestiques courantes: poser des fruits sur une assiette, déplacer des canettes entre étagères et table, ouvrir des placards, ranger des tasses dans un évier. Sur 100 environnements testés, un agent IA a évalué la réussite des tâches, avec un taux d'accord de plus de 99% avec des évaluateurs humains. Une étude auprès de plus de 200 personnes a montré que plus de 90% jugeaient les scènes de SceneSmith plus réalistes que celles produites par les méthodes précédentes, avec jusqu'à six fois plus d'objets interactifs par scène. L'enjeu central que vise SceneSmith est le principal goulot d'étranglement de la robotique actuelle: contrairement aux chatbots qui apprennent sur du texte, les robots ont besoin de données d'interaction physique variées, coûteuses et lentes à collecter en conditions réelles. En automatisant la création de mondes virtuels riches et crédibles, le MIT cherche à réduire cette dépendance aux essais physiques tout en accélérant l'itération sur les stratégies de contrôle. Le test le plus révélateur reste celui d'un contrôleur robotique entraîné principalement sur des données réelles, qui a réussi des tâches (saisir une pomme dans un bol, la poser sur une planche à découper) dans des environnements SceneSmith qu'il n'avait jamais vus, un indice de transfert sim-to-real qui intéressera directement intégrateurs et équipes R&D cherchant à réduire les coûts de collecte terrain. Le projet s'inscrit dans la course plus large à la génération de données synthétiques pour la robotique, où plusieurs laboratoires tentent de contourner la rareté des données physiques réelles. Le MIT ne communique pas, à ce stade, de calendrier de déploiement commercial ni de partenariat industriel annoncé: il s'agit d'une publication de recherche, présentée via un communiqué de l'équipe, dont l'ampleur des bénéfices en conditions réelles de production reste à confirmer au-delà des tests en laboratoire.

Recherche❖Paper

1 source

32

1124Hackaday Robots Hacks 

Muscles fibreux pour la robotique humanoïde

Des muscles fibreux électrofluidiques pour l'actionnement robotique Les actionneurs robotiques classiques reposent sur des moteurs couplés à des réducteurs ou des systèmes de liaisons pour transformer un mouvement rotatif en mouvement utile, une approche peu adaptée à la reproduction de mouvements humains fluides. Face à cette limite, plusieurs équipes se sont tournées vers l'actionnement pneumatique, sans obtenir jusqu'ici de résultats vraiment convaincants. Une nouvelle piste, baptisée "Electrofluidic Fiber Muscles" (muscles à fibres électrofluidiques), propose une alternative: un faible courant sous haute tension génère un gradient de pression à l'intérieur d'un long tube, ce qui provoque sa contraction, à la manière d'une fibre musculaire. Ce tube peut être associé à un second, monté en configuration extenseur/fléchisseur, reproduisant ainsi le fonctionnement d'une paire de muscles biologiques antagonistes. Particularité notable: la pompe qui génère la pression motrice peut elle-même être enroulée directement autour des fibres, formant un ensemble compact et intégré, sans nécessiter de source de pression externe volumineuse comme c'est le cas pour les actionneurs pneumatiques classiques. Cette approche s'inscrit dans une recherche plus large de solutions d'actionnement légères, compactes et compliantes pour la robotique humanoïde, où les moteurs et réducteurs traditionnels restent lourds, rigides et énergivores. Si elle tient ses promesses, l'intégration directe de la pompe dans la structure fibreuse pourrait réduire l'encombrement et le poids des systèmes actionneurs, un enjeu central pour les concepteurs de robots à mouvements humains. Il s'agit toutefois pour l'instant d'un concept au stade expérimental, loin d'un produit commercialisé ou déployé à grande échelle: aucune donnée sur l'endurance, la force générée ou le coût de fabrication n'est encore disponible. Ce développement s'ajoute à la longue lignée d'expérimentations autour des muscles artificiels, des systèmes pneumatiques de type McKibben aux approches électroactives plus récentes, qui cherchent toutes à s'affranchir des limites mécaniques des moteurs classiques. Les auteurs eux-mêmes tempèrent l'enthousiasme: il faudra encore du temps avant de voir cette technologie équiper des robots grand public ou même des plateformes de hobbyistes.

Recherche❖Paper

1 source

39

1125Interesting Engineering 

Vidéo : le nouveau robot humanoïde chinois combine contrôle corps entier et puce Nvidia Thor

Booster Robotics, start-up chinoise de robotique, a dévoilé le Booster T2, une nouvelle plateforme humanoïde destinée à la fois à la recherche en IA incarnée et à des applications industrielles réelles. La version T2 Pro embarque la puce Nvidia Thor T5000, annoncée jusqu'à 2 070 TFLOPS de calcul embarqué pour la perception, la planification et le contrôle en temps réel. Le robot mesure environ 1,4 mètre et pèse entre 43 et 94,7 livres selon la configuration matérielle, avec 31 degrés de liberté répartis en six articulations par jambe, sept par bras, trois au niveau du bassin et deux à la tête. Il peut porter jusqu'à 10 kg à deux bras, avec un couple articulaire maximal de 140 Nm, et existe en trois configurations : effecteur optionnel, pince standard, ou main dextre à 6 degrés de liberté pour des tâches de manipulation avancées. Côté perception, le T2 embarque des caméras binoculaires à la tête et à la taille, complétées par des caméras de poignet sur les versions haut de gamme, un réseau de microphones, des haut-parleurs et un LiDAR optionnel. Sa batterie de 48V/10Ah offre jusqu'à deux heures de marche continue à une vitesse maximale de 2 m/s. Parallèlement, Booster Robotics lance Booster Studio, une plateforme logicielle ouverte couvrant simulation, entraînement de politiques et déploiement sur robot réel, avec un support pour les modèles vision-langage-action (VLA), l'apprentissage par renforcement et l'apprentissage par imitation. L'enjeu principal tient au calcul embarqué : en réduisant la dépendance à une puissance de calcul externe, Booster mise sur une boucle perception-décision-action autonome, un point de friction classique pour les intégrateurs qui cherchent des robots déployables hors laboratoire. Booster Studio répond quant à lui directement au problème du "sim-to-real", souvent cité comme l'un des principaux goulots d'étranglement de la robotique incarnée actuelle. La vidéo de démonstration montrant chutes récupérées, sauts et coordination dynamique doit toutefois être lue avec prudence : ce type de séquence est généralement sélectionné et ne garantit pas une fiabilité en conditions réelles non contrôlées. Un signal plus solide vient du terrain de compétition : l'équipe THU Huoshen de l'université Tsinghua a conservé son titre à la RoboCup 2026 Humanoid League en Corée du Sud avec le précédent modèle Booster T1, confirmant une certaine maturité de la plateforme dans des contextes dynamiques non scénarisés. Booster T1 s'était déjà imposé comme référence académique low-cost dans les cercles de recherche et de compétition robotique. Le T2 vise à élargir cette base vers des usages commerciaux et industriels, en misant sur une approche ouverte et modulaire plutôt que sur un produit intégré verticalement, à la différence d'acteurs comme Tesla (Optimus) ou Figure. Il vient également se positionner face à Unitree, autre constructeur chinois disputant le même segment des plateformes humanoïdes accessibles aux développeurs. Aucun acteur français ou européen n'est mentionné dans cette annonce.

Chine/Asie⚡Actu

1 source

42

1126Pandaily 

JD.com se lance dans l'IA incarnée : construction de la première usine de robots RoboBase à Guangzhou

JD.com a posé la première pierre de son site "Robot Base" à Guangzhou, marquant l'entrée officielle du géant chinois du e-commerce dans l'IA incarnée (embodied AI). L'investissement, estimé à environ 1 milliard de RMB, doit être achevé en 2028 pour une pleine production visée en 2030, avec une valeur de production annuelle projetée à 1,75 milliard de RMB. Le site accueillera des acteurs de l'IA incarnée, de la robotique industrielle et de service, ainsi que des entreprises de la chaîne d'approvisionnement amont et aval. Le fondateur Richard Liu a annoncé un plan de plus de 80 sites RoboBase à travers le pays, tandis que la filiale JD Logistics prévoit d'acquérir 3 millions de robots, 1 million de véhicules autonomes et 100 000 drones sur cinq ans pour automatiser l'ensemble de sa chaîne logistique, de l'entreposage à la livraison du dernier kilomètre. Les partenaires du site de Guangzhou incluent Zhiyuan Robot, Leju Robot, Qingtong Vision et GAC Huilun Technology. JD.com ne fabrique pas de robots lui-même mais se positionne comme orchestrateur de plateforme, un choix stratégique qui mérite d'être souligné plutôt que pris pour argent comptant. L'entreprise met en avant quatre leviers : l'intégration à son écosystème de distribution pour réduire les coûts et donner accès au marché, ses modèles open-source et centres de collecte de données à grande échelle, des terrains de test réels via ses magasins JD MALL, parcs logistiques et pharmacies, et enfin un accès au capital via ses fonds d'investissement et JD Finance. Ce modèle répond directement aux trois blocages classiques du secteur robotique identifiés par l'industrie : l'absence de scénarios de déploiement réels, l'absence de canaux de vente stables, et le manque de capital de développement soutenu. La déclaration selon laquelle Songyan Power aurait vendu plus de 500 robots en deux jours sur la plateforme JD reste toutefois un chiffre communiqué par JD lui-même, sans vérification indépendante, et JD vise 10 milliards de RMB de ventes de robots sur sa plateforme cette année, avec l'objectif de faire dépasser 1 milliard de RMB de ventes à une centaine de marques d'ici trois ans. JD investit dans des startups de robotique incarnée depuis 2025, dont LimX Dynamics (locomotion humanoïde), Zhiyuan Robot (robots humanoïdes généralistes), Zhongqing Robot, Pasini et RoboScience. Le directeur des opérations de Zhiyuan Robot a confirmé que des robots de l'entreprise sont déjà déployés dans des stations de métro de Guangzhou, dans le cadre d'une coentreprise avec l'opérateur local. JD s'attaque aussi au service après-vente, un angle mort classique du secteur, en s'appuyant sur son réseau JD Service+ de plusieurs milliers de techniciens formés pour bâtir un maillage national de maintenance. Le 11 juillet, le gouvernement provincial du Guangdong a signé un accord stratégique global avec le groupe JD couvrant l'économie numérique, la logistique intelligente et la fabrication robotique, signe d'un soutien politique appuyé à ce modèle de plateforme au moment où le secteur robotique chinois cherche à transformer ses démonstrations technologiques en déploiements commerciaux réels.

Chine/Asie❧Opinion

1 source

50

1127arXiv cs.RO 

Pense quand c'est important : raisonnement VLM conditionnel pour la navigation sociale avec des politiques RL

Le laboratoire à l'origine de ce papier arXiv (référence 2607.10991v1) présente HUMA, une architecture hybride de navigation sociale pour robots mobiles qui combine une politique d'apprentissage par renforcement (RL) avec un modèle vision-langage (VLM). Le principe : la politique RL, rapide et réactive, gère les déplacements courants à faible densité humaine, tandis qu'un VLM post-entraîné prend le relais uniquement quand une personne entre dans la zone de proximité sensible du robot. Évalué sur les benchmarks Social-MP3D et Social-HM3D, HUMA améliore le taux de réussite des tâches de 20% et 3% respectivement par rapport aux meilleures méthodes existantes, tout en réduisant significativement les violations d'espace personnel et les collisions avec des humains. Le système a aussi été testé en conditions réelles sur le robot mobile Mirokaï, conçu par la start-up française Enchanted Tools. Cette approche répond à un compromis central dans la navigation sociale robotique : les politiques RL sont rapides mais peinent à généraliser à des scénarios sociaux complexes, tandis que les VLM offrent un raisonnement sémantique plus fin mais restent trop lents pour un déploiement temps réel. En activant le VLM seulement de façon conditionnelle, HUMA évite l'écueil du tout-VLM (latence, coût de calcul) sans sacrifier la finesse de compréhension sociale dans les moments qui comptent le plus, c'est-à-dire l'interaction rapprochée avec des humains. Pour les intégrateurs et décideurs déployant des robots de service en environnement partagé (hôpitaux, bureaux, commerces), cela suggère une voie concrète pour rendre les VLM exploitables en production sans réécrire toute la pile de contrôle. Le travail s'inscrit dans la tendance récente consistant à substituer ou hybrider les VLM aux politiques RL classiques pour améliorer le raisonnement sémantique en navigation, une piste explorée notamment par des architectures VLA comme Pi-0 ou GR00T N2 dans d'autres contextes robotiques. Les auteurs ont mené des études d'ablation détaillées pour valider chaque composant architectural, et la démonstration sur Mirokaï, robot déployé par Enchanted Tools, ancre l'approche au-delà de la simulation, dans un cas d'usage réel de robot d'accueil et d'assistance en environnement humain.

FR/EU ecosysteme❖Paper

1 source

50

1128arXiv cs.RO 

Xiaomi-Robotics-U0 : synthèse incarnée unifiée avec modèle fondation du monde

Xiaomi Robotics a publié U0, un modèle multimodal autorégressif de 38 milliards de paramètres conçu pour unifier plusieurs tâches de génération liées à la robotique au sein d'un seul système. Décrit dans un article déposé sur arXiv, U0 traite la synthèse de contenus "incarnés" comme une extension directe des modèles de génération d'images et de vidéos fondationnels, en optimisant conjointement le texte-vers-image, l'édition d'images, la génération de scènes incarnées, le transfert incarné et la génération vidéo incarnée. Selon les auteurs, il s'agit du premier modèle capable de générer des scènes cohérentes en multi-vues pour plusieurs types de robots différents, et il introduit un mécanisme de transfert structuré et contrôlable permettant une édition fine tout en préservant la cohérence géométrique et la dynamique d'interaction. Les résultats rapportés indiquent que U0 dépasse GPT-Image-2.0 lors d'évaluations humaines sur la génération et le transfert de scènes incarnées, se classe premier sur le classement World Arena pour la génération vidéo incarnée, et fait passer le taux de succès hors distribution du modèle de manipulation pi0.5 de 36,9% à 63,2% sur des tâches de manipulation réelle jugées difficiles. Le code et les checkpoints sont mis à disposition sur le site de Xiaomi Robotics. L'enjeu principal ne se situe pas dans la démonstration visuelle mais dans l'usage de U0 comme moteur de données synthétiques pour l'entraînement de politiques robotiques. Le gain mesuré sur pi0.5, un modèle vision-langage-action tiers développé par Physical Intelligence, est le point le plus significatif: il suggère qu'un monde fondationnel bien conçu peut générer des données d'entraînement suffisamment réalistes pour améliorer la généralisation d'un VLA existant sur des tâches de manipulation réelles, et pas seulement sur des métriques internes. C'est une piste concrète pour réduire l'écart simulation-vers-réel qui freine encore le déploiement à grande échelle des robots humanoïdes et bras manipulateurs, en offrant une alternative à la collecte coûteuse de données physiques. Le travail part d'un constat classique dans le secteur: adapter un modèle fondationnel pré-entraîné avec des données robotiques limitées tend à dégrader les connaissances visuelles acquises lors du pré-entraînement à grande échelle. U0 cherche à préserver cette généralisation tout en l'adaptant aux contraintes des embodiments robotiques. Il se positionne face à des approches comme GR00T N2 de NVIDIA ou les modèles Pi de Physical Intelligence, dans une course où Xiaomi investit désormais explicitement la recherche en IA incarnée. Pour l'instant, la publication reste au stade recherche: code et poids sont ouverts, mais aucun déploiement produit ni pilote industriel n'est annoncé.

IA physique❧Opinion

1 source

45

1129arXiv cs.RO 

Bin picking de précision à faible coût grâce à l'estimation de pose 6D : Pickalo

Cette recherche, publiée sur arXiv (version 2, article de remplacement) par une équipe rattachée au laboratoire MESH de l'IIT (Istituto Italiano di Tecnologia), présente Pickalo, un pipeline de bin picking basé sur l'estimation de pose 6D et conçu entièrement à partir de matériel bas coût. Une caméra RGB-D montée au poignet explore activement la scène sous plusieurs points de vue, tandis que les flux stéréo bruts sont traités par BridgeDepth pour produire des cartes de profondeur affinées, nécessaires à un raisonnement fiable sur les collisions. Les instances d'objets sont segmentées par un modèle Mask-RCNN entraîné uniquement sur des données synthétiques photoréalistes, puis localisées grâce à l'estimateur de pose zero-shot SAM-6D. Un module de "pose buffer" fusionne les observations multi-vues dans le temps, gère les symétries d'objets et réduit fortement le bruit de pose. Hors ligne, le système génère et sélectionne de larges ensembles de candidats de préhension antipodale par objet ; en ligne, un classement par utilité couplé à une vérification rapide des collisions alimente la planification de préhension. Déployé sur un bras UR5e équipé d'une pince parallèle et d'une caméra Intel RealSense D435i, Pickalo atteint jusqu'à 600 prises par heure avec un taux de réussite de 96 à 99%, et maintient des performances stables sur des sessions de 30 minutes dans des euro-bacs densément remplis. L'intérêt de ces résultats tient moins à la performance brute qu'à l'absence de capteurs 3D industriels coûteux, habituellement jugés indispensables pour gérer l'encombrement et les occlusions en bin picking réel. En combinant une caméra grand public, un entraînement purement synthétique et un estimateur de pose zero-shot, l'équipe montre qu'un pipeline VLA-adjacent peut tenir la cadence attendue en logistique et en manufacturing sans matériel spécialisé, un signal utile pour les intégrateurs et décideurs industriels qui cherchent à réduire le coût d'entrée des cellules de picking robotisées. Les études d'ablation confirment que l'affinement de la profondeur et le module de fusion multi-vues sont les deux leviers déterminants pour la stabilité et le débit en conditions réalistes, plutôt qu'un simple gain marginal. Le bin picking en environnement encombré reste un problème ouvert malgré des années de progrès en vision 3D et en planification de préhension, la plupart des systèmes commerciaux s'appuyant sur des capteurs structurés ou des caméras industrielles onéreuses. Pickalo s'inscrit dans une tendance récente combinant modèles de segmentation zero-shot et estimateurs de pose génériques comme SAM-6D pour s'affranchir de ce matériel dédié. Les auteurs annoncent des vidéos de démonstration sur leur page projet, mais ne précisent pas de calendrier de transfert industriel ni de partenaire de déploiement au-delà du cadre de recherche universitaire.

FR/EU ecosysteme❖Paper

1 source

45

1130arXiv cs.RO 

L'efficacité du fine-tuning LoRA pour les modèles vision-langage-action dans la manipulation robotique industrielle

Une équipe de recherche publie une étude systématique sur l'adaptation à faible rang (LoRA) appliquée à π0, un modèle Vision-Language-Action (VLA) à correspondance de flux, testé sur quatre tâches d'assemblage de précision avec un bras robotique UR5e. Les chercheurs ont balayé des rangs LoRA de 8 à 256, plusieurs stratégies d'allocation des paramètres, et testé le gel sélectif de composants du modèle. Résultat principal : aucune différence statistiquement significative de performance entre le fine-tuning complet (FFT), qui exige des GPU de datacenter, et certaines configurations LoRA. Les performances plafonnent dès un rang de 32, avec une allocation uniforme des paramètres entraînables entre le backbone vision-langage (VLM) et l'expert d'action qui suffit à égaler le FFT. Geler le VLM ou limiter le LoRA au seul encodeur visuel dégrade nettement les résultats. Avec cette configuration optimale (rang 32, encodeur visuel entièrement ajustable), la mémoire VRAM statique de pointe chute de 36,2 à 10,8 Gio, hors mémoire d'activation, sans perte de performance mesurable. Pour l'industrie robotique, ce résultat a une portée pratique directe : il abaisse fortement la barrière matérielle pour spécialiser un modèle VLA préentraîné à un cas d'usage industriel précis, sans avoir besoin d'un cluster GPU dédié à l'entraînement complet. C'est un signal utile pour les intégrateurs et PME qui veulent déployer des politiques de manipulation fine sans les moyens des grands laboratoires. L'étude apporte aussi un contrepoint méthodologique à l'hypothèse selon laquelle seul un réentraînement complet permettrait de combler le "gap d'incarnation" entre un modèle généraliste et un robot physique donné : ici, un ajustement ciblé mais bien réparti sur les couches sémantiques et visuelles suffit. π0 est le modèle VLA développé par Physical Intelligence, l'un des laboratoires de référence sur les politiques de manipulation par apprentissage à grande échelle, aux côtés d'acteurs comme NVIDIA (GR00T N2) ou Figure AI. Cette publication, un preprint arXiv, s'inscrit dans une tendance plus large de recherche sur l'efficacité des VLA plutôt que sur leur seule capacité brute. Aucun acteur français ou européen n'apparaît dans ce travail, mais ses conclusions concernent directement les intégrateurs européens qui évaluent l'adoption de VLA préentraînés sur du matériel limité.

Recherche⚡Actu

1 source

45

1131arXiv cs.RO 

EgoSteer : un système complet pour la manipulation dextre pilotable à partir de vidéos égocentriques

Des chercheurs publient EgoSteer, un système complet destiné à rendre les mains robotiques dextres pilotables par instructions en langage naturel, à partir de vidéos égocentriques humaines (arXiv:2607.09701). Le dispositif repose sur trois briques : EgoSmith, un pipeline de données qui a curé 9,6 mille heures de vidéos égocentriques filmées en conditions réelles pour constituer un corpus de pré-entraînement de haute qualité, avec un débit neuf fois supérieur et une précision meilleure que les méthodes précédentes ; une pile robotique unifiée gérant téléopération et correction humaine en boucle ; et EgoSteer lui-même, un modèle vision-langage-action (VLA) enrichi d'un modèle du monde, entraîné sur une infrastructure optimisée. Le système exécute des instructions en langage libre sur plus de 40 tâches distinctes, avec récupération après échec, dextérité fine et capacité de généralisation. Après un pré-entraînement sur données humaines suivi d'un ancrage par post-entraînement robotique et d'un raffinement DAgger, le modèle s'adapte en few-shot à des tâches longues et complexes comme le pliage de boîtes, avec un taux de réussite supérieur à 75% sur deux plateformes robotiques différentes. Le code, les données et le modèle sont mis en open-source sur egosteer.github.io. Ce travail s'attaque directement au principal goulot d'étranglement des mains robotiques dextres : l'absence de données de démonstration à grande échelle, alignées avec le langage et précises au niveau de l'action. En démontrant qu'un pré-entraînement massif sur vidéos humaines non robotiques peut ensuite être ancré efficacement sur robot réel avec relativement peu de données, l'équipe apporte un signal concret sur le transfert vidéo-vers-robot à l'échelle, un sujet central pour les intégrateurs et laboratoires qui cherchent à réduire le coût de collecte de démonstrations téléopérées. La généralisation cross-embodiment et la récupération après échec restent des points faibles connus des VLA actuels ; les résultats annoncés ici, à évaluer au-delà des tâches et conditions choisies par les auteurs, vont dans le sens d'un rapprochement entre démonstrations en laboratoire et usage réel. Le manque de données dextres de qualité freine depuis plusieurs années l'extension des architectures VLA, popularisées par des modèles généralistes comme Pi-0 ou GR00T, au-delà des bras et pinces simples vers des mains multi-doigts. EgoSteer s'inscrit dans cette course à l'échelle des données, aux côtés d'efforts similaires chez les acteurs de l'humanoïde et de la manipulation dextre. L'ouverture complète du code, du modèle et du jeu de données constitue la prochaine étape logique pour permettre une réplication indépendante des résultats annoncés.

IA physique⚡Actu

1 source

44

1132arXiv cs.RO 

ABot-N1 : vers un modèle fondation vision-langage-navigation généraliste

Une équipe de recherche publie ABot-N1, un modèle fondateur de navigation vision-langage (VLN) décrit dans l'article arXiv:2607.10383v1. Le système repose sur une architecture "slow-fast" qui découple la cognition du contrôle : un raisonneur vision-langage lent effectue un raisonnement explicite en chaîne de pensée (Chain-of-Thought) et produit un "pixel goal", un jeu compact de points d'ancrage dans l'image servant d'interface universelle pour plusieurs tâches (atteinte de point, atteinte d'objet, atteinte de point d'intérêt, suivi d'instructions, suivi de personne). Un expert d'action rapide exploite ensuite ces indices textuels et pixel pour générer des waypoints continus à la fréquence native de contrôle du robot. Sur les benchmarks, ABot-N1 revendique de nouveaux records : le taux d'arrivée sur point d'intérêt (POI) progresse de 35 points, passant à 77,3%, avec des taux de réussite de 95,4% en intérieur complexe et 92,9% en extérieur. Les auteurs publient également en open source de nouveaux benchmarks Point-Goal et POI-Goal pour la navigation à l'échelle urbaine. L'enjeu dépassé la simple démonstration technique : les approches VLN actuelles reposent le plus souvent sur des politiques monolithiques qui mappent directement observations et actions, ce qui provoque des dérives de coordonnées et une gestion médiocre des cas rares (long-tail), tout en restant des boîtes noires peu interprétables. En séparant explicitement le raisonnement du contrôle bas niveau via des ancrages pixel, ABot-N1 cherche à concilier généralité, robustesse et transparence, un compromis que peu de modèles de navigation embarquée atteignent simultanément. Pour les intégrateurs robotiques et les concepteurs de flottes autonomes (livraison, AMR urbains, robots de service), c'est un signal que les modèles VLA/VLN à grande échelle commencent à traiter sérieusement l'écart entre démonstration en simulation et fiabilité en conditions réelles, notamment sur les scénarios urbains à grande échelle, historiquement un point faible du secteur. Le papier s'inscrit dans la vague plus large des modèles fondateurs de navigation et d'action visio-langage, qui cherche à unifier raisonnement spatial profond et polyvalence face à des tâches embarquées variées, un axe de recherche parallèle à celui des modèles manipulation-centric comme Pi-0 ou GR00T N2. En publiant à la fois le modèle et de nouveaux benchmarks Point-Goal/POI-Goal en open source, les auteurs positionnent ABot-N1 comme une base de comparaison pour la communauté plutôt qu'un produit commercial fini, sans calendrier de déploiement réel ni partenaire industriel annoncé à ce stade.

IA physique❖Paper

1 source

44

1133arXiv cs.RO 

VIA : agent d'interface visuelle pour le contrôle de robots

Le laboratoire d'IA publie sur arXiv (référence 2607.11119v1) un framework baptisé VIA, pour Visual Interface Agent, qui aborde le contrôle robotique sous un angle radicalement différent des approches dominantes. Plutôt que d'entraîner un modèle vision-langage-action (VLA) spécialisé sur des données robotiques, VIA fait piloter un bras manipulateur par un agent génériste (Claude Code ou Codex) via une interface 3D dans un navigateur : l'agent prend des captures d'écran, envoie des commandes simples, observe le résultat et ajuste sa trajectoire en boucle fermée. Aucun fine-tuning spécifique au robot, aucun accès à des données d'état privilégiées : seulement de la perception visuelle et un petit ensemble d'outils génériques. Avec le modèle le plus performant testé, Fable 5, VIA atteint 96,7% de réussite sur trois tâches de la suite LIBERO-Goal et 100% sur une tâche complexe d'assemblage séquentiel ("rainbow assembly"). L'enjeu dépasse la simple prouesse technique. Les modèles VLA actuels (dérivés de familles comme pi-0 ou GR00T N2) restent des ordres de grandeur plus petits que les modèles généralistes de pointe, faute de données et de calcul disponibles pour le fine-tuning robotique, ce qui plafonne mécaniquement leurs capacités de raisonnement. VIA suggère au contraire que les capacités générales des agents de codage ou d'usage d'ordinateur se transfèrent directement au contrôle physique, à condition de leur fournir la bonne interface. Autre signal notable : la performance de VIA progresse avec l'échelle et la puissance du modèle sous-jacent, ce qui laisserait entrevoir des gains automatiques à mesure que les modèles génériques s'améliorent, sans réentraînement robotique dédié. Pour les intégrateurs et décideurs du secteur, cela questionne la nécessité de collecter des données robotiques coûteuses pour chaque nouvelle tâche. Le travail s'inscrit dans la vague de recherche sur les VLA (RT-2, OpenVLA, Helix et consorts), qui reste aujourd'hui le paradigme dominant pour la robotique généraliste. VIA en propose une alternative agentique, sans fine-tuning, testée pour l'instant uniquement sur des tâches de manipulation de table en environnement contrôlé. Il s'agit d'un préprint arXiv, non encore validé par les pairs, et les auteurs eux-mêmes présentent leurs résultats comme des indices de transférabilité plutôt que comme une solution de déploiement industriel : les prochaines étapes attendues porteront sur l'élargissement à des tâches plus diverses et des environnements réels au-delà du tabletop.

Recherche⚡Actu

1 source

43

1134arXiv cs.RO 

Stop to Decide : primitives de navigation proprioceptive sensibles à la latence pour l'inspection de quadrupèdes sans cartographie

Des chercheurs publient un article (arXiv:2607.11204v1) qui documente une faille dans une méthode de navigation proprioceptive courante sur les quadrupèdes peu puissants en calcul. Testée sur un Unitree Go2 (environ 75 cm) face à une plateforme à marches dont le sommet mesure 50 cm, plus court que le robot, l'étude montre que le partage du Jetson Orin embarqué entre la boucle de navigation et le pipeline de vision fait chuter la fréquence de la boucle d'escalier à environ 15 Hz. À cette cadence, la détection classique d'arrivée au sommet, basée sur le tangage du corps, se déclenche en pleine montée et le robot dépasse le bord supérieur, un risque qui croît avec l'avance par période (v/f). Une cadence alternative "climb-settle" (grimper puis marquer un temps d'arrêt avant de conclure) maintient au contraire un dépassement quasi nul quelle que soit la fréquence: 22 échecs sur 45 essais avec la méthode classique contre 1 sur 45 avec climb-settle sur les fréquences testées (environ 30, 20 et 15 Hz, test de Fisher p≈2,4e-7), et 7/15 contre 0/15 à 15 Hz, le régime réellement déployé. Un modèle logistique en v/f capture cette dégradation et, validé hors échantillon à 40 Hz, donne une règle pratique: fréquence critique d'environ 19 Hz à 0,30 m/s. Le résultat intéresse directement les intégrateurs robotique en environnement industriel: il montre qu'une primitive de navigation validée à la fréquence nominale du contrôleur peut échouer silencieusement dès que le calcul embarqué est partagé avec d'autres pipelines, situation fréquente sur du matériel low-cost. La leçon opérationnelle est qu'un simple ajustement de la cadence de décision suffit souvent à corriger le problème, sans capteur ni calcul supplémentaire. Cela confirme aussi que des architectures sans carte et sans apprentissage restent viables pour des tâches d'inspection bornées, à condition de traiter la latence comme une contrainte de conception et non un détail d'ingénierie. Le système complet n'embarque qu'une centrale inertielle, quatre capteurs de force aux pattes, trois télémètres 1D et une caméra ligne, avec une manœuvre en trois segments pour des virages à 90 degrés dans un corridor de 55 cm (20/20 essais sans contact contre 14/20 pour la méthode de référence, avec 12 contacts muraux; erreur de cap de 1,56 degré contre 5,64 degrés) en plus de la traversée d'escalier. Le parcours d'inspection complet a été bouclé avec succès dans 18 essais sur 20 (90%). Les auteurs précisent que ces chiffres proviennent d'une seule géométrie de parcours, d'une seule plateforme et d'un seul opérateur, appelant une validation plus large.

Recherche❖Paper

1 source

42

1135arXiv cs.RO 

Can we Trust Unreliable Voxels ? Exploration de la prédiction d'occupation sémantique 3D face au bruit d'étiquetage

Une équipe de recherche présente OccNL, le premier benchmark dédié à l'évaluation de la prédiction d'occupation sémantique 3D sous bruit d'annotation asymétrique et sous "traînées dynamiques", ainsi que DPR-Occ, une méthode conçue pour rester robuste face à ces défauts. Le papier, publié sur arXiv (2603.06279v2, version corrigée d'un texte déjà soumis), part d'un constat concret: dans les jeux de données réels de perception 3D par voxels, les annotations sont souvent corrompues par des artefacts structurels et par des effets de traînée liés aux objets en mouvement, ce qui fausse l'entraînement des modèles de perception. Les auteurs montrent que les techniques de gestion du bruit d'étiquetage qui fonctionnent bien en 2D s'effondrent totalement une fois transposées aux espaces voxels 3D, beaucoup plus épars. DPR-Occ répond à ce problème par un raisonnement à partir d'étiquettes partielles double source, combinant la mémoire temporelle du modèle et une mesure d'affinité structurelle au niveau des représentations, pour étendre puis élaguer dynamiquement les ensembles de labels candidats. Sur le benchmark SemanticKITTI, la méthode maintient des performances stables même à 90% de bruit d'étiquetage, avec des gains allant jusqu'à 2,57 points de mIoU et 13,91 points d'IoU par rapport aux méthodes de référence adaptées depuis la 2D. Code et benchmark seront publiés sur GitHub (mylwx/OccNL). L'enjeu dépasse l'exercice académique: la prédiction d'occupation 3D est un composant central de la perception embarquée, aussi bien pour les véhicules autonomes que pour les robots mobiles (AMR) et, de plus en plus, pour la navigation des robots humanoïdes en environnement dynamique. Or les annotations 3D de terrain sont coûteuses et intrinsèquement imparfaites, notamment autour des objets mobiles. Démontrer qu'un système de perception peut rester fiable malgré un bruit d'étiquetage massif renforce la viabilité de pipelines d'entraînement moins dépendants d'annotations manuelles parfaites, un enjeu direct pour les intégrateurs qui doivent déployer ces systèmes en sécurité. SemanticKITTI, dérivé du jeu de données KITTI de l'université de Karlsruhe, reste la référence pour la segmentation sémantique LiDAR en conduite autonome, ce qui inscrit ce travail dans la lignée des efforts de robustesse en perception embarquée plutôt que dans une logique de produit commercial. Les auteurs positionnent explicitement leur approche comme un pont entre les recherches en apprentissage sous bruit d'étiquetage, jusqu'ici centrées sur la 2D, et les besoins spécifiques de la perception 3D pour la robotique en environnement dynamique et safety-critical.

Recherche❖Paper

1 source

42

1136arXiv cs.RO 

Structure accrue, pas capacité accrue : représentations centrées sur les objets pour l'apprentissage par imitation visuomotrice

Des chercheurs ont testé, sur le simulateur ManiSkill3 et la tâche PickCube-v1, si des représentations visuelles structurées par objet apportent un réel avantage face aux encodeurs classiques utilisés dans les politiques d'imitation visuomotrice pour la manipulation robotique. En gardant fixes la politique, le token d'objectif, le rendu et la calibration, et en ne changeant que l'encodeur visuel, une représentation object-centric SPOT (DINO ViT-B/16 combiné à un mécanisme de Slot Attention, figé, sans fine-tuning) atteint un taux de succès de 55,0±2,9%, contre 32,6±1,5% pour une référence DINO à embedding global dense, soit un gain de 22,4 points. Fait notable, une grille de patches denses avec seize fois plus de tokens ne fait pas mieux que l'embedding global seul. En ajoutant un objectif spatial 2D explicite et un rendu en résolution native, le système complet grimpe à 68,7±4,2%, juste en dessous d'une borne supérieure "oracle" 3D privilégiée à 71,7±4,1%. Une taxonomie automatisée des échecs cinématiques distingue ensuite les erreurs de précision spatiale ("Near-Miss") des erreurs de suivi d'objet ("No-Grasp"), et montre que l'ancrage spatial réduit les premières sans affecter les secondes ; la même taxonomie, transposée à la tâche plus difficile StackCube-v1, pointe l'occlusion comme principal facteur limitant. Ces résultats apportent une preuve empirique à une hypothèse importante pour le secteur : ce n'est pas la capacité brute d'un encodeur visuel (plus de tokens, plus de résolution de features) qui détermine la performance en manipulation, mais la structuration de l'information en objets discrets. Pour les équipes qui conçoivent des politiques VLA ou des pipelines d'apprentissage par imitation, cela suggère qu'investir dans des représentations object-centric peut être plus rentable que d'augmenter la taille des backbones visuels, et que le goulot d'étranglement réel se situe souvent dans le suivi d'objet sous occlusion plutôt que dans la précision géométrique pure. Ce travail s'inscrit dans la lignée des recherches sur les représentations par slots (Slot Attention) appliquées à la robotique, en s'appuyant sur des encodeurs auto-supervisés comme DINO, déjà largement adoptés dans la communauté vision-langage-action. L'étude reste pour l'instant limitée à la simulation (ManiSkill3, tâches PickCube et StackCube) avec des encodeurs figés, sans fine-tuning ni validation en conditions réelles ; les auteurs identifient l'occlusion comme prochain axe de travail prioritaire pour combler l'écart avec la borne oracle.

Recherche❖Paper

1 source

42

1137arXiv cs.RO 

Dépoussiérer la manipulation dextérique : une recette minimaliste d'apprentissage par renforcement guidé par retargeting

Des chercheurs ont publié REGRIND, un pipeline d'apprentissage par renforcement guidé par retargeting qui permet à des mains robotiques multi-doigts d'apprendre des tâches de manipulation dextre à partir d'une seule démonstration humaine. La méthode retranscrit le mouvement main-objet d'un humain vers une référence robotique qui préserve les relations spatiales et de contact entre la main et l'objet, puis entraîne une politique RL résiduelle en simulation pour suivre des points-clés centrés sur l'objet le long de cette référence. La politique obtenue est ensuite transférée directement sur le matériel physique, sans réentraînement, moyennant une identification système soignée des paramètres du robot. Testée sur deux mains robotiques multi-doigts différentes, l'approche produit des comportements fluides et proches du geste humain sur des tâches riches en contacts et en usage d'outils, notamment manier une paire de ciseaux et faire tourner un tournevis. Les travaux sont publiés sur arXiv (2607.11874), avec vidéos et code disponibles en ligne. L'intérêt de ce résultat tient à la difficulté propre de la manipulation dextre par rapport au contrôle locomoteur des humanoïdes, où la recette retargeting-puis-RL avait déjà fait ses preuves. Manipuler des objets suppose de réguler finement les modes de contact et les forces appliquées, un problème nettement plus contraignant que suivre une trajectoire de marche. En montrant qu'une seule démonstration humaine suffit à entraîner une politique transférable au réel, REGRIND propose une alternative frugale en données face aux approches dominantes du secteur, qui s'appuient sur de larges modèles vision-langage-action entraînés sur des volumes massifs de téléopération. Pour les équipes développant des mains robotiques destinées à des tâches d'usage d'outils, industrielles ou domestiques, cela ouvre une voie moins coûteuse en collecte de données pour atteindre un comportement dextre exploitable. L'étude s'inscrit dans la continuité des travaux récents sur le contrôle corps-entier des humanoïdes, où retargeting de mouvement humain et suivi par RL sont devenus une recette standard, mais que les auteurs jugent insuffisamment validée pour la manipulation contact-riche. Au-delà de la démonstration technique, les chercheurs ont mené des expériences matérielles systématiques pour identifier les facteurs qui déterminent la réussite du transfert simulation-vers-réel, en tirant des recommandations pratiques pour quiconque veut appliquer ce type d'apprentissage par retargeting à des scénarios de contact. Le code et les vidéos publiés doivent permettre à la communauté de reproduire et d'étendre ces résultats.

Recherche❖Paper

1 source

42

1138arXiv cs.RO 

Robotique fiable en ROS 2 : correction des échecs d'outillage dans iG-LIO pour l'odométrie LiDAR-inertielle GICP incrémentale

Un rapport technique publié sur arXiv (2607.09947v1) documente un portage ROS 2 Jazzy d'iG-LIO, système d'odométrie LiDAR-inertielle à couplage fort combinant generalized-ICP et contraintes point-to-plane dans un filtre de Kalman à état d'erreur itéré, appliqué sur une carte voxel incrémentale. L'équipe, rattachée au laboratoire Forestry Robotics de l'Université de Coimbra (Portugal), a migré l'implémentation originale ROS 1 sans toucher aux mathématiques d'estimation, mais le code, bien que compilant et s'exécutant normalement, divergeait avec des valeurs internes NaN. Le diagnostic a identifié deux causes purement liées à la chaîne d'outils ROS 2 : une incompatibilité de Quality-of-Service qui supprime et réordonne silencieusement les échantillons IMU, et un accumulateur de réduction parallèle non initialisé provenant de la combinaison oneTBB et Eigen livrée avec les distributions ROS 2 récentes. L'équipe a aussi corrigé le parsing des champs de points Ouster pour les nouvelles révisions de capteurs, ajouté le support du Velodyne Velarray M1600, proposé une voie Livox CustomMsg ainsi qu'un chemin sans pilote dédié pour les capteurs Livox publiant du PointCloud2 standard comme le Mid-360, et exposé la configuration via YAML. La validation a été menée sur un Ouster OS0 Rev7, un OS1 Rev7 et un Livox MID-360. Le code est disponible sur GitHub (Forestry-Robotics-UC/ig_lio, branche ros2-jazzy). L'intérêt de ce travail dépasse le simple portage : il documente un mode de défaillance silencieux et particulièrement traître pour quiconque migre un système d'odométrie ou de SLAM de ROS 1 vers ROS 2. Une divergence numérique de ce type, provoquée par la chaîne d'outils et non par l'algorithme, peut passer inaperçue lors de tests superficiels puisque le programme continue de tourner sans planter. Pour les intégrateurs travaillant sur des robots mobiles, drones ou véhicules forestiers/agricoles dépendant de fusion LiDAR-inertielle, ce rapport constitue un signal d'alerte méthodologique sur les risques de migration ROS 2 et un cas documenté de debugging reproductible, plutôt qu'une innovation algorithmique. iG-LIO s'inscrit dans la lignée des systèmes d'odométrie LiDAR-inertielle tels que FAST-LIO ou LIO-SAM, désormais largement utilisés en robotique de terrain. Les auteurs précisent explicitement que ce rapport sert de référence citable pour le portage lui-même, sans revendication sur l'algorithme sous-jacent publié séparément. Le support multi-capteurs ajouté (Ouster, Velodyne, Livox Mid-360) suggère un usage visé en environnements forestiers et extérieurs, cohérent avec l'affiliation du laboratoire.

FR/EU ecosysteme⚡Actu

1 source

42

1139arXiv cs.RO 

WALA : apprendre des actions latentes exécutables à partir de démonstrations étiquetées et de vidéos sans action

Des chercheurs présentent WALA (arXiv:2607.11397), un framework qui apprend des actions latentes exécutables à partir de deux types de données distincts : des démonstrations robotiques annotées d'actions et de simples vidéos sans annotation d'action. Le problème visé est bien connu du secteur : les démonstrations robotiques étiquetées coûtent cher à collecter et passent mal à l'échelle, alors que les vidéos humaines et robotiques disponibles en masse restent inexploitables faute d'étiquettes d'action exécutables. WALA fonctionne en deux temps. D'abord, un pré-entraînement d'un modèle d'action latente sémantique-géométrique sur des vidéos, en modélisant l'évolution entre l'observation courante et des observations futures échantillonnées de façon éparse. Plutôt que de reconstruire les pixels bruts, le système prédit les deltas futurs dans l'espace de features DINOv3 et dans l'espace de profondeur dense, ce qui conserve la structure sémantique et géométrique utile à la tâche tout en réduisant la sensibilité aux détails d'apparence. Lors de l'entraînement de la politique, l'encodeur pré-entraîné fournit des cibles d'action latente stables, et le décodeur sert de modèle du monde latent entraînable, avec une supervision conjointe par prédiction d'action robotique, correspondance de cible d'action latente et prédiction de dynamique future. Résultat annoncé : un nouveau record sur RoboCasa avec 75,2% de taux de réussite moyen, ainsi que de bonnes performances sur RoboTwin et en manipulation réelle. L'enjeu pour l'industrie robotique tient moins à la performance brute qu'à la promesse de découplage entre données d'entraînement et coût d'annotation. Si une politique VLA peut effectivement tirer une supervision de dynamique utile de vidéos non annotées, cela ouvre la voie à des jeux de données d'entraînement bien plus vastes sans multiplier les campagnes de téléopération robotique, un goulot d'étranglement connu pour tout intégrateur ou labo qui cherche à généraliser au-delà d'un jeu de tâches restreint. Cela dit, il s'agit d'un résultat de recherche publié sur arXiv, pas d'un produit déployé : les métriques de succès sur RoboCasa et RoboTwin sont des benchmarks de simulation ou semi-contrôlés, et la mention de "manipulation réelle" reste peu détaillée dans l'abstract, sans précision sur le nombre de tâches, le taux de réussite exact en conditions réelles ni le hardware utilisé. Le travail s'inscrit dans la lignée des architectures vision-langage-action (VLA) comme Pi-0 ou GR00T N2, qui cherchent à unifier perception, langage et contrôle moteur dans un même backbone, et dans la tendance plus large des "world models" latents pour la robotique, où l'usage de features pré-entraînées (ici DINOv3) remplace la reconstruction pixel pour la supervision. Aucun acteur français ou européen n'est mentionné dans cet abstract. Les suites logiques incluraient une publication complète avec code et poids, ainsi que des tests de généralisation croisée entre familles de robots, un point sur lequel l'abstract reste volontairement vague.

Recherche⚡Actu

1 source

41

1140arXiv cs.RO 

Rupture de la barrière des 15 % : un système proactif basé sur des données réelles pour un robot social déclenché par des signaux non verbaux de l'utilisateur

Le déploiement d'un robot humanoïde téléopéré dans un magasin de détail, pendant six jours consécutifs en conditions réelles, a permis de mesurer un phénomène jusque-là peu documenté : 15,3% des prises de parole du robot ont été déclenchées non pas par une commande vocale du client, mais par un signal non verbal, comme le fait de s'approcher, de faire un signe de la main, de pointer du doigt ou de montrer un objet. Ce chiffre est significatif car la quasi-totalité des robots de service actuels reposent sur des pipelines audio en cascade, reconnaissance vocale puis modèle de langage puis synthèse vocale (STT-LLM-TTS), qui ignorent par construction tout ce qui n'est pas parlé. À partir de l'observation des comportements clients, les chercheurs ont défini un ensemble de gestes fréquents et pertinents pour le service, puis développé un système de reconnaissance temps réel, multi-personnes et multi-étiquettes, fonctionnant directement à partir du flux vidéo. Cette limite des systèmes audio-only a une portée concrète pour les intégrateurs et décideurs qui déploient des robots d'accueil ou de vente : un robot purement conversationnel laisse filer près d'une interaction sur six, celles où le client agit avant ou sans parler. Les auteurs proposent un cadre de dialogue qui conditionne la génération de réponses du modèle de langage sur des jetons de gestes reconnus, et mobilise en option un modèle vision-langage lorsqu'un client montre un article, ce qui permet une réaction proactive sans règles écrites à la main. C'est une preuve que l'ajout de perception visuelle légère à un pipeline LLM existant peut combler un angle mort réel, mesuré en conditions de terrain plutôt qu'en démonstration contrôlée. L'étude s'inscrit dans un mouvement plus large de robots de service en magasin qui cherchent à dépasser le simple assistant vocal pour gérer des interactions multimodales, un axe déjà exploré par des architectures comme Helix ou GR00T N2 côté manipulation, mais ici appliqué à l'interaction sociale en point de vente. Le système a été validé hors ligne sur les tours de parole déclenchés par du non-verbal, puis démontré sous forme de prototype en ligne réagissant en temps réel. Aucun acteur français ou européen n'est mentionné dans cette publication, qui reste à ce stade une contribution de recherche plutôt qu'un produit commercialisé.

Recherche❖Paper

1 source

41

1141arXiv cs.RO 

Pix2Act : politiques de manipulation dans l'espace image avec augmentation équivariante

Pix2Act, une nouvelle méthode d'apprentissage par imitation pour la manipulation robotique, reformule le contrôle 3D des bras robotiques en un problème de prédiction 2D dans le plan de la caméra. Concrètement, au lieu de prédire directement des poses de préhenseur en trois dimensions, le système génère des trajectoires continues de points clés dans l'image de chaque caméra, puis reconstruit sans perte d'information les poses de l'effecteur final par triangulation entre plusieurs vues. Cette approche aligne observations et actions dans le même espace de coordonnées, ce qui permet d'appliquer des transformations équivariantes: faire pivoter conjointement les images de chaque caméra et les trajectoires d'action correspondantes. Les chercheurs ont conçu une architecture réseau capable de fusionner plusieurs points de vue caméra tout en respectant les rotations propres à chacun. Testée sur un ensemble de tâches de manipulation, à la fois en simulation et en conditions réelles, Pix2Act dépasse les performances des méthodes de référence actuelles et conserve sa robustesse même en cas de perturbations de la position des caméras. L'enjeu dépasse la simple performance brute sur un benchmark. Le goulot d'étranglement classique de l'apprentissage par imitation en robotique reste la faible quantité de données de démonstration disponibles: chaque trajectoire enregistrée coûte cher à collecter. En transformant l'augmentation de données géométrique (rotation) en une opération mathématiquement cohérente sur les images et les actions simultanément, Pix2Act élargit artificiellement la diversité des données d'entraînement sans démonstrations supplémentaires. Pour les équipes qui développent des politiques de manipulation vision-action (VLA), c'est un argument concret contre l'idée reçue que la précision de bras robotiques en 3D nécessite obligatoirement des architectures de contrôle lourdes ou des capteurs de profondeur dédiés: une reformulation en 2D bien pensée, combinée à la triangulation multi-caméra, peut suffire à atteindre une précision comparable, avec en prime une meilleure tolérance au bruit de calibration caméra, un problème fréquent en déploiement réel. Cette publication s'inscrit dans une lignée de recherches récentes sur les politiques de manipulation basées vision, où des approches comme les modèles génératifs de trajectoires ou les architectures de diffusion pour la robotique cherchent à résoudre le même arbitrage entre expressivité du contrôle et efficacité d'apprentissage. La démonstration se limite pour l'instant à des tâches de manipulation en laboratoire, sans indication de partenariat industriel ou de déploiement à plus grande échelle; les auteurs annoncent la publication de leur code et de leurs résultats détaillés pour permettre à la communauté de reproduire et d'étendre ces travaux à d'autres familles de tâches robotiques.

Recherche❖Paper

1 source

41

1142arXiv cs.RO 

NeuralActuator : modélisation neuronale de l'actionnement pour la dynamique des robots et la perception des forces externes

Une équipe de recherche publie NeuralActuator (arXiv:2607.11734v1), un modèle neuronal d'actionneur capable de prédire simultanément trois grandeurs : un équivalent d'effort généralisé pour la propagation de trajectoires sur des plateformes à faible coût, une force externe accompagnée d'une porte de probabilité de contact permettant une perception de force sans capteur dédié, et un score d'état moteur pour la maintenance de l'articulation supervisée. Les chercheurs introduisent aussi le Neural Actuation Dataset (NAD), constitué via un système de téléopération à deux bras qui enregistre conjointement les états du robot, la télémétrie des actionneurs et des labels de force externe. La tête chargée du couple est entraînée par simulation différentiable à partir de trajectoires de pose, sans label direct, tandis que les têtes de force, de porte et d'état moteur reçoivent une supervision directe ; un Transformer capture les dépendances temporelles tout en permettant une inférence temps réel. Le système est évalué sur trois plateformes : le bras 5 degrés de liberté OpenManipulator-X, le 6 DDL SO-101 (issu de l'écosystème open source LeRobot popularisé par Hugging Face), et le 7 DDL Franka Emika Panda, soit une fourchette de prix allant d'environ 500 dollars à plus de 30 000 dollars. L'enjeu dépassé ici est celui du fossé sim-to-real causé par la dynamique réelle des actionneurs (frottement, hystérésis, jeu mécanique, effets thermiques), qui rend la relation linéaire couple-courant peu fiable, en particulier sur les servomoteurs bon marché utilisés dans la robotique low-cost et l'apprentissage par renforcement. En permettant une estimation de force sans capteur de force/couple, généralement coûteux, cette approche ouvre la voie à une perception de contact plus accessible pour l'intégration industrielle légère. Les auteurs montrent également qu'utilisé comme module pré-entraîné, NeuralActuator améliore les performances du clonage de comportement (behavior cloning), et qu'il permet une estimation de l'état moteur exploitable pour la maintenance prédictive sur l'OpenManipulator-X. Ce travail s'inscrit dans la lignée des simulateurs différentiables, de plus en plus utilisés pour l'apprentissage de politiques, où la modélisation des actionneurs reste le maillon faible. Il s'agit d'un preprint académique, non encore relu par les pairs, sans déploiement produit annoncé : la validation reste circonscrite aux trois bras testés, avec le Franka Panda utilisé hors ligne comme référence haut de gamme pour l'estimation de force sous charge.

Recherche❖Paper

1 source

41

1143arXiv cs.RO 

Vision robotique : cartes de points centrées sur le robot pour les modèles vision-langage-action

Des chercheurs proposent dans un article arXiv (2607.11498v1, soumis en juillet 2026) une méthode baptisée "pointmaps robot-centriques" pour résoudre un problème structurel des modèles vision-langage-action (VLA). Ces modèles prédisent des actions robotiques à partir d'observations visuelles et d'instructions en langage naturel, mais les actions sont définies dans le repère 3D propre au robot, alors que la caméra observe la scène dans son propre repère. Ce décalage reste sans conséquence quand le point de vue de la caméra est fixe, la politique pouvant alors mémoriser une correspondance unique observation-action, mais il devient problématique à mesure que les jeux de données agrègent des démonstrations issues de configurations caméra variées. La solution proposée encode les coordonnées 3D des points de la scène, exprimées dans le repère du robot, directement dans une grille dense H x W, format identique à celui attendu par les VLA 2D pré-entraînés, ce qui permet une intégration avec un minimum de modifications architecturales. Testée sur le benchmark RoboCasa, cette approche améliore les performances de deux modèles existants, pi0.5 et SmolVLA, et surpasse des méthodes de référence basées sur le point de vue caméra ou sur une conscience 3D classique. Cette avancée touche un point sensible pour l'industrialisation des VLA à grande échelle: la généralisation à des configurations caméra non standardisées est un frein connu au déploiement sur des cellules robotiques hétérogènes, où chaque intégrateur positionne ses capteurs différemment. Les expériences sur robot réel confirment que l'avantage par rapport à une politique RGB classique s'accentue justement quand la caméra est déplacée vers un emplacement absent de l'entraînement, ce qui va dans le sens d'une meilleure robustesse au changement de point de vue, condition nécessaire pour des flottes de robots déployées avec des configurations non uniformisées, plutôt qu'un simple gain de performance en conditions contrôlées. Le travail s'inscrit dans la lignée des modèles VLA récents tels que pi-0, GR00T N2 ou Helix, qui cherchent à généraliser l'apprentissage de politiques robotiques à partir de larges corpus de démonstrations multi-plateformes. En comparant explicitement leur méthode à des approches de conditionnement par point de vue caméra et à des baselines 3D-aware, les auteurs positionnent les pointmaps comme une alternative légère à des architectures 3D plus lourdes, ouvrant la voie à des validations plus larges sur des flottes robotiques aux configurations caméra diverses.

Recherche⚡Actu

1 source

41

1144arXiv cs.RO 

De l'IA du monde à l'IA incarnée : une feuille de route pour l'intelligence physique en monde ouvert

Publié sur arXiv le 14 juillet 2026 (arXiv:2607.11689), cet article de synthèse dresse un état des lieux des modèles d'action pour la robotique et propose une feuille de route vers ce que les auteurs nomment le « cerveau incarné » (embodied brain). Le texte retrace l'évolution des politiques vision-langage-action (VLA) vers les World Action Models (WAM), des systèmes qui relient une intervention candidate à ses conséquences prédites avant exécution. Trois failles couplées freinent le secteur selon les auteurs: des espaces d'action et cibles de prédiction incompatibles d'un modèle à l'autre, une absence de standardisation des jeux de données et des protocoles d'évaluation, et des interfaces d'exécution trop fermées pour permettre la réutilisation entre systèmes. Plutôt qu'un nouveau modèle entraîné, le papier propose une architecture cible: le cerveau incarné intégrerait un contexte multimodal, comparerait plusieurs interventions candidates, puis émettrait des requêtes de transition d'état ou de capacité plutôt que des commandes moteur directes, les WAM servant de prototypes pour ces fonctions prédictives. Pour les intégrateurs et décideurs en robotique, ce travail nomme un problème concret: chaque laboratoire, qu'il s'agisse de Physical Intelligence avec Pi-0, NVIDIA avec GR00T N2 ou Figure avec Helix, construit son propre espace d'action et son propre format de données, rendant quasi impossible la comparaison directe des performances ou la réutilisation d'un modèle entre un bras robotique et un humanoïde. En proposant des contrats partagés entre modèles, données, tâches et morphologies, et un post-entraînement en boucle fermée transformant les interactions vérifiées en expérience réutilisable, la feuille de route vise à sortir la robotique généraliste du stade de la démonstration isolée. C'est une contribution méthodologique plus qu'un résultat expérimental: elle ne prouve pas qu'un tel système fonctionne à l'échelle, mais formalise ce qui manque pour y parvenir, un constat qui recoupe les critiques récurrentes sur l'écart entre vidéos de démonstration sélectionnées et déploiements robustes en conditions réelles. Le papier s'inscrit dans la continuité des travaux sur les modèles d'action et les world models, qui ont convergé avec l'essor des VLA avant que des approches hybrides, combinant prédiction du monde et politique d'action, ne donnent naissance aux WAM. Les auteurs ne mentionnent aucun déploiement propre mais positionnent leur cadre face aux systèmes existants de Physical Intelligence, NVIDIA et Figure, sans citer d'acteur français ou européen dans cette revue. La suite annoncée est l'adoption progressive de ces contrats partagés par la communauté de recherche, préalable jugé nécessaire à l'émergence d'agents physiques réellement adaptatifs et auto-améliorants hors laboratoire.

Recherche❖Paper

1 source

41

1145arXiv cs.RO 

RVN-Bench : un benchmark pour la navigation visuelle réactive

Des chercheurs présentent RVN-Bench (Reactive Visual Navigation Benchmark), un nouveau protocole d'évaluation pour la navigation visuelle sécurisée des robots mobiles en intérieur. Construit sur le simulateur Habitat 2.0 et les scènes photoréalistes HM3D, RVN-Bench place un agent robotique dans des environnements intérieurs jamais vus auparavant, sans carte préalable, avec pour seule information des observations visuelles brutes. L'agent doit atteindre une série d'objectifs de position successifs tout en évitant les collisions, une contrainte que les benchmarks existants négligent généralement ou qu'ils appliquent à des scénarios extérieurs peu transposables aux espaces encombrés d'un intérieur. Le système fournit un environnement d'apprentissage par renforcement en ligne, un générateur de jeux de trajectoires en images, ainsi que des outils dédiés à la production de jeux de données "négatifs" capturant spécifiquement les événements de collision, permettant un entraînement hors ligne aussi bien qu'en ligne. Les auteurs ont validé leur approche par des tests physiques sur un robot terrestre Jackal UGV. Ce travail comble un vide méthodologique réel pour l'industrie robotique : la plupart des benchmarks de navigation visuelle mesurent la capacité à atteindre un objectif sans pénaliser les collisions, ce qui masque un défaut critique pour tout déploiement en usine, entrepôt ou établissement de santé où un robot mobile évolue au milieu d'humains et d'obstacles mobiles. En intégrant la sécurité de trajectoire comme métrique de premier plan, RVN-Bench donne aux équipes de recherche et aux intégrateurs un outil standardisé pour comparer des politiques de navigation sur un critère qui compte réellement en production, plutôt que sur la seule réussite de la tâche. Les résultats indiquant une généralisation à des environnements simulés inédits et un transfert sim-to-real prometteur sur Jackal restent toutefois préliminaires : les auteurs eux-mêmes qualifient ces expériences physiques d'initiales, et la portée du transfert vers des robots aux dynamiques différentes reste à démontrer. RVN-Bench s'inscrit dans une lignée de benchmarks de navigation basés sur Habitat, déjà largement utilisés par la communauté de recherche en robotique et en apprentissage par renforcement visuel. Le code, les jeux de données et les outils associés sont publiés en accès libre, une pratique désormais standard pour ce type de contribution académique visant l'adoption par d'autres laboratoires. Aucun acteur français ou européen n'est mentionné dans ces travaux, qui restent pour l'instant au stade de la recherche et n'ont pas de calendrier de déploiement commercial annoncé.

Recherche❖Paper

1 source

40

1146arXiv cs.RO 

Perception artificielle fovéale pour réduire l'apprentissage par raccourcis dans les modèles fondation robotiques

Le laboratoire de recherche présente Artificial Foveated Perception (AFP), un module léger et agnostique à l'architecture destiné à corriger un défaut structurel des modèles fondamentaux robotiques actuels. Le problème identifié est le "shortcut learning" : les politiques de contrôle apprennent à exploiter des corrélations statistiques présentes dans les données d'entraînement (couleur du fond, position d'un objet non pertinent) plutôt que les indices visuels réellement déterminants pour réussir la tâche. AFP prend en entrée les mêmes flux vision et langage que les pipelines Vision-Language-Action (VLA) et World Action Model, et génère des masques conditionnés par la tâche qui isolent les objets pertinents, le robot lui-même, et les zones critiques pour l'action. Ces masques servent de signal de supervision auxiliaire pendant le fine-tuning, sans modifier l'architecture du modèle. Une fois l'entraînement terminé, la politique fonctionne directement sur le flux d'observation brut, sans qu'AFP intervienne dans la boucle de contrôle en production. Cette approche s'attaque à un angle mort largement documenté en vision par ordinateur mais peu exploré jusqu'ici dans la robotique fondationnelle : la différence entre une performance en démonstration et une robustesse réelle en déploiement. Les résultats rapportés montrent que le foveated perception réduit le temps de fine-tuning, limite le surapprentissage, et améliore la généralisation face aux perturbations environnementales, un problème récurrent quand des VLA entraînés sur des scènes contrôlées se retrouvent face à des variations d'éclairage, de fond ou d'agencement en conditions réelles. Pour les intégrateurs et équipes robotique qui déploient des modèles génératifs de contrôle à l'échelle industrielle, ce type de méthode répond directement à une inquiétude concrète : un modèle qui semble fonctionner en vidéo de démonstration peut échouer dès que le contexte visuel change légèrement, précisément parce qu'il a appris les mauvais indices plutôt que la logique causale de la tâche. Le travail s'inscrit dans la lignée des efforts récents autour des VLA généralistes (dans la famille de Pi-0, GR00T N2 ou Helix), où la question du passage à l'échelle et de la robustesse reste ouverte malgré les progrès en transfert cross-embodiment et en contrôle conditionné par le langage. Les auteurs testent AFP sur plusieurs modèles fondamentaux robotiques de référence et mènent des ablations sur la qualité des masques et la conception de la fonction de perte de grounding, montrant que les gains proviennent bien de la redirection de l'attention du modèle vers les preuves visuelles pertinentes, et non d'un effet secondaire indirect. La méthode reste pour l'instant au stade de la recherche publiée sur arXiv, sans indication de déploiement industriel ni de partenariat annoncé, mais elle propose une piste concrète et peu coûteuse en calcul pour rendre les futurs modèles VLA plus fiables avant leur mise en production.

Recherche❖Paper

1 source

40

1147arXiv cs.RO 

SUREFlow : appariement de flux résiduel adapté à l'incertitude dans l'espace d'états pour une manipulation robotique robuste

Des chercheurs publient sur arXiv (2607.10504v1) SUREFlow, une nouvelle politique de manipulation robotique fondée sur le state-space model Mamba plutôt que sur les architectures Transformer habituelles. Le nom complet, State-space Uncertainty-aware REsidual Flow matching, résume l'idée centrale: le modèle prédit conjointement les vitesses d'action et une incertitude résiduelle dépendant de l'entrée, ce qui lui permet de raffiner sélectivement les dimensions d'action jugées peu fiables, sans retour de l'environnement, tout en gardant un coût de calcul contenu. Sur le benchmark de simulation LIBERO, SUREFlow atteint un taux de réussite moyen de 92,5%, contre un score inférieur de 34,2 points pour MaIL, l'autre politique bâtie sur Mamba. Sur la variante plus difficile LIBERO-PRO, il obtient environ 49% de réussite avec seulement 179 millions de paramètres, un résultat que les auteurs présentent comme comparable à celui de grands modèles VLA (vision-langage-action) pesant entre 3 et 7 milliards de paramètres. Le code source est publié sur GitHub. L'enjeu dépassé le simple gain de score: les politiques génératives par diffusion ou flow matching, aujourd'hui dominantes pour piloter des bras robotiques à partir d'images et de langage, souffrent d'instabilité lors de rollouts longs, où de petites erreurs de vitesse s'accumulent et dégradent l'exécution. La plupart des approches existantes supposent une incertitude homogène et ne la modélisent pas explicitement pendant la génération d'action. En ciblant ce point précis, SUREFlow s'attaque directement au fossé entre démonstration en simulation et fiabilité en conditions réelles, un problème central pour les intégrateurs qui cherchent des politiques VLA robustes sans devoir recourir à des modèles massifs coûteux à faire tourner en embarqué. Le travail s'inscrit dans la lignée des politiques de manipulation compactes inspirées de Mamba, alternative aux Transformers pour réduire la complexité de calcul sur des séquences longues, après des tentatives comme MaIL. Il se positionne aussi face aux grands VLA généralistes tels que Pi-0 ou GR00T N2, en misant sur l'efficacité paramétrique plutôt que sur l'échelle. À ce stade, il s'agit d'une publication de recherche évaluée uniquement en simulation sur LIBERO et LIBERO-PRO, sans validation annoncée sur robot physique ni partenariat industriel identifié.

Recherche⚡Actu

1 source

40

1148arXiv cs.RO 

Robots: apprentissage à double processus des compétences atomiques, découplant raisonnement sémantique et contrôle temps réel

Cette semaine, une équipe de recherche publie sur arXiv (référence 2607.10625v1) un nouveau framework baptisé DASL, pour Dual-Process Atomic Skill Learning, destiné à l'apprentissage par imitation conditionné par le langage pour les robots. Le problème visé est concret : quand un robot doit exécuter une instruction en langage naturel composée de plusieurs étapes, les approches hiérarchiques existantes, qui décomposent la tâche en compétences atomiques, souffrent d'instabilité à l'entraînement et d'un phénomène de "codebook collapse", causé par un couplage trop étroit entre le raisonnement de haut niveau et la génération d'actions bas niveau lorsque les deux sont entraînés conjointement. DASL répond à ça en séparant clairement deux modules : une Slow-Frequency Policy qui prédit des compétences discrètes et interprétables via quantification vectorielle, et une High-Frequency Policy qui s'appuie sur un modèle de diffusion latent combiné à un Decision Transformer pour générer les actions précises, conditionnées par ces compétences. Les deux tournent de façon asynchrone. Sur des benchmarks de simulation et des expériences réelles, DASL dépasse significativement les méthodes de référence de l'état de l'art, en particulier sur la généralisation compositionnelle à des instructions jamais vues à l'entraînement. Le code est disponible sur GitHub. L'enjeu dépasse la seule performance benchmark : c'est un signal de plus que la généralisation compositionnelle, le vrai goulot d'étranglement des modèles vision-langage-action (VLA) déployés en usine ou en logistique, reste un problème d'architecture autant que de données. Découpler la lenteur du raisonnement sémantique de la rapidité du contrôle moteur fait écho à une intuition déjà présente chez d'autres équipes travaillant sur les VLA à grande échelle, où le mélange des deux niveaux dans un seul réseau tend à fragiliser l'apprentissage dès que le nombre de compétences ou la diversité des instructions augmente. Le nom du framework s'inspire explicitement de la théorie du double processus en sciences cognitives, celle qui distingue une pensée rapide et intuitive d'une pensée lente et délibérative. DASL s'inscrit dans la lignée des travaux récents sur les politiques hiérarchiques pour la robotique conditionnée par le langage, où la tension entre interprétabilité des compétences et précision du contrôle reste un axe de recherche actif ; la publication du code laisse la porte ouverte à une réplication et une comparaison directe avec d'autres architectures du domaine.

Recherche❖Paper

1 source

40

1149arXiv cs.RO 

Une enquête complète et une évaluation systématique en conditions réelles de la navigation incarnée par vision et langage

Une nouvelle étude publiée sur arXiv (2607.09792v1) dresse un état des lieux complet de la navigation par vision et langage (VLN), cette capacité qui permet à un robot de comprendre une instruction en langage naturel et de s'orienter dans un environnement inconnu à partir de ses seules perceptions visuelles. Les auteurs classent les méthodes existantes selon deux axes indépendants : le paradigme d'action, qui distingue les architectures hiérarchiques des architectures monolithiques, et le paradigme de modèle, qui oppose les approches discriminatives aux approches génératives. Fait notable, l'étude ne se limite pas à une synthèse bibliographique : elle inclut une évaluation systématique en conditions réelles, menée sur une plateforme robotique physique dans dix scènes différentes. Les résultats chiffrés sont sans appel. Une méthode monolithique représentative, fonctionnant uniquement à partir d'images RGB, atteint 61% de réussite en simulation mais chute à seulement 22% lors des tests réels. À l'inverse, une architecture hiérarchique conserve un taux de succès de 51% en conditions réelles, un écart bien plus faible avec ses performances simulées. Pour l'industrie robotique, ce résultat vient confirmer un soupçon déjà répandu chez les intégrateurs : les scores impressionnants annoncés en simulation ne se transposent pas automatiquement sur le terrain, et l'écart simulation-réel reste un obstacle majeur, y compris pour des approches VLA jugées prometteuses sur le papier. La supériorité relative des architectures hiérarchiques suggère qu'une décomposition explicite des tâches, plutôt qu'un modèle unique bout-en-bout, apporte davantage de robustesse face aux aléas de perception et de contrôle du monde réel, un signal utile pour les décideurs B2B qui évaluent quelle famille d'architecture privilégier avant un déploiement. Ce travail s'inscrit dans un contexte de recherche en pleine expansion autour du VLN, porté par les progrès récents des modèles vision-langage-action, mais où les validations en environnement réel restaient jusqu'ici rares et dispersées. Les auteurs concluent en identifiant les verrous restants en matière de perception, de prise de décision et de contrôle, autant de pistes qu'ils appellent la communauté à approfondir dans les prochains travaux.

Recherche❖Paper

1 source

39

1150arXiv cs.RO 

IA incarnée guidée par les exigences : conception d'une détection tactile sociale du corps entier via interaction humain-robot virtuelle

Article traduit et résumé en français, prêt à publier : Une équipe de recherche propose une méthodologie inédite pour concevoir la peau tactile des robots humanoïdes destinés à l'interaction physique et sociale avec l'humain (spHRI), en partant des données d'usage plutôt que des contraintes matérielles. Publiée sur arXiv (2607.11690v1), l'étude s'appuie sur une plateforme de réalité virtuelle à retour haptique pour collecter des cartes de contact haute résolution sur l'ensemble du corps d'un robot, à travers plusieurs scénarios sociaux (accolade, tape sur l'épaule, poignée de main, etc.). Neuf gestes tactiles sociaux récurrents ont été identifiés, dont huit ont ensuite fait l'objet d'une collecte contrôlée avec 18 participants, produisant un jeu de données ouvert de 5 520 essais. L'analyse des distributions de contact et de simulations d'encodage tactile fournit des repères quantitatifs sur la couverture cutanée nécessaire et la densité de capteurs à installer sur une plateforme humanoïde donnée. L'enjeu dépasse la simple curiosité académique : jusqu'ici, la conception des capteurs tactiles pour l'interaction sociale suivait une logique matérielle d'abord, où l'emplacement et la résolution des capteurs étaient fixés en amont, limitant de fait la palette de gestes reconnaissables. Cette approche inverse la démarche en dérivant les exigences de capteurs directement des données d'interaction réelles, ce qui pourrait éviter aux fabricants de robots sociaux ou compagnons un surdimensionnement coûteux de la peau tactile, ou au contraire une couverture insuffisante qui dégraderait la reconnaissance des gestes. Pour les intégrateurs et décideurs qui évaluent des robots destinés au contact physique humain (assistance, santé, accueil), disposer de seuils quantitatifs de densité et de placement avant la fabrication du hardware représente un gain de temps et de coûts d'ingénierie concret, plutôt qu'une promesse marketing. Le travail s'inscrit dans une limite bien identifiée de la recherche en robotique tactile : la plupart des peaux artificielles actuelles sont conçues sans données préalables sur la façon dont les humains touchent réellement un robot dans un contexte social, ce qui explique des écarts entre capacités annoncées et usage terrain. Bien que la démonstration ait été menée sur une seule plateforme robotique, les auteurs présentent la méthode comme transférable à d'autres morphologies de robots, ouvrant la voie à des exigences de capteurs spécifiques à chaque design avant même le prototypage physique. Les prochaines étapes attendues concernent la validation de cette méthodologie sur d'autres architectures de robots et son intégration dans des cycles de conception industriels, mais aucun calendrier ni partenariat industriel n'est mentionné à ce stade.

Recherche❖Paper

1 source