Actualités robotique — page 26

7 309 articles au fil, du plus récent au plus ancien.

40

1251arXiv cs.RO 

CARE : correction atomique guidée par l'expérience pour les politiques vision-langage-action

Une équipe de chercheurs a publié le 24 septembre 2026 sur arXiv (référence 2609.24118v1) un article présentant CARE, pour Corrective Atomic Robotic Execution, un framework destiné à améliorer la récupération des politiques Vision-Language-Action (VLA) lorsque l'exécution d'une tâche de manipulation robotique dévie de sa trajectoire nominale. Plutôt que de générer des données correctives à partir de perturbations manuelles ou aléatoires, comme le font les approches existantes, CARE collecte des rollouts ayant échoué, modélise les déviations post-échec en fonction de l'étape de la tâche, puis synthétise à partir de ces distributions empiriques des états d'échec représentatifs et des démonstrations correctives. Au moment de l'exécution, le système combine une planification par étapes avec un suivi 3D ancré physiquement pour déclencher des ajustements ponctuels ou des reprises d'opération, sans perdre la progression déjà accomplie sur la tâche. Les auteurs introduisent également un nouveau benchmark, le Failure State Recovery Benchmark (FSR-Bench), conçu pour évaluer spécifiquement la capacité de récupération à partir d'états d'échec intermédiaires, qu'il s'agisse de déviations locales ou d'anomalies structurelles. Testé sur plusieurs backbones VLA, en simulation et sur des tâches réelles à deux bras, CARE affiche des gains moyens de taux de réussite de 14,5 points en simulation et 15,9 points en conditions réelles. Le code, les modèles et les données sont publiés sur GitHub. Ce travail s'attaque directement à un point faible connu des politiques VLA: leur robustesse s'effondre dès que l'exécution s'écarte du script appris, un écart classique entre démonstration contrôlée et déploiement réel. Pour les intégrateurs et les équipes robotique en entreprise, le message est clair: empiler des données de démonstrations réussies ne suffit pas à obtenir un système fiable en production, il faut des mécanismes dédiés à la détection et à la correction des échecs. Cela nuance l'hypothèse selon laquelle le passage à l'échelle des modèles VLA résoudrait seul le problème de généralisation, et remet la question de la récupération d'erreur au centre des critères d'évaluation avant tout déploiement industriel. Le papier s'inscrit dans la lignée des politiques VLA généralistes pour la manipulation, sans revendiquer de lien avec un produit commercial ou un robot humanoïde particulier: il s'agit d'une contribution de recherche publiée en preprint, non encore validée par relecture par les pairs, avec un code ouvert permettant sa reproduction. Aucun acteur français ou européen n'est mentionné dans cette publication. Les prochaines étapes attendues concernent l'extension de FSR-Bench à d'autres familles de politiques VLA et la validation sur davantage de plateformes robotiques réelles au-delà des configurations à deux bras testées ici.

Recherche❧Opinion

1 source

40

1252arXiv cs.RO 

Engagement sélectif pour la récupération d'objets guidée par le langage en observabilité partielle

Un article publié sur arXiv (référence 2609.23131v1, catégorie "nouveau") présente un système robotique en boucle fermée destiné à retrouver un objet désigné en langage naturel par rapport à un contenant de référence, dans des scènes partiellement observables. À chaque étape, le système arbitre entre quatre options: recueillir davantage de preuves visuelles, interagir avec la scène, saisir un candidat, ou s'abstenir. Il maintient une croyance conjointe persistante sur l'identité de la cible, sa relation au contenant et sa présence, structurée en trois hypothèses (objet suivi, cible non observée, cible absente), mise à jour par des observations catégorielles issues d'un modèle vision-langage (VLM) conditionnées par le point de vue. L'éligibilité de la prise est calibrée par prédiction conforme et combinée à la faisabilité robotique pour décider du moment de l'engagement, tandis qu'une planification en espace de croyances à horizon fini sélectionne les actions de collecte d'information. Sur cinq scénarios simulés, la méthode réussit 19 épisodes sur 25, contre 12 sur 25 pour la meilleure référence adaptée à la tâche, et c'est la seule politique testée à obtenir au moins une réussite dans chacun des cinq scénarios. Des essais sur robot réel montrent une ré-observation en boucle fermée et une récupération autonome après des échecs de prise provoqués artificiellement, mais des échecs de point de vue injectés se traduisent par de faux abandons, le robot renonçant à tort. Ces résultats s'adressent directement à un problème connu de la manipulation robotique en logistique et en intralogistique: la plupart des systèmes actuels supposent une observabilité quasi complète de la scène, ce qui s'effondre dès qu'un objet est partiellement occulté dans un bac ou un tiroir. En formalisant explicitement le choix entre agir, observer davantage ou renoncer, ce travail illustre une piste pour réduire les échecs silencieux des pipelines vision-langage-action (VLA) déployés en conditions réelles, où la confiance mal calibrée d'un modèle mène souvent à des prises ratées plutôt qu'à un report prudent. Les auteurs notent toutefois eux-mêmes une limite importante: leurs ablations montrent que le système complet ne surpasse pas systématiquement des variantes simplifiées, ce qui nuance la promesse d'un gain automatique lié à la complexité du cadre proposé. Ce travail s'inscrit dans la lignée des recherches académiques sur la prise de décision sous incertitude en robotique de manipulation, à la croisée des modèles vision-langage et de la planification bayésienne, sans lien annoncé avec un produit commercial ou un déploiement industriel. Il reste à ce stade au niveau de la validation en simulation complétée par des essais limités sur robot physique, et non un système prêt à l'emploi. Les auteurs ne mentionnent ni partenariat industriel ni calendrier de transfert vers une plateforme commerciale, ce qui distingue clairement cette contribution des annonces produit du secteur des humanoïdes ou des bras robotiques en entrepôt.

Recherche❖Paper

1 source

40

1253arXiv cs.RO 

Quel terrain est le meilleur ? Apprentissage de préférences par prototypes VLM pour le classement de la praticabilité hors-piste

Un article de recherche publié sur arXiv (2609.23673v1, soumission croisée cs.RO/cs.CV) présente TravPro, une méthode qui apprend à un robot mobile à classer les terrains praticables entre eux, et pas seulement à détecter les obstacles. Le problème identifié: la navigation hors route par vision s'appuie aujourd'hui sur la segmentation sémantique ou la détection de zone libre, qui indiquent la nature d'un terrain (herbe, gravier, boue) mais pas lequel préférer parmi plusieurs options franchissables. TravPro contourne l'absence de vérité terrain universelle pour un tel score en transformant les annotations existantes en paires de régions ordonnées, puis en entraînant un petit module de lecture sur les tokens visuels d'un modèle vision-langage (VLM) gelé, regroupés en une banque fixe de prototypes. Ce module sert ensuite de professeur pour générer des cartes de préférence denses par pseudo-étiquetage, distillées dans un modèle étudiant RGB léger qui produit une carte de préférence de terrain accompagnée d'un masque excluant obstacles et arrière-plan. Sur cinq domaines jamais vus à l'entraînement, TravPro atteint une précision par paires moyenne de 0,915, contre 0,783 pour la meilleure méthode de référence. Pour les concepteurs de robots mobiles et de véhicules autonomes tout-terrain (agriculture, forêt, défense, exploration), ce travail répond à une limite concrète des architectures actuelles: un score de traversabilité figé par classe sémantique ne dit rien de la préférence relative entre deux surfaces également franchissables, ce qui pénalise la planification de trajectoire en environnement non structuré. L'approche évite aussi le coût d'une annotation dense pixel par pixel en réutilisant des labels grossiers déjà disponibles. Point notable pour les équipes tentées de s'appuyer directement sur des VLM: les auteurs montrent que solliciter le modèle par simple prompt, ou utiliser la même supervision comme cible dense classique, ne produit pas cet ordre de préférence. C'est la manière dont les tokens et les comparaisons sont exploités qui fait la différence, pas le modèle en lui-même. Le travail s'inscrit dans la lignée des recherches sur l'estimation de traversabilité, historiquement fondées sur des coûts par classe réglés à la main ou sur la confiance de détection de zone libre, et plus récemment sur les VLM pour une compréhension de terrain en vocabulaire ouvert. Aucune entreprise ni produit commercial n'est associé à cette publication: il s'agit d'une contribution académique, sans pilote annoncé ni déploiement réel à ce stade. Les auteurs positionnent leur contribution comme une reformulation du problème en tâche de classement supervisée par comparaisons faibles, plutôt qu'une nouvelle architecture de perception, ouvrant la voie à une intégration ultérieure dans des piles de navigation pour robots tout-terrain.

Recherche❖Paper

1 source

40

1254arXiv cs.RO 

AquaOrbit : apprentissage par renforcement simulation-réel pour l'orbite autour d'une cible sous-marine avec retour visuel intermittent

Des chercheurs ont publié le 22 septembre 2026 sur arXiv (2609.24054) une étude présentant AquaOrbit, un contrôleur par apprentissage par renforcement pour faire orbiter un robot sous-marin autour d'une cible malgré des pertes intermittentes de flux visuel. Un module de récupération exploite, lors d'une perte de détection, des références figées de ligne de visée, de roulis et de profondeur pour stabiliser le véhicule et retrouver la cible. Entraîné dans le simulateur Isaac Sim avec randomisation de la dynamique, des observations et des pertes de vision, le contrôleur a ensuite été évalué sans réentraînement dans Gazebo/ROS2, un moteur physique différent : 20 essais réussis sur 20 en cible statique comme en cible mobile, sur une trajectoire 3D à profondeur variable inédite. Face à une cible mobile, l'erreur moyenne de ligne de visée baisse d'environ 46% par rapport à un contrôleur PID de servovision équipé du même module, pour une précision de trajectoire comparable ; sans ce module, la réussite chute à 9 essais sur 20. Un déploiement physique zero-shot, perception et contrôle entièrement embarqués, a suivi des trajectoires elliptiques, en huit et circulaires à profondeur variable, avec stabilité maintenue lors d'occlusions manuelles jusqu'à 8 secondes et réacquisition de cible en 2,5 secondes. Pour les intégrateurs de véhicules sous-marins autonomes et les opérateurs d'inspection offshore (pipelines, coques, aquaculture), ce travail cible un point de friction concret : la perte de suivi visuel en virage serré ou en eau trouble fait généralement échouer l'orbitage automatisé. Le transfert simulation-vers-réel démontré sans réentraînement, y compris sur un moteur physique distinct de celui de l'entraînement, soutient l'idée que des politiques de RL peuvent généraliser au-delà du simulateur d'origine, un point encore débattu en robotique sous-marine où bruit acoustique et optique diffèrent fortement du monde simulé. L'écart chiffré entre configurations avec et sans module de récupération (20/20 contre 9/20) quantifie l'apport réel du mécanisme plutôt que de s'appuyer sur une vidéo sélective. Il s'agit d'une publication de recherche en preprint, sans entreprise ni produit commercial associé : un résultat scientifique, pas un déploiement industriel. Le travail se positionne face aux méthodes classiques de servovision visuelle par PID, utilisées comme référence de comparaison, et s'inscrit dans le mouvement plus large de transfert simulation-vers-réel déjà exploré pour des robots terrestres et aériens mais encore peu démontré pour l'orbitage sous-marin de cibles mobiles. Aucun acteur français ou européen n'apparaît dans cette étude. Les essais physiques réels, incluant des trajectoires absentes de l'entraînement, dépassent la simple démonstration en environnement contrôlé, mais aucun calendrier de transfert commercial ni volume de déploiement n'est communiqué à ce stade.

Recherche❖Paper

1 source

40

1255arXiv cs.RO 

DualWAM : modèles monde-action à double système pour la planification globale asynchrone et le raffinement local

DualWAM (Dual-System World Action Models) associe génération d'actions robotiques et prédiction de l'état futur du monde à partir de priors appris par pré-entraînement vidéo, en séparant un module de planification globale et un module de raffinement local. Le premier effectue périodiquement un débruitage bidirectionnel à fort bruit sur un segment d'action étendu ; le second, dédié au poignet, affine ce plan en continu à partir des observations visuelles les plus récentes du point de contact, qui renseignent sur la géométrie locale et le moment du contact. Testée en zero-shot sur des tâches de manipulation avec les robots Franka et Galbot, l'architecture améliore le taux de succès de 4,5 points de pourcentage en moyenne face à la meilleure référence évaluée, avec un temps de chemin critique divisé par 16,6. Des données égocentriques et UMI adaptées au rôle de chaque module ajoutent par ailleurs 14 points de succès, selon le papier arXiv:2609.24868v1, publié en septembre 2026. L'enjeu visé touche un point sensible des modèles vision-langage-action (VLA) : prédire les images futures coûte cher en calcul, ce qui pousse la plupart des architectures existantes à utiliser de longs segments d'action pour amortir ce coût, au prix de la réactivité en boucle fermée. En séparant planification à long horizon et correction haute fréquence, DualWAM répond à ce compromis sans sacrifier ni la portée du plan ni la vitesse nécessaire lors du contact fin. Pour les intégrateurs industriels, l'architecture ouvre aussi une piste de déploiement en edge-cloud, le plan global, plus lourd, pouvant tourner dans le cloud pendant que le raffinement reste embarqué, avec une bande passante nécessaire nettement réduite. Les gains restent toutefois mesurés en zero-shot sur un nombre limité de tâches et seulement deux plateformes, ce qui invite à la prudence avant toute extrapolation à une mise en production à grande échelle. Les World Action Models prolongent la lignée des modèles VLA qui transfèrent des priors appris sur vidéo vers le contrôle robotique, une approche qui a gagné du terrain face aux limites des politiques entraînées uniquement sur des démonstrations robotiques. Le compromis entre horizon de prédiction et fréquence de contrôle que cible ce travail est un problème connu du secteur, habituellement contourné en allongeant les segments d'action au détriment de la réactivité. Le résumé du papier ne nomme aucun système concurrent précis, se limitant à une comparaison avec la "meilleure référence évaluée", ce qui empêche de le positionner clairement face aux modèles VLA commerciaux ou aux travaux académiques récents du secteur. Aucun partenaire industriel, pilote ou calendrier de déploiement n'est mentionné : il s'agit pour l'instant d'une contribution de recherche publiée sur arXiv, sans indication de mise en production.

Recherche⚡Actu

1 source

40

1256arXiv cs.RO 

Apprentissage par imitation hybride : primitives de téléopération augmentée que les politiques apprennent à déclencher

Les Teleoperation Augmentation Primitives (TAPs), une nouvelle méthode d'apprentissage par imitation pour robots, sont détaillées dans un article publie sur arXiv (2512.04960, version 2, mise a jour récente). Le problème cible est connu des roboticiens: une politique d'imitation ne peut apprendre que ce qu'un opérateur humain parvient a démontrer via une interface de téléopération, or certains mouvements triviaux pour un robot (maintenir une orientation exacte, revenir précisément au même point de vue, ou tourner un poignet sur plusieurs tours complets) sont difficiles a reproduire manuellement. Les TAPs introduisent quatre primitives déclenchables pendant la démonstration, par commande vocale, menu en réalité augmentée ou simple bouton de manette: verrouillage d'axe, points d'ancrage ("perching waypoints"), ancres de pose, et routines spécifiques a l'embodiment du robot. Ces primitives étant enregistrées dans les données de démonstration, la politique entraînée peut ensuite apprendre a les déclencher elle-même de manière autonome. En simulation, leur ajout a des jeux de démonstrations humaines existants fait grimper le taux de réussite d'une tache d'insertion de cheville (avec camera au poignet uniquement) de 37,2% a 53,1%, et celui d'une tache de rangement de mug utilisant une ancre "mémoriser cette pose" de 20,3% a 32,3%. Sur robot réel, trois taches confirment la tendance, avec un cas notable ou une politique ayant appris a déclencher une routine de dévissage réussit dans 67% des essais contre 38% pour une politique classique incapable de résoudre seule, a partir des images, un mouvement nécessitant plusieurs rotations. Ce travail s'attaque directement au goulot d'étranglement des données dans l'apprentissage par imitation et les modèles vision-langage-action (VLA): la qualité des politiques n'est pas seulement limitée par la capacité des réseaux de neurones, mais par ce qu'un rig de téléopération peut physiquement capturer d'un geste humain. Sans mécanisme de contournement, les taches exigeant une précision surhumaine ou des mouvements répétitifs multi-tours restent hors de portée, quelle que soit la quantité de démonstrations collectées. Pour les intégrateurs et décideurs B2B en robotique, le résultat suggère que l'augmentation structurée des données, plutôt que la seule montée en échelle du nombre de démonstrations, peut améliorer les taux de réussite de 15 a 20 points sur des taches de manipulation standard, nuançant l'hypothèse dominante selon laquelle il suffirait de collecter davantage de démonstrations brutes pour atteindre la fiabilité nécessaire au déploiement. Les TAPs s'inscrivent dans un courant de recherche visant a réduire l'écart entre ce qu'un opérateur peut démontrer et ce qu'un robot est mécaniquement capable d'exécuter, en se concentrant sur le pipeline de collecte de données plutôt que sur l'architecture des politiques elles-mêmes. Les auteurs mentionnent également un cas d'usage industriel présente comme "preuve de concept", sans détail public sur l'entreprise ou le secteur concerne, ce qui suggère des tests en cours vers un déploiement commercial. Aucun calendrier de publication élargie ou de partenariat n'a été communique; le code et les démonstrations du projet sont disponibles sur le site associe a l'étude.

Recherche❖Paper

1 source

40

1257arXiv cs.RO 

Quantification bas-débit native des modèles vision-langage-action via repliement cohérent : FoldQuantVLA

Des chercheurs détaillent FoldQuantVLA, un framework de quantification post-entraînement pour modèles vision-langage-action (VLA), dans un preprint publié sur arXiv (2609.24433v1). La méthode préserve une représentation d'activation cohérente de la calibration jusqu'à l'exécution native en entiers, en combinant mise à l'échelle par canal, transformées de Hadamard par blocs et quantification dynamique par token, sans réentraîner la politique. Des plugins TensorRT exécutent en 4 bits (poids et activations, W4A4) les projections du backbone langage et de l'expert d'action, sur GPU Ada et sur Jetson AGX Orin. Testé sur LIBERO, SimplerEnv, trois checkpoints GR00T et π0.5, le W4A4 gagne 1,20 à 1,33x sur Orin et 1,25 à 1,52x sur desktop face à TensorRT en flottant. En repassant certaines projections du module langage en 8 bits, le succès de GR00T N1.7 sur quatre tâches réelles grimpe de 80,0% à 92,5% sur 80 essais par configuration, pour 1 ms de latence supplémentaire sur Orin. Pour les intégrateurs, l'enjeu n'est pas le gain de vitesse, modeste (1,2 à 1,5x), mais la preuve qu'une quantification agressive et uniforme dégrade mesurablement le comportement du robot : la chute de 92,5% à 80,0% de succès entre configuration mixte et W4A4 uniforme montre que la latence gagnée coûte cher à la fiabilité si le compromis bits/couches est mal calibré. La méthode permet d'exécuter des VLA volumineux directement sur du matériel embarqué comme le Jetson Orin, sans datacenter ni réentraînement, réduisant le coût d'ingénierie du déploiement en périphérie. Elle offre aux décideurs B2B une méthode reproductible pour arbitrer précision et vitesse couche par couche, plutôt qu'un choix binaire entre flottant complet et quantification uniforme. Le travail s'inscrit dans les efforts pour exécuter en temps réel des VLA de référence comme GR00T N1.7 (NVIDIA) et π0.5 (Physical Intelligence), conçus sur GPU de datacenter mais visés pour l'inférence embarquée. FoldQuantVLA adapte au contexte robotique des techniques de compression déjà connues pour les grands modèles de langage, scaling par canal et transformées de Hadamard, couplées à une quantification dynamique par token propre à la boucle observation-action. Le preprint, soumis en septembre 2026, ne précise ni affiliation industrielle ni calendrier de production ; les tests reposent sur deux plateformes robotiques réelles non identifiées, sans code public ni partenariat annoncé avec un fabricant de robots.

Recherche❖Paper

1 source

39

1258arXiv cs.RO 

Vers une récupération des échecs robotiques supervisée par l'humain : combler les lacunes de communication en collaboration homme-robot

Une équipe de recherche présente LD-HRI (Listener Differences in Human-Robot Interaction), un jeu, un jeu de données et un benchmark publiés sur arXiv (2609.24055v1), pour évaluer les demandes d'aide qu'un robot adresse à un passant quand il échoue sur une tâche. Le constat : les méthodes de génération de requêtes dites "inverse semantics" n'avaient jusqu'ici été testées qu'avec un seul modèle d'auditeur, sans jamais faire varier son niveau réel de connaissance. Le corpus rassemble 446 requêtes écrites par des humains, évaluées sur 1302 essais, plus 24 requêtes générées par des grands modèles de langage (LLM), testées auprès de 70 auditeurs humains sur 560 essais répartis en quatre tâches. Les novices réussissent descriptivement mieux avec les requêtes générées par IA, mais un écart expert-novice subsiste, atteignant 16 points de pourcentage pour les requêtes LLM. Ce résultat nuance l'idée que les LLM auraient déjà résolu la communication homme-robot en cas d'échec : produire une phrase compréhensible ne suffit pas à combler l'écart entre auditeur expert et novice, un enjeu critique pour tout robot de service ou humanoïde déployé hors laboratoire et amené à solliciter des passants sans formation. Pour les intégrateurs qui misent sur des architectures VLA (vision-language-action) pour gérer les échecs en environnement réel, LD-HRI offre un cadre de test reproductible, chiffrant précisément où la communication échoue selon le public visé. La formulation "descriptivement plus élevé" appelle toutefois la prudence : elle suggère un effet observé sans garantie de significativité statistique forte, sur un échantillon de seulement 70 auditeurs. LD-HRI s'inscrit dans la lignée des travaux d'"inverse semantics", qui génèrent des requêtes de robot en simulant comment un auditeur les interpréterait, jusqu'ici validés sur un seul modèle plutôt que sur des humains aux connaissances variées. En mesurant la performance réelle d'auditeurs classés par niveau d'expertise, l'équipe comble un vide méthodologique fréquent en interaction homme-robot, où la démonstration de faisabilité prime souvent sur la mesure d'écart entre utilisateurs. Aucun acteur commercial ni robot physique n'est nommé : il s'agit d'une contribution de recherche, pas d'une annonce produit. Les auteurs présentent LD-HRI comme une fondation destinée à guider la conception de futurs systèmes de communication homme-robot plus robustes, dataset et benchmark à l'appui pour de futures comparaisons entre générateurs de requêtes.

Recherche❖Paper

1 source

39

1259arXiv cs.RO 

BEACON : contrôle adaptatif basé sur la croyance pour l'apprentissage par imitation en contexte incertain

Une équipe de recherche présente BEACON (Belief-Enabled Adaptive CONtrol), une méthode d'apprentissage par imitation pour la manipulation robotique en environnement partiellement observable, décrite dans un article publié sur arXiv le 22 septembre 2026 (arXiv:2609.22730v1). Le problème ciblé : quand une tâche de manipulation dépend d'un état caché qui ne peut être observé directement mais doit être inféré via des interactions physiques successives, conditionner une politique uniquement sur l'historique brut d'observations récentes produit de mauvaises performances, un phénomène appelé aliasing d'état, où des observations identiques correspondent à des états cachés différents et génèrent des étiquettes d'action contradictoires pour une même entrée. BEACON conditionne à la place une politique de diffusion sur une représentation structurée de croyance bayésienne, qui expose à la fois l'estimation la plus probable de l'état courant et l'incertitude résiduelle. La méthode est testée sur deux tâches aux représentations de croyance qualitativement différentes : une croyance continue pour l'alignement d'une pince sur une tige de maïs via détection tactile, et une distribution catégorielle discrète pour l'ouverture d'une porte verrouillée. Sur les deux tâches, la politique conditionnée par la croyance surpasse nettement la référence fondée uniquement sur l'observation et s'approche de la performance obtenue avec un accès privilégié à la vérité terrain sur l'état caché. Des ablations montrent que la politique module implicitement son comportement entre exploration et exploitation selon le niveau d'incertitude au moment de l'inférence, sans bascule de mode explicite ni ingénierie de récompense. Ce résultat cible une limite connue des politiques d'apprentissage par imitation conditionnées sur historique brut, y compris dans des architectures type vision-langage-action : leur difficulté à distinguer des états physiquement différents mais similaires en apparence ou au toucher, un problème fréquent en manipulation fine où le contact porte l'essentiel de l'information utile. Pour des intégrateurs travaillant sur la préhension délicate ou la manipulation d'objets à contrainte mécanique cachée (loquets, verrous, alignement d'outils agricoles), l'approche esquisse une voie pour réduire l'écart entre démonstrations contrôlées et robustesse en conditions réelles, sans dépendre uniquement de volumes massifs de données. BEACON s'inscrit dans la lignée des politiques de diffusion pour l'apprentissage par imitation, devenues une approche de référence en manipulation robotique ces dernières années, et s'attaque spécifiquement à leur angle mort en environnement partiellement observable. L'article ne mentionne ni déploiement industriel ni partenariat commercial : il s'agit d'un travail de recherche évalué en laboratoire sur des tâches ciblées, sans mise à l'échelle annoncée ni calendrier de transfert vers des plateformes commerciales.

Recherche❖Paper

1 source

39

1260arXiv cs.RO 

Planification de trajectoire cinodynamique quasi optimale par grille, itérée rapidement

Une équipe de recherche a mis au point le RDG (Rapidly-iterating kinoDynamic Grid), un nouvel algorithme de planification de mouvement kinodynamique, décrit dans un preprint publié le 22 septembre 2026 sur arXiv (arXiv:2609.22733v1). Contrairement aux méthodes classiques de recherche du plus proche voisin, RDG s'appuie sur une décomposition en grille de l'espace des états pour sélectionner les nœuds, propager la dynamique et réviser le graphe de trajectoires en temps constant, indépendamment du nombre de nœuds dans l'arbre. Les auteurs démontrent, via une preuve d'induction par séquence de boules couvrantes, que l'algorithme est asymptotiquement quasi optimal et probabilistiquement complet. Testé en simulation sur des environnements complexes allant jusqu'à 10 degrés de liberté (DOF), RDG améliore la qualité moyenne des solutions finales de 104% par rapport à SST (Stable Sparse RRT) et de 40% par rapport à DIRT, deux algorithmes de référence pour la planification kinodynamique éparse avec garanties d'optimalité. Il maintient également un taux de réussite de 100%, y compris sur le cas de test à 10 DOF où SST et DIRT échouent partiellement. Ce résultat concerne un problème central pour toute la robotique mobile et manipulatrice : planifier des trajectoires qui respectent non seulement les contraintes géométriques (éviter les obstacles) mais aussi les contraintes physiques du système (vitesse, accélération, couple, inertie), typiques des bras robotiques industriels, des drones ou des véhicules autonomes à haute dimensionnalité. Un gain de convergence plus rapide vers des trajectoires de meilleure qualité, à complexité constante par nœud, intéresse directement les intégrateurs qui doivent faire tourner ces calculs en temps réel, sur des systèmes embarqués aux ressources limitées. Il s'agit toutefois d'un travail académique validé uniquement en simulation, pas d'un produit ou d'un déploiement matériel : la portée réelle du gain reste à confirmer sur du hardware physique et dans des environnements moins contrôlés qu'un banc de test simulé. RDG s'inscrit dans la lignée des algorithmes dérivés de RRT (Rapidly-exploring Random Tree), dont SST et DIRT sont les variantes kinodynamiques les plus citées en recherche de robotique. En comparant systématiquement ses sous-composants (sélection de nœuds, biais d'exploration) à ces méthodes basées sur la recherche de voisins, l'étude cherche à isoler la source du gain de performance plutôt que de se contenter d'un résultat global. Les prochaines étapes attendues, non détaillées dans ce preprint, seraient une validation sur plateformes robotiques réelles et une extension à des espaces de dimensionnalité encore plus élevée.

Recherche❖Paper

1 source

39

1261arXiv cs.RO 

Cher LLaVA, conduis" : un agent vision-langage sensible à la profondeur pour le contrôle robotique en boucle fermée

Une équipe de recherche a publié le 22 septembre 2026 sur arXiv (référence 2609.22925v1) un article intitulé "Dear LLaVA, Please Drive", décrivant une méthode pour adapter un modèle vision-langage (VLM) préentraîné, dérivé de l'architecture LLaVA, à la navigation autonome de robots mobiles. Contrairement aux approches classiques qui reposent sur l'apprentissage par imitation et nécessitent de vastes jeux de trajectoires annotées, le système utilise un paradigme dit d'Imperative Learning : il optimise directement contre des champs de coût géométriques différentiables, calculés à partir d'observations de profondeur stéréoscopique, plutôt que d'apprendre à partir de trajectoires étiquetées. L'architecture combine un backbone VLM partagé avec des modules d'adaptation Low-Rank (LoRA) spécifiques à chaque tâche, reliant la sélection sémantique d'une cible en langage naturel à la planification bas niveau de trajectoire. Moins de 1 % des paramètres totaux du modèle sont mis à jour lors du fine-tuning. Les auteurs rapportent un score SPL (Success weighted by Path Length) compétitif dans des environnements inédits, ainsi que des essais qualitatifs en conditions réelles démontrant une généralisation du simulateur au monde physique sans réentraînement sur données réelles. Pour l'industrie robotique, ce travail s'attaque à un goulot d'étranglement connu des architectures VLA appliquées à la navigation : le coût et la rareté des données de trajectoires labellisées, qui freinent le passage à l'échelle des agents pilotés par instructions en langage naturel. En s'appuyant sur un fine-tuning paramétrique léger plutôt que sur un réentraînement massif, l'approche illustre une voie pour déployer des capacités de navigation sémantique sur des robots mobiles à moindre coût de collecte de données, un argument pertinent pour les intégrateurs cherchant à réduire la dépendance aux pipelines d'annotation. Le papier s'inscrit dans la vague plus large des travaux combinant VLM et robotique mobile, où la question centrale reste la fiabilité du transfert simulation vers réel. Il s'agit ici de résultats qualitatifs et d'une preuve de concept académique, sans mention de partenaire industriel, de déploiement commercial ni de calendrier de suite, l'article se présentant comme une contribution méthodologique plutôt qu'une annonce produit.

IA physique⚡Actu

1 source

39

1262arXiv cs.RO 

Au-delà des variations d'apparence : calibration sémantique des actions pour les modèles VLA

Un papier publié sur arXiv (2609.23650v1) présente BAS-VLA, un framework de calibration d'action pour les modèles vision-langage-action (VLA) utilisés en manipulation robotique. Les auteurs identifient deux défauts récurrents des politiques VLA actuelles : sous des changements qui préservent la tâche (variation de style visuel, d'éclairage, d'encombrement de la scène ou reformulation de la consigne), les modèles dévient inutilement de leur trajectoire ; à l'inverse, quand la sémantique de la tâche change réellement (objet cible ou contrainte modifiés), ils continuent souvent à suivre l'ancienne trajectoire au lieu de s'adapter. BAS-VLA s'appuie sur un modèle VLA de base gelé et combine un mécanisme central orienté rupture sémantique avec un module auxiliaire de préservation, activé seulement quand une variation sans enjeu sémantique est détectée. Testé sur le benchmark OpenPI-pi0.5 / LIBERO-Object Milk-Swap, le système maintient un taux de réussite de 98,0% en conditions propres et de 97,5% sous variations préservant la sémantique, tout en faisant chuter le taux de réussite au critère "propre" à 0,0% lorsque l'objet cible est délibérément substitué, preuve d'une nette séparation entre stabilité et adaptation. Sur des variations de style validées, le taux de succès passe de 42% à 70% sans dégrader les performances de référence. Ce travail touche un point sensible pour les intégrateurs et les équipes R&D qui déploient des modèles VLA en environnement réel : la robustesse apparente aux changements visuels, souvent mise en avant dans les démonstrations, ne garantit pas que le robot comprenne réellement ce qu'on lui demande. Un modèle capable d'ignorer un changement d'éclairage mais incapable de détecter qu'on lui a substitué l'objet à manipuler représente un risque opérationnel concret, notamment en logistique ou en usine où les tâches et les objets varient constamment. L'étude questionne ainsi l'hypothèse répandue selon laquelle la robustesse à l'apparence équivaut à une bonne généralisation : elle montre qu'un défaut de sensibilité sémantique à la tâche peut coexister avec une stabilité comportementale en apparence solide, ce qui complique l'évaluation des VLA à l'échelle industrielle. BAS-VLA s'inscrit dans la vague de recherche actuelle sur les modèles vision-langage-action, qui cherchent à transposer les capacités de généralisation des grands modèles de langage à la manipulation robotique physique. La méthode est construite par-dessus pi0.5, un modèle VLA de la suite OpenPI utilisé comme base gelée, et évaluée sur LIBERO-Object dans sa variante Milk-Swap, un protocole conçu pour tester spécifiquement la substitution d'objets cibles. Il s'agit à ce stade d'un travail de recherche publié en preprint, sans indication de déploiement industriel ni de partenariat annoncé ; les auteurs présentent leurs résultats comme un argument en faveur d'une nouvelle direction méthodologique, la calibration sémantique explicite des actions, plutôt que la seule recherche de robustesse à l'apparence, pour la prochaine génération de politiques VLA.

IA physique⚡Actu

1 source

39

1263arXiv cs.RO 

Interface cinématique pour le terrain : capture bimanuelle modulaire de loco-manipulation via caméras 360° uniquement

Un système de capture baptisé KIWI (Kinematic Interface for the Wild), décrit dans une prépublication arXiv datée du 22 septembre 2026 (arXiv:2609.22809v1), propose de collecter des données de manipulation bimanuelle sans instrumenter ni l'opérateur ni la pièce. Le dispositif repose uniquement sur des caméras 360 degrés disponibles dans le commerce, fixées via une plaque à dégagement rapide sur des pinces à baguettes, des pinces parallèles, des montages poignet-main ou directement sur les brides d'un bras robotique. L'objectif est de répartir deux tâches entre les deux objectifs de la caméra : l'objectif arrière construit une carte métrique partagée de la pièce pour localiser les deux mains (et une caméra de tête optionnelle) dans un même référentiel, tandis que l'objectif avant filme le geste de manipulation, une fusion IMU réalisée hors ligne comblant les pertes de suivi frontal. Sur six enregistrements bimanuels testés, la combinaison des deux objectifs n'a échoué à localiser que 0,1% des images, contre 24,8% d'échec pour un alignement basé uniquement sur l'objectif avant, qui a même perdu un enregistrement entier ; l'erreur de localisation mesurée contre des marqueurs de référence reste sous 4,5 mm. Cette approche s'attaque à un vrai goulot d'étranglement pour l'apprentissage par imitation en robotique : entraîner des modèles vision-langage-action comme Pi-0, GR00T N2 ou Helix nécessite des volumes massifs de démonstrations bimanuelles, et les méthodes existantes obligent soit à porter du matériel de capture de mouvement dédié, soit à instrumenter toute la pièce avec des caméras externes. Un kit léger, purement optique et sans électronique propriétaire abaisserait significativement le coût de collecte de données à grande échelle pour les intégrateurs et laboratoires travaillant sur la manipulation à deux bras. Il faut toutefois noter que les chiffres avancés proviennent d'une évaluation restreinte à six enregistrements, sans validation à grande échelle ni revue par les pairs à ce stade. KIWI s'inscrit dans la lignée des dispositifs de type UMI (Universal Manipulation Interface), qui utilisent des caméras montées au poignet pour collecter des démonstrations sans robot physique, en alternative aux combinaisons de capture de mouvement ou aux téléopérations en réalité virtuelle. La contribution reste à ce stade une démonstration académique publiée en prépublication, sans indication d'un acteur industriel ni de calendrier de déploiement commercial.

Recherche❖Paper

1 source

39

1264arXiv cs.RO 

Télépathie latente : communication multi-robots par latents perceptuels auto-supervisés

Publié sur arXiv (2609.23269) le 22 septembre 2026, un article de recherche présente Latent Telepathy, un protocole de communication pour équipes de robots décentralisées évoluant sous observabilité partielle. Plutôt que d'échanger position ou trajectoire, chaque robot diffuse à ses coéquipiers le vecteur latent perceptif qu'il calcule déjà pour lui-même, issu d'un encodeur auto-supervisé de type JEPA (joint-embedding prédictive architecture) gelé avant tout entraînement de politique. Un coéquipier apprend à s'en servir uniquement via la récompense de tâche, sans jamais connaître sa signification. Dans un protocole où bande passante, latence et topologie restent fixées, ce seul signal permet d'éviter un danger occulté dans 99,7% des épisodes, un score équivalent à un message idéal conçu à la main. Les messages de position ou de trajectoire restent au niveau du hasard, et l'image caméra brute, 186 fois plus lourde en bande passante, s'avère moins fiable que le vecteur latent compressé. Sur un robot physique réel, l'encodeur décode correctement le danger dans 102 décisions sur 102 en conditions live. Pour les intégrateurs de flottes de robots mobiles autonomes en entrepôt ou de robots de service coordonnés, ce travail comble un angle mort des architectures existantes: aucune ne transmettait ce qu'un robot perçoit mais que son coéquipier ne voit pas, comme un obstacle masqué. Les communications apprises en apprentissage par renforcement multi-agent existent depuis des années, mais produisent des messages opaques et couplés à la tâche d'entraînement, donc peu réutilisables d'un contexte à l'autre. Ici, un vecteur déjà calculé pour la perception, sans coût de calcul supplémentaire ni entraînement joint des politiques, suffit à approcher la fiabilité d'un canal idéal, ce qui ouvre une voie vers un canal de communication partagé et interprété de façon cohérente par des flottes hétérogènes, même sans supervision explicite du sens du message. L'approche prolonge les travaux de communication apprise en RL multi-agent, jusqu'ici limités par l'opacité et le couplage à la tâche, en gelant l'encodeur perceptif avant tout entraînement de politique afin que le message garde le même sens pour toute l'équipe. Les auteurs identifient une condition nécessaire pour transposer ces résultats du RL discret au contrôle continu: la décision informée par le message doit rester atteignable par l'exploration du récepteur, et proposent une méthode pour la restaurer quand elle fait défaut. Les expériences vont d'un gridworld discret simplifié jusqu'à une validation sur robot physique réel, au-delà de la simple démonstration en simulation. L'abstract ne mentionne ni affiliation industrielle ni partenaire commercial: il s'agit d'une contribution de recherche fondamentale, sans pilote ni déploiement commercial annoncé à ce stade.

Recherche❖Paper

1 source

39

1265arXiv cs.RO 

Conception et optimisation d'actionneurs à réducteur orientées tâche pour la robotique

Un article publié le 22 septembre 2026 sur arXiv (arXiv:2609.22795v1) présente un cadre d'optimisation conjointe du matériel et de la commande pour les actionneurs à réducteur des robots à pattes. Les auteurs, non identifiés dans le résumé, l'ont validé en fabriquant un actionneur testé sur une jambe sautante à deux degrés de liberté. Sur la base de sa masse mesurée, le prototype atteint une densité de couple de sortie nominale de 35,7 N·m/kg, environ 60% de plus qu'un actionneur articulaire à réducteur commercial largement utilisé, tout en étant 18,6% plus léger. Dans des conditions de banc d'essai identiques, il produit un saut 12% plus haut lorsqu'il est sollicité à deux fois son couple nominal. La méthode combine des modèles de substitution pour accélérer l'évaluation des moteurs, une optimisation hiérarchique à variables mixtes mêlant énumération discrète et recherche continue, ainsi que des profils de couple articulaire paramétrés par courbes de Bézier optimisés conjointement avec le matériel. L'enjeu dépassé ici est un angle mort courant de la conception d'actionneurs: ils sont généralement optimisés composant par composant, moteur, réducteur, capteurs, sur des métriques génériques comme le couple ou la densité de puissance, sans lien explicite avec la tâche réelle du robot. Les auteurs montrent qu'un gain isolé sur un composant ne se traduit pas forcément par une meilleure performance robotique, en raison du couplage entre comportements mécaniques, électriques et électromagnétiques et du coût de calcul d'une optimisation système complète. Pour les intégrateurs et fabricants de robots à pattes, cela ouvre une méthode reproductible pour dimensionner des actionneurs sur mesure selon un cahier des charges de mouvement précis, plutôt que de sélectionner un actionneur générique sur catalogue, un enjeu direct pour l'autonomie et la mobilité des futurs quadrupèdes et humanoïdes. Le travail s'inscrit dans un effort de recherche plus large sur la co-conception matériel-commande des actionneurs de robots à pattes, motivé par le constat que la marche, la course ou le saut imposent des exigences de couple et de vitesse très différentes qu'un actionneur générique ne peut satisfaire de façon optimale. Le résumé arXiv ne cite ni institution, ni entreprise partenaire, ni plan de commercialisation. Il s'agit d'une validation expérimentale en laboratoire, limitée à un seul actionneur testé sur une jambe sautante isolée, sans démonstration sur un robot quadrupède ou bipède complet. Les auteurs présentent leur cadre comme une méthode générale, transposable à d'autres tâches et morphologies, ouvrant la voie à des actionneurs conçus directement à partir des exigences de mouvement plutôt que sélectionnés après coup dans un catalogue.

Recherche❖Paper

1 source

39

1266arXiv cs.RO 

Intelligence collaborative générale : architecturer la cognition pour des écosystèmes multi-agents résilients

Une équipe de chercheurs publie sur arXiv (référence 2609.22967v1, catégorie cross-listing) un article de synthèse intitulé "General Collaborative Intelligence: Architecting Cognition for Resilient Multi-Agent Ecosystems", consacré aux systèmes multi-agents non habités (drones, véhicules, robots industriels) qui échangent des données compactes entre eux plutôt que de raisonner isolément. Les auteurs proposent une taxonomie à cinq dimensions (stade de collaboration, paradigme de communication, architecture de fusion, stratégie d'apprentissage, domaine d'application) et trois conditions de "synergie cognitive" baptisées désambiguïsation sémantique, échange d'information pragmatique et recherche informationnelle proactive, censées transformer ce concept flou en critères opérationnels mesurables. Ils introduisent aussi GCI-Bench, un protocole de notation à cinq piliers avec un modèle de maturité, destiné à comparer les méthodes collaboratives sur une base commune. Quatre domaines d'application sont couverts: le V2X (véhicules connectés), les systèmes aériens sans pilote, la logistique industrielle et les villes intelligentes. Ce travail ne décrit ni produit ni déploiement réel: il s'agit d'un article de recherche académique qui cartographie un champ jugé fragmenté, où les études existantes traitent architecture, communication, résilience et confiance de façon cloisonnée. Son intérêt pour les intégrateurs et décideurs robotique tient à son diagnostic sur la saturation des benchmarks actuels, qui rend les comparaisons entre méthodes multi-agents peu fiables, et à sa mise en avant d'un problème concret pour les flottes d'AMR en entrepôt, les essaims de drones ou les capteurs urbains: les occlusions et la portée limitée des capteurs individuels, que seule une perception distribuée et partagée peut contourner. Le papier s'inscrit dans une transition déjà engagée du secteur, de la perception égocentrique vers une intelligence collaborative distribuée, en traitant le canal de communication comme un composant différentiable du pipeline neuronal plutôt qu'une simple couche réseau. Les auteurs consacrent une section critique à la reproductibilité, au fossé simulation-réel et aux cas où la collaboration dégrade en fait les performances, plutôt que de présenter uniquement des résultats favorables. Aucun acteur commercial, français ou étranger, n'est cité: le texte reste une contribution théorique destinée à orienter les travaux futurs sur l'intelligence collaborative générale en conditions réelles incertaines.

Recherche❖Paper

1 source

39

1267arXiv cs.RO 

Recherche, ancrage, planification : suffisance fonctionnelle pour la planification tâche-mouvement avec connaissance incomplète de la scène

GRAB-TAMP est un framework de planification de tâches et de mouvements (TAMP) piloté par des foundation models, capable de traiter des instructions en langage naturel et des observations visuelles. Publié sur arXiv le 22 septembre 2026 sous la référence 2609.23113, avec un code disponible sur GitHub (dépôt Narendhiranv04/GRAB-TAMP), le système recherche dans la scène les entités nécessaires à la tâche, ancre chaque rôle fonctionnel requis à un objet physique valide via des contrôles sémantiques, géométriques et relationnels, puis ne déclenche la planification qu'une fois obtenue une affectation complète établissant ce que les auteurs nomment la "suffisance fonctionnelle". Testé sur 32 variantes de scènes réparties en trois domaines simulés, cuisine, salon et atelier, et sur 200 essais jugés faisables, le système atteint 54,0% de réussite de bout en bout et 67,3% de couverture des objectifs de plan, soit 25,7 points de pourcentage de mieux que la moyenne de trois autres frameworks TAMP concurrents testés dans les mêmes conditions d'exécution. L'enjeu visé est un angle mort connu des pipelines TAMP pilotés par foundation models: comprendre une instruction en langage ne garantit pas que la scène observée contienne réellement de quoi la réaliser, et la plupart des architectures existantes supposent à tort une connaissance complète de la scène, produisant des plans irréalisables dès que la perception est partielle, un cas fréquent hors laboratoire. En conditionnant la planification à cette vérification préalable, GRAB-TAMP réduit ce risque et améliore nettement le taux de réussite face à des baselines comparables. Un score de 54% en environnement simulé, même en net progrès, montre toutefois que le problème de la connaissance incomplète de la scène reste loin d'être résolu à l'échelle, un repère utile pour les intégrateurs qui évaluent des piles VLA ou des agents de planification fondés sur des LLM avant un déploiement réel plutôt qu'en démonstration contrôlée. GRAB-TAMP prolonge le TAMP classique, historiquement fondé sur une modélisation symbolique complète de l'environnement, vers des tâches spécifiées par le langage et la vision grâce aux foundation models. L'abstract ne précise ni l'affiliation des auteurs ni les noms des trois frameworks concurrents servant de référence, mais fixe une comparaison à conditions d'exécution identiques, ce qui rend les écarts de performance directement lisibles. Aucun déploiement sur robot physique n'est mentionné: les résultats proviennent uniquement de scènes simulées, sans partenariat industriel ni pilote annoncé à ce stade. La suite passe par la publication du code, ouvrant la voie à une réplication indépendante et à une extension éventuelle vers des scènes ou des robots réels.

Recherche❖Paper

1 source

39

1268arXiv cs.RO 

ActiveArena : benchmarking et compréhension de la perception active en manipulation robotique

Un nouveau papier de recherche publié sur arXiv (référence 2609.24124v1, soumission de type "new") présente ActiveArena, un ensemble d'outils pour évaluer la perception active en manipulation robotique. Il se compose de trois briques : ActiveArena-Sim, un simulateur à points de vue contrôlables et grands espaces de travail ; ActiveArena-Bench, un benchmark de 35 tâches réparties en 5 catégories couvrant l'exploration visuelle et l'acquisition interactive d'informations, chaque tâche étant conçue pour être insoluble à partir d'une seule observation passive et exigeant plusieurs cycles de collecte de preuves et un raisonnement fondé sur la mémoire ; et ActiveArena-VLA, une suite modulaire de 13 configurations vision-langage-action permettant d'isoler l'effet de l'écriture en mémoire, de la capacité mémoire, des entrées proprioceptives, de la supervision de sous-tâches et de la planification de haut niveau. Le benchmark fournit aussi des annotations de mémoire détaillées, des données d'entraînement standardisées et des protocoles distinguant distribution connue (ID) et hors distribution (OOD), avec scènes disjointes, distracteurs inédits et arrière-plans nouveaux. Les résultats rapportés montrent un écart de performance important entre ID et OOD, confirmant que les systèmes vision-langage-action actuels généralisent mal dès qu'ils sortent des scènes d'entraînement, un doute déjà répandu dans le secteur sur la robustesse réelle des VLA. Le papier identifie toutefois des leviers concrets : un échantillonnage mémoire uniforme, une capacité mémoire accrue couplée à des politiques d'écriture fiables, l'ajout d'entrées proprioceptives et la supervision de sous-tâches améliorent la généralisation OOD, tandis qu'une gestion de la mémoire pilotée par un planificateur permet d'approcher les performances des meilleures configurations avec une mémoire beaucoup plus éparse, donc moins coûteuse en calcul. Pour les équipes qui développent des manipulateurs devant opérer dans des environnements changeants ou partiellement occlus, ce travail fournit un cadre de comparaison objectif, plutôt qu'une nouvelle démonstration isolée. Ce travail s'inscrit dans une évolution plus large des benchmarks de manipulation robotique, qui se déplacent des tests de saisie statique vers des scénarios exigeant exploration active et mémoire persistante, alors que les architectures vision-langage-action se généralisent comme approche de contrôle robotique. Aucune affiliation institutionnelle, aucun partenaire industriel ni date de mise à disposition du code ne sont précisés dans l'annonce : il s'agit d'une contribution académique en amont de tout déploiement, dont l'utilité dépendra de son adoption par la communauté de recherche comme référence pour évaluer les futurs modèles.

Recherche❖Paper

1 source

39

1269arXiv cs.RO 

Correction de l'alignement axial en manipulation de vannes robotisée par retour d'effort de réaction

Une équipe de chercheurs publie sur arXiv (référence 2609.24413) une loi de contrôle haptique destinée à corriger le désalignement axial lors de la manipulation robotique de vannes. Plutôt que de s'appuyer sur des estimations visuelles, sensibles aux erreurs de calibration, aux occlusions et à l'incertitude sur la géométrie de contact, la méthode exploite directement les couples de réaction générés par l'interaction physique entre le préhenseur et la vanne. Les auteurs montrent qu'il existe une relation géométrique directe entre le vecteur d'erreur de désalignement et ces couples, et construisent sur cette base un contrôleur dont ils prouvent mathématiquement la stabilité asymptotique uniforme. Après validation en simulation, le système a été testé sur un bras robotique Kinova Gen3, avec des désalignements initiaux allant de -15° à 15° sur trois positions de vanne différentes, soit 18 configurations de test au total. La médiane absolue du désalignement résiduel reste sous 2,46° et celle des couples de réaction sous 0,23 Nm sur l'ensemble des essais. Cette approche cible un problème concret pour les intégrateurs de robotique industrielle: la manipulation de vannes reste une tâche critique en maintenance (pétrochimie, énergie, nucléaire), où la vision seule échoue souvent à cause de la poussière, de l'éclairage ou de l'occlusion partielle par l'outil lui-même. En s'appuyant sur le retour de force et de couple déjà disponible sur la plupart des bras collaboratifs modernes, la méthode évite d'ajouter ou de dépendre d'un système de vision dédié pour cette étape de correction fine. La preuve formelle de stabilité, plutôt qu'une simple validation empirique, constitue un argument de robustesse pour des applications où un échec de préhension peut endommager l'outillage ou la vanne. Il s'agit néanmoins d'une démonstration en laboratoire sur 18 essais contrôlés, pas d'un déploiement industriel: la généralisation à des vannes de formes, tailles ou frictions différentes reste à démontrer. La manipulation de vannes relève d'un problème plus large de la robotique de contact, où les approches purement visuelles et celles basées sur le retour d'effort s'affrontent depuis plusieurs années, en particulier pour des tâches de maintenance en environnement dangereux ou difficile d'accès pour l'humain. Ce travail se positionne comme une alternative aux méthodes de vision par ordinateur pour l'alignement fin, plutôt que comme un système complet et autonome de manipulation de vannes. L'abstract ne mentionne ni partenariat industriel ni programme de pilotes: il s'agit d'une contribution académique en pré-print, dont la suite logique serait l'extension à davantage de géométries de vannes et l'intégration dans une chaîne combinant vision et haptique.

Recherche❖Paper

1 source

39

1270arXiv cs.RO 

Adaptation résiduelle alignée sur la stabilité pour une récupération rapide après des changements de dynamique

L'article arXiv 2603.07775 (v2), intitulé « Stability-Aligned Residual Adaptation for Rapid Recovery from Dynamics Shifts », décrit une méthode où une correction résiduelle bornée s'ajoute, à l'inférence, à une politique d'apprentissage par renforcement (SAC) figée, sans réentraînement, réinitialisation ni identification explicite du système. Un module appelé Stability Alignment Gate régule cette correction par des contraintes d'amplitude, de cohérence directionnelle et de gain adaptatif, pour rester dans la marge de robustesse du contrôleur nominal. Face à des changements brusques d'actionnement, de masse et de contact en cours d'épisode, la méthode réduit le temps de récupération par rapport à un SAC figé de jusqu'à 87% sur le quadrupède Go1, 48% sur le bipède Cassie, 30% sur l'humanoïde H1 et 20% sur le robot AgileX Scout, en simulation. Sur matériel réel, un bras manipulateur Trossen ViperX et un AgileX Scout Mini gagnent 19,5% de temps de récupération, sans modification du contrôleur embarqué. L'enjeu pour l'industrie tient au problème visé: une politique de RL entraînée en simulation reste fragile face à des glissements de dynamique non observés (usure, charge variable, sol différent) une fois déployée hors environnement contrôlé, même si le contrôleur nominal reste localement stable. En évitant réentraînement, identification du système et information privilégiée sur la perturbation, l'approche cible directement le coût opérationnel des intégrateurs, qui ne peuvent pas recalibrer un robot à chaque aléa. Le maintien d'un gain, certes plus modeste, sur deux plateformes physiques distinctes (bras fixe, robot mobile) suggère une certaine généralité au-delà d'un seul type de robot, même si l'essentiel des chiffres reste obtenu en simulation. La méthode s'inscrit dans la lignée de l'apprentissage résiduel, qui corrige une politique déjà compétente plutôt que de la remplacer, une alternative au réentraînement complet ou aux grands modèles généralistes de type VLA comme Pi-0 ou GR00T N2. Les plateformes d'essai, quadrupède et humanoïde Unitree Go1 et H1, bipède Cassie, AgileX Scout et Scout Mini, bras Trossen ViperX, sont des références académiques standards, sans produit commercial identifié dans le résumé de l'article. Publiée comme simple préprint sur arXiv, la contribution ne mentionne ni partenariat industriel, ni pilote annoncé, ni calendrier de transfert vers un produit; la suite logique, non confirmée, serait une extension à davantage de plateformes physiques et de tâches de manipulation.

Recherche❖Paper

1 source

39

1271arXiv cs.RO 

Politique de dérive d'horloge d'exécution partagée pour la manipulation dynamique de précision

Une équipe de chercheurs, dont l'identité reste masquée le temps d'une évaluation en double aveugle, publie le 22 septembre 2026 sur arXiv (référence 2609.23305) une méthode baptisée SECD, pour Shared Execution-Clock Drifting, destinée à la manipulation robotique sous contrainte de temps. Le principe consiste à faire prédire par une politique en une seule étape de génération, à la fois une courbe d'action indexée sur la progression de la tâche et une horloge monotone partagée qui associe les instants de contrôle fixes à des positions sur cette courbe, l'ensemble étant calé sur des démonstrations puis affiné par un processus de "drifting" sur les actions décodées. Testée sur quatre tâches robotiques réelles avec inférence embarquée sur un module NVIDIA Thor, la méthode atteint un taux de réussite moyen de 77,00 % sur 300 essais, avec 91 % de réussite pour récupérer une tasse sur un convoyeur roulant à 16 mètres par minute, et 54 % pour redéplier et plier un vêtement froissé en moins de 90 secondes ; une variante à horloge fixe monte à 79 % sur le même protocole de convoyeur. L'enjeu dépasse la simple performance chiffrée : les politiques génératives en une seule étape, plus rapides à calculer que les approches par diffusion multi-étapes, laissaient jusqu'ici le rythme d'exécution implicite dans la séquence d'actions prédite, ce qui les pénalise dès qu'un objet bouge ou qu'une échéance s'impose. En rendant ce rythme explicite sans sacrifier la cadence de contrôle fixe ni ajouter d'évaluation réseau supplémentaire, SECD s'attaque directement à un angle mort de la course actuelle aux modèles vision-langage-action rapides. Le score de 54 % sur le pliage de tissu, nettement inférieur aux 91 % du convoyeur, rappelle toutefois que la manipulation déformable dynamique reste un problème largement non résolu, loin des démonstrations soignées habituellement mises en avant. Le travail s'inscrit dans la lignée des politiques dites "one-step", comparées ici à plusieurs bases de référence du même type, et complète ses essais réels par des expériences sur le simulateur RoboMimic, incluant des ablations multi-graines sur les tâches Transport et Square. Aucune affiliation industrielle, aucun partenaire ni calendrier de déploiement n'est mentionné : il s'agit à ce stade d'une contribution de recherche accompagnée d'une page de projet dédiée, sans indication de suite commerciale annoncée.

Recherche❖Paper

1 source

39

1272arXiv cs.RO 

ContactDP : politique de diffusion guidée par le contact pour les tâches d'insertion de précision

Une équipe de recherche présente ContactDP (Contact-Guided Diffusion Policy), une politique de diffusion conçue pour l'insertion de connecteurs à tolérances serrées, dans un preprint publié sur arXiv (2609.23800v1). Le système fusionne trois flux de perception en temps réel : une caméra RGB montée au poignet pour l'alignement global, des capteurs tactiles au bout des doigts et des mesures de force-couple au poignet, afin d'inférer l'état de contact et de générer des corrections de trajectoire temporellement cohérentes pendant l'insertion. Cette politique apprise pilote un contrôleur hybride position-force en boucle basse, qui assure une interaction compliante lors du contact physique avec le connecteur. Les auteurs l'ont testée sur une série de tâches d'insertion de connecteurs de qualité industrielle, en faisant varier la géométrie des pièces, les conditions de préhension et le désalignement initial de la pince. Le résultat annoncé est un gain net de performance, de fiabilité et de capacité de généralisation par rapport aux politiques de diffusion qui ne s'appuient que sur la vision. Cette approche s'attaque à un point de friction classique de la manipulation fine en robotique : dès que la pince entre en contact avec la pièce, l'occlusion visuelle et l'ambiguïté du contact rendent l'image seule insuffisante pour corriger la trajectoire, ce qui explique une partie de l'écart persistant entre les démonstrations en laboratoire et la fiabilité requise en ligne d'assemblage. En montrant qu'ajouter du tactile et de la force-couple à une politique de diffusion améliore nettement la robustesse sur des connecteurs aux géométries variées, les auteurs apportent un argument concret pour les intégrateurs qui cherchent à automatiser des tâches d'assemblage électronique ou de câblage, un segment où les robots à apprentissage visuel seul échouent encore souvent en production. Le travail s'inscrit dans la lignée des politiques de diffusion pour la manipulation robotique, une famille de méthodes popularisée ces dernières années comme alternative aux politiques de clonage comportemental classiques, et vise spécifiquement le sous-problème de l'insertion contact-rich plutôt que la manipulation générale à la manière des modèles VLA de type Pi-0 ou GR00T. L'abstract ne précise ni l'affiliation des auteurs ni de calendrier de transfert vers un produit industriel : il s'agit à ce stade d'un résultat de recherche évalué en conditions contrôlées, sans déploiement commercial annoncé.

Recherche❖Paper

1 source

39

1273arXiv cs.RO 

Apprentissage sûr pour les tâches robotiques à contact riche : état de l'art, des méthodes classiques aux modèles fondation sécurisés

Une nouvelle version (v3) de l'article de synthèse arXiv 2512.11908, intitulé "Safe Learning for Contact-Rich Robot Tasks: A Survey from Classical Learning-Based Methods to Safe Foundation Models", dresse un état des lieux des méthodes d'apprentissage sûr appliquées aux tâches robotiques à contact riche, comme l'assemblage, l'insertion de pièces ou la manipulation fine. Les auteurs classent les approches existantes en deux grandes familles : l'exploration sûre et l'exécution sûre. Ils passent en revue des techniques telles que l'apprentissage par renforcement sous contraintes, l'optimisation sensible au risque, la modélisation consciente de l'incertitude, les fonctions de barrière de contrôle et les boucliers de sécurité par commande prédictive. Une section importante du papier étudie comment ces principes de sécurité s'articulent avec les modèles de fondation robotiques émergents, en particulier les modèles vision-langage (VLM) et vision-langage-action (VLA), qui unifient perception, langage naturel et commande motrice. Les auteurs publient une bibliographie et des ressources complémentaires sur un dépôt GitHub dédié. Ce travail de synthèse importe pour les intégrateurs et les décideurs du secteur robotique parce qu'il pointe précisément le goulot d'étranglement qui sépare les démonstrations impressionnantes de manipulation des déploiements industriels fiables : la sécurité, pendant l'apprentissage comme pendant l'exécution. À mesure que les modèles VLA se généralisent dans les bras manipulateurs et les humanoïdes, le papier montre que le langage naturel peut servir à spécifier des contraintes de sécurité et à ancrer des signaux de sécurité multimodaux, mais il souligne aussi que ces mêmes modèles de fondation amplifient les risques et compliquent l'évaluation, faute de méthodologies de test standardisées. C'est un rappel utile que la capacité à générer un comportement plausible ne garantit pas l'absence de dommage lors d'un contact physique réel. Le sujet s'inscrit dans la montée en puissance des modèles de fondation robotiques ces deux dernières années, qui ont déplacé la recherche de contrôleurs spécialisés vers des politiques génériques entraînées à grande échelle, sans que les garanties de sécurité suivent au même rythme. Les auteurs concluent en identifiant les limites actuelles et des pistes de recherche pour des robots fiables et alignés sur la sécurité dans des environnements à contact riche, sans annoncer de produit ni de déploiement concret.

Recherche❖Paper

1 source

39

1274arXiv cs.RO 

PredActor : diffusion d'action prédictive pour un contrôle humanoïde embarqué et pilotable

PredActor, une politique de diffusion d'action prédictive pour le contrôle embarqué d'humanoïdes, est détaillée dans une publication arXiv de septembre 2026 (2609.24840). À la différence des architectures hiérarchiques classiques, qui séparent trajectoire de référence et tracker de suivi, elle s'exécute seule, conditionnée sur l'historique proprioceptif et un contexte de tâche optionnel, sans état corporel complet mesuré en externe, et génère à la fois les actions et une trajectoire d'état futur interne, guidée par classifier-free guidance pour le texte et par guidage de classifieur pour les objectifs de test. En simulation, elle atteint les 15 cibles testées, avec un score de récupération de texte de 0,580 contre 0,373 pour une diffusion d'action classique, et une résistance aux perturbations comparable. Sur une carte Jetson Orin NX, le cycle de calcul tombe à 16,790 ms en médiane et 19,383 ms au 95e percentile, sous les 20 ms requis ; déployée sur un robot Unitree G1, elle a démontré mouvement piloté par texte, réaction aux perturbations, contrôle au joystick et interpolation sémantique. Ce résultat répond à un point de friction du secteur : les politiques de diffusion pour humanoïdes fonctionnent bien hors ligne mais restent rarement pilotables en temps réel embarqué. En tenant le calcul sous les 20 ms sur du matériel edge accessible, sans tracker séparé ni perception externe de l'état corporel complet, PredActor allège la pile logicielle qu'un intégrateur doit maintenir et contredit l'idée qu'un pilotage sémantique par texte ou joystick exige une architecture hiérarchique lourde. Pour des décideurs industriels évaluant des humanoïdes pour des tâches réelles, la robustesse conservée malgré cette contrainte est encourageante, même si les métriques reposent sur un nombre limité de cibles et un score de récupération de texte propre au papier, peu comparable aux autres benchmarks du secteur. PredActor s'inscrit dans la lignée des politiques de diffusion pour le contrôle robotique et des modèles vision-langage-action, aux côtés d'approches comme Pi-0 de Physical Intelligence, GR00T N2 de NVIDIA ou Helix de Figure AI, dont il se distingue en évitant tout tracker de mouvement ou état privilégié externe. Classée comme nouvelle soumission sur arXiv, la publication ne précise ni laboratoire porteur ni entreprise associée et ne mentionne aucun calendrier de déploiement commercial : il s'agit d'un travail de recherche validé en simulation et sur un seul robot physique, sans pilote industriel annoncé.

Recherche❖Paper

1 source

39

1275arXiv cs.RO 

De la cognition au contrôle : apprentissage multi-agents pour le transport collaboratif humain-humanoïde

Des chercheurs ont présenté C2C (Cognition-to-Control), une architecture de collaboration homme-robot pour le transport d'objets, dans une version mise à jour d'un article publié sur arXiv (2603.03768v2, catégorie "replace"). Plutôt que de standardiser les modules logiciels eux-mêmes (planificateur, modèle du partenaire, politique de coordination, contrôleur), C2C standardise les signaux physiques échangés entre eux : un chemin de charge vérifié géométriquement pour représenter l'intention de tâche, un état physique indépendant de sa source pour décrire le partenaire, des commandes bornées en espace de tâche à 11 dimensions pour la coordination apprise, la faisabilité propre au robot restant du ressort du contrôle corps entier (whole-body control). Le système de référence associe un modèle vision-langage, une vérification géométrique déterministe et de l'apprentissage par renforcement multi-agent (MARL) sensible au partenaire ; sur neuf scénarios de transport, les variantes MARL adaptatives atteignent 77,1 à 82,1 % de succès moyen, contre 56,5 % pour une référence à partenaire scripté. Sur robot physique, un Unitree G1 associé à un humain obtient 100 % de succès en transport dans un espace confiné et 80 % pour la manipulation d'objets très longs, et un système à trois porteurs (deux humanoïdes G1 et un humain) valide la même structure d'interface sur matériel réel. Le problème visé est concret pour les intégrateurs : les piles de collaboration homme-robot pleinement intégrées deviennent fragiles dès qu'on change un seul composant, par exemple en remplaçant un partenaire simulé par un humain, ou une équipe à deux porteurs par une équipe à trois. En montrant que la même interface reste fonctionnelle avec des acteurs neuronaux ou des arbres de décision interprétables, avec deux ou trois porteurs, et avec une substitution simulation-vers-réel, les auteurs suggèrent qu'un système de transport collaboratif homme-humanoïde peut être construit de façon modulaire plutôt que reconstruit à chaque itération. C'est un signal pertinent pour les déploiements d'humanoïdes en logistique et en usine, où la coordination physique fiable avec des opérateurs humains reste un frein avant la montée en échelle commerciale. Ce travail s'inscrit dans la vague de recherche combinant modèles vision-langage-action et apprentissage multi-agent pour la robotique humanoïde, où l'écart entre démonstrations simulées et performance réelle reste un point de friction classique du secteur. Le choix du Unitree G1, robot bipède largement utilisé par les laboratoires académiques pour ce type d'expérimentation en raison de sa disponibilité commerciale, situe l'étude comme une validation de laboratoire plutôt qu'un déploiement industriel : l'article ne mentionne ni institution ni entreprise partenaire, ni calendrier de mise en production, et les scénarios à deux et trois porteurs testés ouvrent la voie à une généralisation vers des équipes homme-robot plus larges comme prochaine étape.

Recherche❖Paper

1 source

39

1276arXiv cs.RO 

StateMem : mémoire résiduelle à état unique et inférence adaptative pour les modèles vision-langage-action

Publié le 22 septembre 2026 sur arXiv sous la référence 2609.22684, StateMem est un nouveau framework de mémoire pour les politiques vision-langage-action (VLA) utilisées en manipulation robotique. Plutôt que de s'appuyer sur des banques de mémoire externes comme celles de MemoryVLA, il maintient un unique token de mémoire persistant mis à jour par résidus de faible rang et route de façon adaptative les préfixes mis en cache, avec un contrôleur sans entraînement ajustant le seuil en ligne et une correction rapide compensant la dérive des données en cache. Sur le benchmark LIBERO, StateMem atteint 97,6% de réussite moyenne tout en réduisant de 20,25% la fréquence de rafraîchissement complet du préfixe du modèle vision-langage. Sur RoboMemArena, catégorie Occlusion, il devance les autres méthodes VLA isolées avec 21,8% de taux de succès par tâche et 44,3% de taux de succès cumulé, et gagne 21 points de réussite moyenne sur six tâches de manipulation réelle. L'enjeu est concret pour l'industrie: la manipulation robotique dépendante de la mémoire, où une action tardive doit exploiter une information vue plus tôt, comme un objet temporairement caché, reste un point faible des VLA qui ne regardent que l'observation courante. En évitant le stockage et la récupération explicites d'une mémoire externe, StateMem allège le pipeline d'inférence et réduit le calcul redondant, un critère décisif pour la latence et le coût de calcul embarqué en déploiement temps réel. Les gains en environnement d'occlusion sont particulièrement significatifs car ils ciblent l'écart entre démonstrations de laboratoire et conditions réelles d'usine ou d'entrepôt, où l'occlusion visuelle est fréquente. Le travail s'inscrit dans la lignée des politiques VLA qui cherchent à dépasser la réaction à l'instant présent pour intégrer un raisonnement temporel, en se positionnant comme alternative plus légère aux architectures à mémoire externe explicite telles que MemoryVLA. Les auteurs valident leur approche sur trois terrains complémentaires, la suite standardisée LIBERO, le benchmark récent RoboMemArena axé sur mémoire et occlusion, et des tâches réelles sur robot physique, limitant le risque de sur-optimisation à un seul environnement simulé. Déposé en pré-publication sans mention de licence commerciale ni de partenariat industriel, StateMem reste à ce stade une contribution de recherche dont l'adoption en production dépendra de sa reproduction indépendante.

Recherche⚡Actu

1 source

39

1277arXiv cs.RO 

SCRAMPPI : planification contrainte par les imprévus via l'atteignabilité de Hamilton-Jacobi

Une équipe de recherche en robotique a publié une version révisée (v2) d'un article arXiv (référence 2603.26995) présentant SCRAMPPI, une méthode de planification de trajectoire sous contrainte de contingence. Le problème ciblé est celui des robots autonomes qui optimisent un coût nominal tout en devant garantir, à chaque état vérifié le long du plan, l'existence d'une manœuvre de secours admissible capable d'atteindre une cible de récupération désignée dans un horizon de contingence fixé. SCRAMPPI formule cette contrainte comme un problème de type reach-avoid et s'appuie sur l'analyse de réachabilité de Hamilton-Jacobi (HJ) pour évaluer la faisabilité des manœuvres de secours, soit en calculant hors ligne une fonction de valeur reach-avoid, soit en la mettant à jour au fur et à mesure que l'environnement est découvert. Couplée à un contrôleur MPPI (model predictive path integral) via des rollouts par rééchantillonnage, la méthode maintient une fréquence de planification de 15 à 20 Hz. Les auteurs présentent des expériences en simulation et sur matériel réel de navigation de robot mobile, ainsi qu'une simulation de récupération limitée par friction en cinq dimensions. L'enjeu pratique est la fiabilité opérationnelle des robots autonomes : sans préparation explicite aux imprévus, un plan optimisé pour le seul coût nominal expose le système à un risque d'échec de mission dès qu'un obstacle imprévu ou une défaillance survient. Les approches existantes soit co-optimisent la trajectoire de secours avec le plan nominal, ce qui alourdit le calcul, soit évaluent la contrainte de contingence via des recherches imbriquées par échantillonnage, coûteuses en temps de calcul et difficilement compatibles avec le temps réel. En démontrant une replanification à 15-20 Hz avec garanties de récupération intégrées au contrôleur, SCRAMPPI cherche à rapprocher la planification à garanties formelles de la cadence nécessaire à une exécution embarquée réelle, un point clé pour les intégrateurs de robots mobiles autonomes (AMR) appelés à opérer dans des environnements partiellement inconnus ou à proximité d'humains. Le travail s'inscrit dans la lignée des recherches sur la planification robuste et la commande prédictive stochastique, en combinant deux outils établis séparément dans la communauté contrôle et robotique : la réachabilité de Hamilton-Jacobi, utilisée pour certifier des ensembles de sécurité, et le contrôle MPPI, reconnu pour sa capacité à gérer des dynamiques non linéaires par échantillonnage. L'article, marqué comme remplacement (replace) d'une version antérieure sur arXiv, ne précise ni affiliation institutionnelle ni calendrier de déploiement industriel ; il reste au stade de la recherche, avec validation en simulation et sur plateforme matérielle de navigation mobile plutôt qu'un produit commercialisé.

Recherche❖Paper

1 source

39

1278arXiv cs.RO 

Verti-WM : un modèle du monde extéroceptif assisté par la physique pour l'apprentissage par renforcement tout-terrain

Verti-WM, un modèle de monde physique et extéroceptif destiné à l'apprentissage par renforcement en navigation tout-terrain, a été présenté dans un article déposé sur arXiv sous la référence 2609.23118. Le système fusionne de façon récurrente un Transformer figé, dédié aux terrains rigides, et un modèle neuro-symbolique de terramécanique pour les terrains déformables, en interrogeant à chaque pose prédite une carte fournie pour en extraire l'élévation et la sémantique du sol, ce qui permet des simulations à six degrés de liberté sans accès supplémentaire à un simulateur. Cette approche réduit l'erreur de prédiction de 34,6% par rapport à une base purement data-driven et de 21,7% par rapport à une base purement physique. Des politiques entraînées uniquement dans Verti-WM atteignent des taux de réussite comparables à celles entraînées dans un simulateur haute-fidélité, tout en réduisant le temps de calcul d'un facteur 23,6. Les auteurs valident enfin l'approche sur des données réelles: une politique optimisée dans une dynamique apprise à partir du monde réel atteint 80% de réussite sur la plateforme robotique Verti-4-Wheeler, contre 40% pour un transfert sim-to-real direct. Ce travail cible une limite connue des world models utilisés en RL: la seule proprioception ne suffit pas à anticiper les interactions roue-sol en tout-terrain, où la nature du sol change radicalement la dynamique du véhicule. En combinant un module data-driven efficace sur sols rigides avec un modèle physique adapté aux sols déformables, Verti-WM atténue le compromis habituel entre fidélité physique et coût de collecte de données en simulation haute-fidélité. Pour les équipes robotiques travaillant sur des véhicules autonomes tout-terrain, agricoles, de défense ou d'exploration, la division par plus de 23 du temps de calcul change l'économie de l'entraînement de politiques, et l'écart entre 80% et 40% de réussite en conditions réelles constitue une indication chiffrée, bien que limitée à une seule plateforme, de réduction du fossé sim-to-real. Le travail s'inscrit dans la continuité des recherches sur les world models pour la RL, transposées ici au véhicule tout-terrain, domaine historiquement partagé entre approches data-driven et modèles physiques de terramécanique que Verti-WM cherche à combiner. La validation s'appuie sur la plateforme Verti-4-Wheeler, déjà utilisée dans des travaux antérieurs du même laboratoire sur la navigation verticale tout-terrain. L'article ne mentionne aucun partenaire industriel ni plan de déploiement commercial: il s'agit à ce stade d'une contribution académique, dont les suites attendues porteraient sur l'extension à d'autres plateformes, d'autres types de terrains déformables et une validation à plus grande échelle du transfert sim-to-real.

Recherche❖Paper

1 source

39

1279arXiv cs.RO 

FRAMES : récupération après échec et surveillance des compétences incarnées pour la loco-manipulation humanoïde

Des chercheurs présentent FRAMES (Failure Recovery And Monitoring of Embodied Skills), un framework de supervision pour le robot humanoïde Unitree G1, publie sur arXiv le 22 septembre 2026 sous la référence 2609.22538. Le système se greffe au-dessus du contrôleur corps entier CEER et articule trois agents: un Planner Agent qui décompose une instruction en langage naturel en sous-taches via des compétences paramétrées, un Monitor Agent base sur un modèle vision-langage qui évalué chaque compétence a partir d'observations multi-vues temporelles et de preuves de contact du robot, et un Recovery Agent qui reçoit un retour d'échec circonstancie pour corriger l'exécution. Un module mémoire réutilisé l'expérience de compétences passées, complète par un ancrage géométrique via cartes de profondeur et segmentation. Les auteurs ont teste isolement le module de surveillance dans le simulateur MuJoCo, sur 100 essais repartis en 50 exécutions ratées et 50 réussies, couvrant cinq taches de loco-manipulation. Le moniteur détecte 48 des 50 échecs et valide correctement 46 des 50 réussites, pour une précision globale de 94,0%. Ce résultat cible un angle mort connu des pipelines robotiques bases sur des planificateurs LLM: choisir la bonne compétence ne garantit pas son exécution physique, et une seule erreur d'approche, de prise, de transport ou de dépôt peut invalider un plan long-horizon entier. En isolant et en validant un module de détection d'échec avant de boucler la récupération complète, les auteurs apportent une preuve partielle mais concrète que la supervision par modèle vision-langage peut distinguer succès et échec avec une fiabilité mesurable, plutôt que d'empiler des compétences sans contrôle qualité. Pour les intégrateurs et décideurs qui évaluent des humanoïdes pour la loco-manipulation industrielle, ce travail rappelle que la robustesse opérationnelle reste distincte de la réussite d'une démonstration isolée, et que la détection d'échec en temps réel devient une brique nécessaire avant tout déploiement a l'échelle. Le papier reste explicite sur les limites de sa propre validation. FRAMES s'inscrit dans la lignée des architectures combinant planification par grands modèles de langage et bibliothèques de compétences réutilisables pour piloter des humanoïdes, approche désormais courante face a la multiplication des contrôleurs corps entier comme CEER sur la plateforme Unitree G1. L'apport du papier est de traiter la surveillance et la récupération d'échec comme un module a part entière plutôt que comme un correctif ad hoc, avec une architecture a mémoire capitalisant sur les exécutions passées. Les auteurs précisent que seule la brique de surveillance a été validée indépendamment, en simulation, et que l'évaluation de bout en bout de la boucle complète de récupération, avec Planner et Recovery Agent opérant ensemble sur le robot réel, reste en cours. Le passage de ces résultats simules a une validation sur le G1 physique constituera le prochain jalon déterminant pour juger de la maturité réelle de l'approche.

Recherche❖Paper

1 source

39

1280arXiv cs.RO 

Navigation faisable pour la manipulation d'obstacles mobiles par poussée à contacts discrets

Un article publié sur arXiv (référence 2609.23312) présente un framework hiérarchique de navigation parmi des obstacles mobiles pour manipulateurs mobiles, conçu pour les environnements encombrés de gros objets non préhensibles. Au niveau supérieur, un planificateur repère les obstacles bloquants sur la trajectoire prévue et cherche des plans de relocalisation respectant simultanément les contraintes géométriques, de manipulation et de navigation en aval. Quand un déplacement direct est entravé par d'autres objets mobiles, un grand modèle de langage (LLM) est invoqué de façon sélective pour inférer des dépendances de manipulation auxiliaires, ensuite vérifiées par une planification géométrique déterministe plutôt qu'exécutées telles quelles. Pour l'exécution physique, les auteurs définissent des modes de contact discrets sur les faces d'obstacles en forme de boîte, sélectionnés en ligne selon l'erreur de position et d'orientation, ce qui permet des poussées droites, latérales ou en coin via des changements de contact. Une politique d'apprentissage par renforcement récurrente coordonne base mobile et bras manipulateur pour suivre les cibles de l'effecteur (tool center point, TCP) tout en conservant l'accessibilité de l'outil pendant une poussée prolongée. Le système a été validé en simulation et sur robot réel, sur des scénarios de détour, de relocalisation d'un ou plusieurs obstacles et de dépendances entre objets, avec du code publié en open source. Ce travail s'attaque à une limite connue de la navigation robotique: contourner systématiquement les obstacles devient inefficace, voire impossible, dans des espaces encombrés de mobilier ou de caisses volumineuses. En couplant un LLM pour le raisonnement sur les dépendances entre objets et un planificateur géométrique qui vérifie chaque plan avant exécution, l'architecture limite le risque d'hallucination inhérent aux LLM employés seuls pour planifier des actions physiques, un point sensible pour quiconque évalue des pipelines robotiques fondés sur des modèles de langage. Pour les intégrateurs en logistique ou en robotique de service, cela esquisse des robots mobiles autonomes (AMR) capables d'interagir avec des obstacles non saisissables plutôt que de rester bloqués, un scénario encore rarement démontré au-delà de la simulation pure. La navigation parmi les obstacles mobiles est étudiée en robotique depuis le milieu des années 2000, mais les approches historiques se limitaient souvent à des obstacles simples ou à des poussées isolées, sans coordination fine entre base et bras. Ce travail se distingue des modèles vision-langage-action génératifs comme Pi-0, GR00T N2 ou Helix, orientés vers la manipulation générale par apprentissage à grande échelle, en ciblant un cas plus étroit mais concret: la poussée de contact soutenue sur des objets trop volumineux ou trop lourds pour être saisis. Encore au stade de prépublication (version 1), le projet met son code à disposition pour reproduction, sans calendrier de déploiement industriel ni partenariat annoncé; les auteurs évoquent une extension à des obstacles de formes plus variées et à des environnements plus dynamiques que ceux testés jusqu'ici.

Recherche❖Paper

1 source

39

1281arXiv cs.RO 

BiView-Touch : apprentissage de représentations tactiles bimanuelles par complétion croisée des mains

Des chercheurs présentent BiView-Touch dans un article arXiv (2609.23352v1, catégorie "cross"), publié en soumission anonyme pour relecture en double aveugle. Le cadre auto-supervisé reconstruit les latents masqués d'une main cible à partir des régions tactiles encore visibles de cette même main et de la main controlatérale synchronisée. Il repose sur un encodeur étudiant associé à un décodeur directionnel conditionné par la géométrie, qui prédit des cibles latentes complètes calculées par moyenne mobile exponentielle (EMA) sur un réseau enseignant. Des contrefactuels temporels et de disposition spatiale forcent le modèle à exploiter une information controlatérale réellement alignée dans le temps et organisée anatomiquement, et non un simple bénéfice de l'entrée bilatérale brute. Évalué sur le jeu de données public HumanTouch, BiView-Touch dépasse des méthodes auto-supervisées de référence en régime de faible annotation: avec seulement 5% des étiquettes disponibles pour l'entraînement en aval, les gains relatifs de précision équilibrée atteignent 7,1% pour la reconnaissance du mouvement bimanuel du poignet et 14,1% pour la reconnaissance de phase d'interaction dérivée des forces mesurées. Les auteurs publient aussi BVT-20, un nouveau jeu de données tactile bilatéral couvrant 20 tâches, et montrent un transfert des représentations entre sessions d'enregistrement et corpus de pré-entraînement, y compris vers une tâche bimanuelle totalement absente de l'entraînement. L'intérêt pour la robotique tient au fait que la plupart des approches tactiles auto-supervisées traitent encore chaque main indépendamment, ou ne fusionnent les deux flux qu'au niveau de la prédiction finale, sans modéliser leur relation croisée. Montrer qu'une structure inter-mains explicite améliore la qualité des représentations, surtout avec très peu d'étiquettes, cible un vrai goulot d'étranglement: les données tactiles annotées avec vérité terrain force/contact restent coûteuses à produire. Le résultat intéresse directement les pipelines de téléopération, l'apprentissage par imitation pour la manipulation bimanuelle ou humanoïde, et les tâches d'assemblage sensibles à la force en industrie, où généraliser sans gros volumes annotés est un enjeu concret. Le travail s'inscrit dans la lignée des méthodes de prédiction de latents masqués avec schéma enseignant-étudiant EMA (type data2vec/JEPA), jusqu'ici surtout appliquées à la vision ou à une seule main, en les adaptant spécifiquement au tactile bimanuel. L'article ne nomme aucun concurrent industriel ni laboratoire, conformément à sa soumission anonyme; le code et les détails du jeu de données sont déjà accessibles sur une page projet anonyme, une publication complète étant probable après l'issue du processus de relecture.

Recherche❖Paper

1 source

39

1282arXiv cs.RO 

Modélisation conjointe monde-action sensible aux affordances pour la manipulation robotique (AffordanceWAM)

Une équipe de recherche a publié le 22 septembre 2026 sur arXiv, sous la référence 2609.22332, AffordanceWAM, un nouveau modèle conjoint de monde et d'action pour la manipulation robotique généraliste. Bâti sur un Transformer de diffusion vidéo pré-entraîné, il associe un module « World Expert » et un module « Action Expert » reliés par une attention conjointe masquée, pour prédire simultanément les images RGB futures de la scène, un champ d'affordance scalaire, une carte de chaleur des zones manipulables et la trajectoire d'action continue du robot, sous un objectif d'entraînement unique de type flow-matching. Les vidéos humaines filmées à la première personne supervisent ces trois flux visuels, tandis que les démonstrations robotiques ajoutent la supervision d'action, sans retargeting ni étiquetage manuel des gestes humains, avant validation sur les bancs d'essai RoboCasa et CALVIN (protocole ABC vers D) et sur des tâches de manipulation réelles. Le problème visé est la pénurie de données d'entraînement pour les politiques vision-langage-action : les vidéos robot avec actions étiquetées restent coûteuses et peu diversifiées, tandis que les vidéos humaines égocentriques, abondantes, manquent d'actions robotiques exploitables et diffèrent en morphologie. AffordanceWAM affiche des gains constants face à des références limitées au RGB seul ou aux seules données robot, et surtout une amélioration monotone sur RoboCasa à mesure que le volume de vidéos humaines annotées en affordance augmente, à supervision robot constante. Pour les équipes entraînant des modèles VLA à grande échelle, ce résultat trace une voie pour réduire la dépendance à la téléopération coûteuse en exploitant des corpus vidéo humains déjà disponibles en masse. Le travail s'inscrit dans la tendance des modèles du monde appliqués à la robotique, où prédiction vidéo et génération d'action sont fusionnées dans une architecture unique plutôt que traitées séparément, une direction également suivie par plusieurs laboratoires industriels développant des modèles vision-langage-action. Il s'agit à ce stade d'une prépublication non encore validée par relecture par les pairs, testée sur des bancs d'essai académiques et un nombre restreint de scénarios réels, et non d'un produit ou d'un déploiement commercial. Le papier ne précise ni la taille exacte des corpus vidéo humains, ni de calendrier de publication du code ou des poids du modèle, laissant la reproductibilité comme prochaine étape à vérifier.

Recherche⚡Actu

1 source

39

1283arXiv cs.RO 

Bridge3D : permettre aux modèles vision-langage-action de voir et d'agir en 3D

Des chercheurs présentent Bridge3D, décrit dans un article publié sur arXiv sous la référence 2609.24525v1 (numérotation qui situe la soumission en septembre 2026). La méthode ajoute une guidance géométrique 3D, à la fois implicite et explicite, à des modèles vision-langage-action (VLA) pré-entraînés uniquement sur des observations 2D. Deux mécanismes sont combinés : l'Implicit Fusion, qui enrichit les tokens visuels avec des caractéristiques issues de modèles de fondation 3D pour améliorer la perception spatiale, et l'Explicit Conditioning, qui couple le débruitage des actions à un champ sémantique 3D explicite pour guider l'exécution des gestes. Les auteurs ajoutent une technique de "layer-wise linear probing" pour accélérer l'apprentissage. Sur le benchmark de simulation RoboTwin 2.0, Bridge3D dépasse le modèle Pi-0 de 14,0 points de pourcentage ; en expériences réelles, il surpasse une méthode concurrente nommée Spatial Forcing de 11,7 points de pourcentage sur des tâches de manipulation. Les VLA actuels, entraînés majoritairement sur des données 2D, peinent souvent sur les tâches de manipulation exigeant une précision spatiale fine, comme l'insertion de pièces ou la saisie d'objets à géométrie complexe, un point faible connu d'architectures comme Pi-0, GR00T N2 (NVIDIA) ou Helix (Figure). Bridge3D suggère qu'ajouter une guidance géométrique 3D explicite, en complément des priors implicites déjà testés par d'autres travaux, améliore mesurablement la précision sans nécessiter un ré-entraînement 3D natif coûteux. Pour les équipes robotique et les intégrateurs, cela ouvre une voie de post-entraînement ciblé pour renforcer des VLA existants sur des tâches industrielles sensibles à la géométrie, plutôt que de miser uniquement sur davantage de données 2D à l'échelle. Ces résultats nuancent l'hypothèse selon laquelle le simple passage à l'échelle des VLA 2D suffirait à résoudre la manipulation de précision. Bridge3D s'inscrit dans une lignée de recherches cherchant à doter les VLA d'une conscience spatiale 3D ; les auteurs pointent que les approches précédentes se limitaient à des priors implicites sans guidage géométrique explicite, lacune que leur méthode comble en associant les deux approches. Les comparaisons retenues portent sur Pi-0 en simulation via RoboTwin 2.0, un benchmark de manipulation robotique reconnu, et sur Spatial Forcing en conditions réelles. À ce stade, Bridge3D reste un travail de recherche publié sur arXiv, sans code source mentionné, sans partenaire industriel identifié et sans déploiement hors du cadre expérimental décrit. Les suites attendues pour ce type de travaux incluent généralement la publication du code, l'extension à d'autres plateformes robotiques et tâches réelles, ainsi que des comparaisons élargies à d'autres VLA de référence comme GR00T N2 ou Helix.

IA physique⚡Actu

1 source

39

1284arXiv cs.RO 

Le toucher, quand compte-t-il vraiment ? L'écart vision-interaction dans la préhension dextérique en environnement encombré

Une étude publiée en préimpression sur arXiv (2609.24068v1) évalue en conditions réelles si le toucher améliore la préhension robotique dextre en environnement encombré, au-delà de la seule vision. Sur un système doté de capteurs de force au poignet et par doigt ainsi que de taxels tactiles répartis sur les bouts des doigts, testé sur cinq configurations de scène de table, les chercheurs ont comparé, démonstrations, observations visuelles, espace d'action et contrôle en conformité restant identiques, quatre politiques : vision seule, force seule, tactile seule et combinée, avec des références de représentation et de fusion. La politique combinée réussit 24 essais sur 25, contre 14 sur 25 pour la vision seule. Dans les trois scènes les plus confinées, l'écart se creuse encore : 15 succès sur 15 contre seulement 6 sur 15. Les analyses par ablation montrent que le retour de force et le retour tactile sont complémentaires plutôt que redondants. Le résultat interroge un présupposé répandu dans l'industrie de la manipulation robotique : que les modèles vision-langage-action, entraînés surtout sur des flux visuels, suffiraient à généraliser la préhension fine sans capteurs tactiles dédiés. L'étude montre l'inverse, et surtout que l'écart se creuse précisément quand l'occlusion et le contact rendent la géométrie visuelle insuffisante pour juger la qualité d'une prise. Le retour d'interaction permet de rejeter plus tôt un contact inadéquat, de reprendre la prise avant de soulever l'objet, et d'obtenir des saisies plus stables. Pour les intégrateurs qui déploient bras ou mains robotiques en tri, bin picking ou assemblage dense, le signal est concret : la caméra seule ne referme pas l'écart entre démonstration en laboratoire et fiabilité en production, et l'instrumentation tactile devient un critère technique de sélection, pas un simple ajout. L'abstract ne précise ni laboratoire ni entreprise, signe d'une contribution académique et non d'une annonce produit ; les auteurs revendiquent la première étude en conditions réelles à combiner et évaluer séparément force et tactile pour une préhension dextre ciblée en environnement encombré, mais le travail n'a pas encore été relu par les pairs. Il s'inscrit dans un contexte où la génération actuelle de politiques génératives de manipulation, telles Pi-0, GR00T N2 ou Helix, mise surtout sur la vision et le langage au détriment du contact physique. Les auteurs proposent leurs cinq scènes encombrées comme protocole de référence pour déterminer quand une politique apprise a réellement besoin de perception d'interaction ; le site du projet documente les essais sans mentionner de pilote industriel ni de calendrier de déploiement.

Recherche❖Paper

1 source

39

1285arXiv cs.RO 

MR-SPITE : accélérer la détection de conflits multi-robots grâce à une approximation hiérarchique des volumes balayés

MR-SPITE (Multi-Robot SPITE) est un filtre conservateur qui accélère la détection de conflits entre trajectoires de robots synchronisées, décrit dans un article publié sur arXiv (2609.23928v1). La méthode découpe chaque trajectoire en intervalles temporels et attribue à chaque segment des bornes géométriques conservatrices : un ordonnanceur compare les bornes des mouvements qui se chevauchent dans le temps, certifie sans conflit toute fenêtre aux bornes disjointes, et ne transmet au vérificateur de collision détaillé que les cas restés ambigus. Intégrée au planificateur ARC et combinée au moteur de collision VAMP, la méthode testée sur une flotte de 16 robots Fetch obtient une accélération médiane du scan de conflits de 7,18x et réduit de 57 % le temps de planification médian par rapport à la référence ARC avec PRM et VAMP seuls. Pour les intégrateurs qui coordonnent des flottes de robots mobiles ou des cellules multi-bras, le vrai goulot d'étranglement n'est pas la planification individuelle mais la vérification, à chaque pas de temps et pour chaque paire de robots, que les trajectoires synchronisées ne se percutent pas, une opération répétée à chaque correction de conflit. En filtrant la majorité des paires par un test géométrique grossier mais sûr avant d'invoquer le vérificateur détaillé, MR-SPITE réduit ce coût récurrent de replanification plutôt que le coût de génération initiale des trajectoires. Le résultat montre que des bornes calculées au niveau du segment complètent les accélérations existantes au niveau de la configuration, comme VAMP, sans changer le comportement du scanner discrétisé sous-jacent, un signal utile pour passer de démonstrations à quelques robots à des flottes denses. L'article s'inscrit dans les travaux de recherche en planification multi-robots, où la coordination de flottes homogènes comme les 16 robots de service Fetch utilisés en test se heurte au coût combinatoire de la vérification de collision par paire. ARC, le planificateur hôte, et VAMP, le moteur de collision vectorisé auquel MR-SPITE est associé, sont des briques existantes de l'écosystème académique de planification de mouvement ; MR-SPITE se positionne en couche de filtrage complémentaire, non en remplacement. L'étude, encore au stade de résultat de recherche évalué en simulation, ne fixe aucun calendrier de déploiement industriel ni partenaire commercial.

Recherche❖Paper

1 source

39

1286arXiv cs.RO 

Collaboration hétérogène entre robots dans des environnements non structurés grâce à l'IA générative ancrée

Les chercheurs a l'origine de SPINE-HT ont publie une version mise a jour de leur article sur arXiv (référence 2510.26915v2) présentant un framework de collaboration pour des équipes de robots hétérogènes évoluant dans des environnements non structures. Le système s'appuie sur des grands modèles de langage (LLM) et des modèles vision-langage (VLM) pour déduire les sous-taches nécessaires a partir d'une spécification de mission formulée en langage naturel et du contexte de l'environnement. Le processus se déroule en trois étapes: un LLM infère d'abord les sous-taches requises a partir de la mission et des capacités déclarées de l'équipe, ces sous-taches sont ensuite validées pour vérifier leur faisabilité avant d'être assignées aux robots selon des critères comme la franchissabilite du terrain ou les capacités de perception, puis le framework les met a jour en continu grâce aux retours collectes sur le terrain (cartes sémantiques, résultats des taches). En simulation, avec perception et contrôle en boucle fermée, SPINE-HT obtient un taux de réussite près de deux fois supérieur aux approches antérieures de teaming hétérogène basées sur des LLM. En conditions réelles, l'équipe a teste le système sur une flotte composée d'un robot a roues Clearpath Jackal, d'un robot a roues Clearpath Husky, du quadrupède Spot de Boston Dynamics et d'un drone volant a haute altitude, atteignant un taux de réussite de 87,5% sur des missions exigeant un raisonnement sur les capacités de chaque robot et un ajustement des sous-taches via retour d'information en ligne. Ce résultat s'attaque directement a une limite récurrente des méthodes de teaming multi-robots pilotées par LLM: la plupart supposent des environnements bien structures et connus a l'avance, ce qui dégradé leurs performances des que le terrain devient incertain ou changeant. Pour les intégrateurs travaillant sur des flottes mixtes (drones, robots a roues, robots a pattes) destinées a l'inspection, la recherche et sauvetage ou la surveillance de sites industriels, la démonstration montre qu'une spécification de mission en langage naturel peut remplacer une bonne partie de l'ingénierie manuelle de taches, a condition que le système puisse vérifier la faisabilité et se corriger en temps réel plutôt que de suivre un plan fige. Il s'agit toutefois d'un prototype de recherche, teste sur un nombre limite de plateformes et de scenarios de mission, et non d'un produit commercialise ni d'un déploiement opérationnel a grande échelle. Aucune entreprise ni financement n'est mentionne dans l'article; les auteurs renvoient vers un site dédié au projet pour plus de détails. La progression par rapport aux méthodes antérieures de teaming hétérogène base sur LLM situe ce travail dans un courant de recherche actif visant a ancrer le raisonnement des modèles génératifs dans le contexte physique et évolutif de robots réels, plutôt que dans des simulations idéalisées.

Recherche❖Paper

1 source

39

1287arXiv cs.RO 

Planification de trajet fondée sur le bon sens à partir d'instructions abstraites

CoRS (commonsense ranked search), décrit dans un article arXiv du 22 septembre 2026 (arXiv:2609.22813v1), est un planificateur de chemin qui traduit une instruction abstraite comme "déplace-toi prudemment" en itinéraire respectant des considérations de bon sens jamais formulées explicitement, à l'image d'un sol mouillé qu'un ouvrier contourne sans consigne écrite. Le système combine grands modèles de langage (LLM) et modèles vision-langage (VLM) : pour chaque région observée, il déduit une considération locale ("sol glissant, détour justifié"), compare ces considérations entre elles ("la foule pèse plus que le sol mouillé"), puis convertit ce classement en coûts pour un algorithme de recherche classique garantissant toujours un chemin valide. Les auteurs publient un benchmark dédié : trois environnements, 1350 problèmes, cinq instructions réparties sur trois niveaux d'abstraction. Les résultats montrent que CoRS repère les considérations implicites, contourne celles qui méritent un détour et traverse normalement les autres zones, un comportement que les planificateurs récents fondés sur des LLM ne reproduisent pas. Pour les intégrateurs de robots mobiles autonomes appelés à opérer parmi des humains (entrepôts, hôpitaux, bureaux), cela pointe un écart persistant entre le raisonnement affiché par les LLM en démonstration et leur capacité réelle à transformer un ordre flou en trajectoire sûre. L'étude suggère que le bon sens doit être ancré région par région dans la perception visuelle puis structuré en classement comparatif, plutôt qu'ajouté comme simple contrainte textuelle dans un prompt. Publié comme preprint "new" sur arXiv, sans évaluation par les pairs à ce stade, CoRS s'inscrit dans les efforts visant à combler l'écart entre planification symbolique classique, robuste mais rigide face à l'implicite, et approches tout-LLM, flexibles mais incapables de garantir un chemin valide. L'article ne cite ni fabricant, ni site de déploiement, ni calendrier commercial : son apport tient au benchmark public et à la méthode de classement comparatif plutôt qu'à un produit prêt à intégrer. Les suites logiques évoquées restent une validation sur robot physique en conditions réelles et une comparaison directe avec les planificateurs LLM concurrents cités dans l'étude.

Recherche❖Paper

1 source

39

1288arXiv cs.RO 

HapticWAM : distiller le toucher imaginé dans un modèle monde-action sans détection tactile à l'inférence

Un article déposé sur arXiv (référence 2609.23888v1) présente HapticWAM, un modèle combinant perception et action (« world-action model ») pour la manipulation robotique, testé sur trois tâches réelles de prise et dépose impliquant des contacts physiques délicats. Sa version « élève » atteint un taux de réussite moyen de 77% par tâche, soit 41 essais réussis sur 50 (82% en cumulé sur l'ensemble des tâches), avec un pic à 95% sur la tâche la plus favorable, devançant à la fois le modèle « enseignant » dont elle dérive et les configurations de référence testées. Sa particularité : elle agit sans aucun capteur tactile physique au moment de l'exécution, alors que son apprentissage s'appuie sur des données tactiles riches (images de gel déformable, déformation, cisaillement, forces distribuées, couple résultant) issues de capteurs optiques de contact. Ces capteurs tactiles optiques, coûteux et fragiles, restent difficiles à généraliser sur des pinces industrielles ou des mains humanoïdes déployées en volume, ce qui forçait jusqu'ici un choix entre finesse du toucher et robustesse mécanique. HapticWAM contourne ce compromis par une distillation enseignant-élève : le modèle apprend à anticiper les futurs événements de contact (géométrie, glissement, effort) plutôt qu'à seulement reproduire des pixels tactiles, et conserve cette capacité de prédiction pour guider ses actions même sans capteur au déploiement. Pour les intégrateurs et décideurs de la robotique industrielle, cela suggère qu'un savoir-faire tactile appris en laboratoire peut se transférer vers du matériel moins instrumenté, donc moins coûteux, sans perdre la capacité à manipuler des objets fragiles ou glissants, un point de friction connu entre démonstrations et déploiements réels. Le travail reste un article de recherche publié sur arXiv, et non un produit commercial : les résultats se limitent à trois tâches et 50 essais par tâche en environnement contrôlé, sans partenaire industriel annoncé ni calendrier de transfert vers un système de production. Il s'inscrit dans la lignée des capteurs tactiles optiques désormais associés aux modèles de manipulation fine, mais s'en distingue en structurant explicitement la prédiction du contact au sein du même modèle génératif que la politique d'action, plutôt qu'en la traitant comme un simple signal auxiliaire. La contribution reste pour l'instant une preuve de concept technique destinée à la communauté de recherche en apprentissage robotique.

IA physique⚡Actu

1 source

39

1289arXiv cs.RO 

UniPoint : fusion unifiée de capteurs au niveau des points pour la locomotion humanoïde sur terrains difficiles

Un preprint publié sur arXiv (référence 2609.23666v1) décrit UniPoint, un système de locomotion pour robots humanoïdes reposant sur la fusion de capteurs au niveau du point. Un LiDAR 360° et deux caméras de profondeur sont fusionnés dès l'acquisition en un nuage de points unique exprimé dans le référentiel du robot, puis voxélisé en un nombre fixe de tokens traités par auto-attention linéaire et par une attention croisée guidée par la proprioception, ce qui découple le coût de calcul du nombre de capteurs utilisés. Une seule session d'entraînement, combinant récompenses adaptées au terrain, injection de pannes de perception et randomisation de domaine, produit une politique unique valable pour huit types de terrains, déployée en embarqué sur un module RK3588 sans réglage fin additionnel. Sur un robot humanoïde baptisé DR02, les auteurs rapportent 20 essais pour chacune de neuf configurations réelles couvrant sept terrains, validant le franchissement de plateformes hautes de 70 cm, de brèches de 100 cm, d'obstacles fins verticaux et d'appuis étroits ou épars, avec une généralisation zero-shot en extérieur. Le résultat cible un problème concret pour tout déploiement humanoïde en environnement non structuré: la perception doit couvrir un large champ, rester précise localement et tolérer la panne d'un capteur, trois exigences que les approches existantes ne satisfont pas ensemble, une caméra frontale unique couvrant trop peu et les cartes d'élévation corrigées par odométrie dérivant sous mouvement brusque ou manquant les structures fines. En conservant une représentation par points plutôt que par grille d'image, et en ne perdant qu'une fraction des tokens quand une modalité tombe en panne, UniPoint dégrade progressivement plutôt que brutalement, un critère de fiabilité plus qu'une prouesse de démonstration. Qu'une politique unique, entraînée une seule fois, tienne sur huit terrains avec un calculateur embarqué grand public sans réajustement terrain par terrain va dans le sens d'architectures perception-action plus génériques. Ces travaux s'inscrivent dans la course à une locomotion humanoïde robuste hors laboratoire, où la difficulté porte moins sur la démonstration contrôlée que sur la tenue en conditions réelles avec des capteurs susceptibles de tomber en panne partiellement. Contrairement aux approches à encodage d'image par caméra, dont le coût croît avec le nombre de capteurs, UniPoint mise sur une fusion précoce au niveau point pour un coût constant. Il s'agit d'un preprint non encore relu par les pairs: il ne précise ni le fabricant du DR02 ni de calendrier commercial, et les essais rapportés (20 répétitions par scénario) restent des validations techniques limitées plutôt qu'un déploiement en flotte.

Recherche❖Paper

1 source

39

1290arXiv cs.RO 

CHOREO : chaque compétence humanoïde représentée comme une trajectoire

CHOREO est un framework de recherche qui permet de composer des compétences hétérogènes de robots humanoïdes sans réentraînement, testé sur le robot Unitree G1 dans le simulateur physique MuJoCo. L'idée centrale : quelle que soit sa méthode d'apprentissage (renforcement, imitation de mouvement, modèles génératifs), une compétence peut toujours s'exprimer comme une trajectoire exécutable, convertie en une représentation unifiée baptisée SkillMotion, qui combine états de mouvement, contacts, sémantique et conditions aux limites. Les compétences s'enchaînent ensuite par continuation directe, lissage cubique de Hermite ou mouvements de transition validés, sans réentraîner les modèles source ni les mettre à jour au moment du test. Sur 2 950 assets SkillMotion issus de sources hétérogènes, le système atteint 95,4% de réussite sur 130 tâches multi-actions, dont 93,8% sur des séquences de huit actions. Le problème visé est structurel : les compétences humanoïdes sont aujourd'hui produites par des méthodes incompatibles, chacune avec ses représentations, interfaces et contrôleurs, ce qui oblige intégrateurs et équipes R&D à reconstruire des politiques monolithiques à chaque nouvelle capacité, une contrainte coûteuse face à des modèles généralistes comme Pi-0 (Physical Intelligence), GR00T N2 (Nvidia) ou Helix (Figure). En montrant qu'une trajectoire exécutable peut servir d'interface commune indépendamment de la méthode d'apprentissage, CHOREO esquisse une voie vers des bibliothèques de comportements cumulables sans coût de réentraînement, un enjeu central pour l'industrialisation des humanoïdes polyvalents. Ces résultats restent toutefois obtenus entièrement en simulation, sur un seul robot, sans validation matérielle mentionnée, laissant ouverte la question du transfert réel. Ce travail s'inscrit dans la multiplication des approches d'apprentissage de compétences pour humanoïdes : renforcement pour la locomotion et la manipulation, imitation à partir de capture de mouvement, et modèles vision-langage-action popularisés par Physical Intelligence, Nvidia ou Figure, chacun produisant des politiques aux espaces d'action et contrôleurs incompatibles entre eux. Le choix du Unitree G1, plateforme très utilisée en recherche académique pour son coût et sa disponibilité, signale un positionnement scientifique plutôt que produit, aucune entreprise partenaire n'étant citée. Publié en preprint sur arXiv, le papier n'annonce pas de calendrier précis, mais les suites logiques seraient l'extension de la bibliothèque de compétences et une validation sur robot physique pour confirmer la tenue hors simulateur.

Recherche❖Paper

1 source

38

1291arXiv cs.RO 

Contrôle de sécurité : navigation vers vue optimale sans collision dans des cartes en Gaussian Splatting 3D

Splat-CBF, une méthode de contrôle publiée sur arXiv (2609.23100, soumis en septembre 2026), s'attaque à un problème classique de la navigation robotique en environnement non cartographié : où regarder et comment se déplacer en même temps, sachant que les zones les plus intéressantes à observer sont aussi celles où le robot maîtrise le moins ses marges de sécurité. La méthode combine deux fonctions barrières de contrôle (control barrier functions, CBF) dans un seul programme quadratique. La première impose la sécurité comme contrainte dure, en convertissant l'Average Value-at-Risk du champ de gaussiennes 3D (Gaussian Splatting) de la carte en une contrainte lisse et unique. La seconde encourage, en contrainte souple, les orientations de caméra qui maximisent le gain d'information de Fisher attendu le long de la trajectoire planifiée, une approche dite de "next-best-view". Une pénalité de relâchement s'ajuste dynamiquement selon la fréquence à laquelle la contrainte de perception a déjà été assouplie et la proximité d'une zone incertaine. Les auteurs valident l'approche en simulation intérieure, sur un bras manipulateur Kinova dans Isaac Sim, et sur un robot mobile à direction Ackermann en conditions réelles. Les résultats indiquent une navigation plus rapide, une collecte d'informations accrue et un temps de calcul en ligne réduit par rapport à des approches de référence limitées soit à la sécurité seule, soit à la perception seule, le robot ne renonçant à un mouvement informatif que lorsque la sécurité l'exige. L'intérêt pour les intégrateurs et roboticiens tient à la démonstration qu'exploration active et garanties de sécurité formelles peuvent être unifiées dans une seule optimisation temps réel plutôt que traitées en pipelines séquentiels, un enjeu direct pour les AMR d'entrepôt, les robots d'inspection ou les manipulateurs opérant dans des environnements inconnus ou changeants où attendre une cartographie complète avant de bouger n'est pas viable. Le travail s'inscrit dans l'adoption croissante du Gaussian Splatting, initialement une technique de rendu graphique, comme représentation de carte différentiable et photoréaliste pour la robotique, en alternative aux nuages de points ou aux champs de radiance neuronaux, avec l'avantage de fournir des estimations d'incertitude exploitables analytiquement. Il s'agit d'une contribution de recherche, testée à petite échelle sur un seul bras et un seul robot roulant, sans annonce de déploiement industriel ni de partenaire commercial ; les suites logiques évoquées par les auteurs porteraient sur des environnements dynamiques plus complexes ou des scénarios multi-robots.

Recherche❖Paper

1 source

38

1292arXiv cs.RO 

La fluidité comme contrainte pour une locomotion humanoïde stable

Un article de recherche publié sur arXiv (2609.24552) présente DeCap, un algorithme d'apprentissage par renforcement sous contraintes pour le contrôle corps entier des robots humanoïdes. Le constat de départ : le bas du corps doit rester réactif pour l'équilibre, tandis que le haut du corps doit être fortement régulé pour la stabilité, une distinction que les méthodes RL classiques ignorent en imposant la fluidité via des récompenses auxiliaires uniformes, qui entrent en concurrence avec les objectifs de tâche. DeCap découple les contraintes en deux groupes, haut et bas du corps, formulées comme des limites physiques explicites de vitesse et d'accélération, complétées par une pénalité barrière qui s'active dès l'approche de ces limites sans diverger. Sur une tâche réelle de contrôle corps entier, il réduit le taux de variation des actions du haut du corps d'un facteur 2,50 et l'accélération d'un facteur 2,18 par rapport aux politiques basées récompense, tout en améliorant aussi la fluidité du bas du corps. Ce résultat s'attaque à un compromis concret pour l'industrie : un haut du corps trop rigide limite la dextérité utile, un haut du corps mal amorti compromet l'équilibre et use l'actionnement, un frein réel au déploiement en usine ou en entrepôt où sécurité et répétabilité priment. Le tuning manuel des récompenses selon le terrain ou la tâche est un goulot d'étranglement connu du RL appliqué à la locomotion humanoïde ; qu'un même jeu de contraintes se transfère sans retuning à des terrains variés, si confirmé au-delà des conditions testées, réduirait le coût d'ingénierie pour les intégrateurs. L'approche questionne aussi la pratique dominante du reward shaping en RL, en montrant qu'une contrainte physique explicite offre un contrôle plus direct et prévisible que des pénalités négociées. Le travail s'inscrit dans le champ du RL sous contraintes, une alternative au RL par récompense pure qui gagne du terrain à mesure que les humanoïdes passent des démonstrations en laboratoire à des essais en conditions réelles, où la marge d'erreur mécanique est faible. Il agit à un niveau différent de celui des modèles vision-langage-action qui pilotent la planification haut niveau des humanoïdes : DeCap se concentre sur la couche bas niveau de génération de mouvement. Classé comme nouvelle publication sur arXiv, l'article ne précise ni le robot ni le laboratoire à l'origine des essais réels et n'annonce aucun calendrier de déploiement : il s'agit à ce stade d'une contribution de recherche méthodologique, validée expérimentalement mais non commercialisée.

Recherche❖Paper

1 source

38

1293arXiv cs.RO 

Incitation visuelle guidée par la topologie pour les politiques vision-langage-action

Un article publié sur arXiv en septembre 2026 (2609.23944) décrit une méthode qui améliore les politiques vision-langage-action (VLA) sur des tâches de manipulation impliquant des géométries d'obstacles complexes. Le système combine une planification en simulation avec une signature topologique de type Gauss-Linking-Integral, censée capturer des propriétés invisibles en observation caméra partielle. À partir d'informations géométriques privilégiées issues de la simulation, les auteurs enrichissent un jeu de démonstrations nominal avec des trajectoires qui amènent le robot vers une configuration topologique cible avant de reprendre la tâche. Un modèle vision-langage, affiné sur ce même jeu de données, prédit ensuite à partir des images caméra en direct la signature topologique et des points de passage pour l'effecteur terminal, projetés sur les observations comme indices visuels guidant la politique VLA. Testée sur trois tâches bimanuelles en simulation et une tâche réelle de ramassage de boîte sur banc matériel, la méthode dépasse de 40% le taux de succès du meilleur système de référence. Ce résultat cible une faiblesse connue des VLA: leur difficulté à distinguer des situations qui se ressemblent visuellement ou en configuration articulaire mais exigent des actions différentes selon la topologie de l'environnement, par exemple contourner un obstacle par un côté plutôt que l'autre. Les planificateurs de mouvement classiques, qui connaissent toute la géométrie, savent raisonner sur cette distinction, mais cette information manque généralement au déploiement réel, où le robot ne dispose que d'une observation caméra partielle. Le gain mesuré en conditions matérielles réelles nourrit le débat sur l'écart entre performance simulée et conditions réelles, une question centrale pour les intégrateurs qui envisagent des politiques VLA génériques sur des tâches industrielles de contournement d'obstacles ou de manipulation bimanuelle fine. L'approche prolonge les travaux qui injectent des connaissances géométriques dans des politiques VLA entraînées sur des démonstrations visuelles brutes, sans raisonnement explicite sur la topologie de la scène, et se distingue des méthodes de prompting visuel qui suppriment ces indices plutôt que de les conserver. Les auteurs proposent un site dédié, topology-vla.github.io, sans calendrier de transfert commercial ni partenariat industriel annoncé, ce qui situe ce travail au stade de la recherche amont plutôt que du déploiement produit.

Recherche⚡Actu

1 source

38

1294arXiv cs.RO 

Transférer l'intelligence des VLM au contrôle robotique

Un papier de recherche publié sur arXiv (2609.22966v1) présente RoboDawn, une interface qui permet à un modèle vision-langage (VLM) généraliste de piloter un robot sans entraînement spécifique à la tâche, via un jeu restreint de commandes discrètes de translation, rotation et pince, exécutées en boucle fermée d'observation, de raisonnement et d'action. Un mécanisme d'apprentissage en contexte fournit au modèle quelques démonstrations pour lui apprendre l'usage de l'interface et la stratégie de la tâche. Sur le banc d'essai RoboTwin 2.0 C2R, le taux de réussite passe de 53,2% en zero-shot à 73,6% avec une seule démonstration, dépassant la référence pi-0.5 (46,0%) ; sur RoboDojo, il grimpe de 35,67% à 47,17%. Le système est aussi testé sur un bras Franka réel, pour des tâches de rangement et d'empilement de cubes. Le résultat questionne l'hypothèse dominante selon laquelle un contrôle robotique fiable exige d'entraîner ou d'affiner un modèle vision-langage-action sur de vastes jeux de démonstrations robotiques collectées tâche par tâche, comme le font pi-0, GR00T N2 ou Helix. RoboDawn suggère qu'un VLM généraliste, jamais entraîné sur des données robot, peut être compétitif via une simple interface d'action et quelques exemples en contexte, ce qui réduirait le coût de collecte de données pour les intégrateurs. Pour les décideurs évaluant leur pile de contrôle robotique, c'est un argument pour des architectures VLM plus interface plutôt qu'un fine-tuning coûteux par tâche. Le bémol : les gains les plus marquants restent mesurés en simulation, et la validation réelle se limite à deux tâches simples sur un seul bras, avec des taux de réussite qui restent sous 75%. RoboDawn s'inscrit dans le débat sur les modèles vision-langage-action porté par Physical Intelligence (pi-0, pi-0.5), NVIDIA (GR00T N2) ou Figure (Helix), qui misent sur un entraînement spécifique sur des données robotiques. L'approche inverse consiste à garder le VLM tel quel et à n'ajouter qu'une couche d'interface et un protocole de prompting en contexte, sans réentraînement. Classé comme nouvelle soumission sur arXiv, le papier n'a pas encore été publié en conférence et ne correspond à aucun produit commercial ; la suite logique serait d'étendre la validation réelle au-delà du bras Franka et des deux tâches testées.

IA physique❧Opinion

1 source

38

1295arXiv cs.RO 

Imaginer puis vérifier : perception active ciblée sur les affordances pour la préhension orientée tâche en environnement encombré

Des chercheurs présentent ATAP (Affordance-Targeted Active Perception), un nouveau framework de perception active pour la préhension orientée tâche (task-oriented grasping, TOG) en scènes encombrées, détaillé dans un article arXiv (2609.23504v1) publié en septembre 2026. Le problème visé : un robot doit saisir la partie fonctionnelle d'un objet, par exemple l'anse d'une tasse pour verser plutôt que le corps de la tasse, mais cette zone d'affordance est souvent cachée par d'autres objets. Les méthodes existantes de planification de prochaine meilleure vue (next-best-view, NBV) optimisent le point de vue pour saisir l'objet dans son ensemble, sans distinguer la partie utile, ou scannent exhaustivement l'objet avant de prédire l'affordance, ce qui gaspille le budget de vues sur des surfaces non pertinentes. ATAP procède différemment : il hypothétise la géométrie occluse via un prior de forme génératif, prédit la distribution d'affordance sur cette surface imaginée, puis pilote la caméra avec un planificateur tenant compte de l'incertitude, qui arbitre entre réduction d'entropie sur les hypothèses concurrentes et gain de vérification par observation réelle, jusqu'à validation suffisante pour l'exécution de la prise. En simulation comme sur des scènes réelles encombrées, ATAP améliore sensiblement le taux de succès de préhension fonctionnelle par rapport à des baselines TOG à vue fixe, et réduit de plus de 57% le nombre d'étapes NBV nécessaires comparé aux approches de perception active basées sur la reconstruction complète de l'objet. Pour l'industrie robotique, ce travail attaque un goulot d'étranglement concret du bin picking et de la manipulation en environnement non structuré : l'occlusion partielle qui rend la localisation des zones de prise fonctionnelle ambiguë. En montrant qu'une vérification ciblée de l'affordance bat une reconstruction exhaustive, ATAP remet en cause l'hypothèse répandue selon laquelle il faut "tout voir" avant de décider où saisir, une piste utile pour réduire le temps de cycle des systèmes de manipulation en entrepôt ou en logistique. Ce résultat reste toutefois un travail de recherche évalué en simulation et en laboratoire, sans indication d'un partenaire industriel, d'un calendrier de transfert ou d'un déploiement en production. Il s'inscrit dans la lignée des travaux sur la perception active pilotée par NBV et sur le grasping conditionné par affordance, en concurrence directe avec les approches de reconstruction 3D complète avant planification de prise, sans qu'aucun acteur commercial ne soit associé à cette publication.

Recherche❖Paper

1 source

38

1296arXiv cs.RO 

Penser comme un modèle du monde, agir comme un VLA : distiller les représentations en politiques compactes

Une équipe de recherche publie sur arXiv (référence 2609.24682) une méthode qui ajoute un terme d'alignement de représentations à l'entraînement classique des modèles Vision-Language-Action (VLA), ces réseaux qui associent perception et langage à des actions robotiques. Un world model figé est passé une seule fois sur les images d'entraînement, ses caractéristiques internes sont mises en cache, puis le modèle VLA « étudiant » apprend à s'aligner sur ce cache pendant l'entraînement. Le world model n'est jamais chargé lors du déploiement et le module de projection est jeté après l'entraînement, si bien que la politique finale reste identique au modèle VLA non distillé, tant en taille qu'en calcul. Résultat mesuré : un étudiant de 0,8 milliard de paramètres tourne en 32 millisecondes et consomme 1,86 Go de mémoire sur une carte grand public RTX 5090, atteint 97,9 % de réussite sur le benchmark de manipulation LIBERO, et progresse de 48,2 % à 50,5 % sur RoboCasa-GR1, un banc d'essai de manipulation humanoïde en simulation. Le gain se vérifie aussi sur du matériel réel, sur une plateforme à bras unique et sur une plateforme bimanuelle. L'intérêt pour l'industrie robotique tient à la séparation qu'établit ce travail entre deux familles de modèles jusque-là difficiles à concilier : les VLA, rapides mais dépourvus d'objectif qui tienne compte de la réaction du monde à une action, et les world models, physiquement mieux fondés mais trop lents pour piloter un robot en temps réel puisqu'ils doivent projeter le futur seconde par seconde. En montrant que la connaissance physique d'un world model peut être injectée dans une politique légère sans alourdir le calcul au moment de l'exécution, l'étude suggère qu'on peut améliorer la robustesse des VLA sans ajouter de données, de paramètres ni de calcul supplémentaire au déploiement, un point qui intéresse directement les intégrateurs contraints par la latence et la puissance embarquée. Ce résultat s'inscrit dans un débat actuel de la recherche en robotique entre approches VLA et approches par world models, sans qu'aucun partenaire industriel ni déploiement commercial ne soit mentionné à ce stade. La méthode a été testée en faisant varier la taille de l'étudiant, l'architecture de base, la couche d'alignement et le world model utilisé comme enseignant, un signal que l'effet observé relève d'un principe général plutôt que d'un couplage fragile entre deux réseaux précis. Les auteurs publient les détails sur une page projet dédiée, mais le travail reste à ce jour un résultat de recherche évalué en simulation et en laboratoire, sans calendrier annoncé vers une industrialisation.

Recherche❖Paper

1 source

38

1297arXiv cs.RO 

AquaCap : un agent incarné sous-marin sans entraînement, piloté par du code comme politique

AquaCap est un agent robotique sous-marin capable de naviguer et de manipuler des objets de façon autonome sans aucun entraînement préalable ni mise à jour de paramètres, selon le principe dit "Code-as-Policy" décrit dans un article mis en ligne sur arXiv en septembre 2026 (référence 2609.23133). Le système repose sur une architecture à deux niveaux qui traduit les instructions de tâche et les observations de l'environnement en plans adaptés aux conditions rencontrées et en programmes de contrôle directement exécutables. Une couche de perception structurée lui fournit des informations sémantiques, géométriques et évaluées en fiabilité malgré la dégradation typique des images sous l'eau, tandis qu'une mémoire sensible aux échecs diagnostique les actions ratées et déclenche une replanification en boucle fermée avec révision du code généré. En simulation, AquaCap atteint un taux de réussite de 66,43%. Des essais réels avec un véhicule télé-opéré (ROV) ont démontré des saisies et transports d'objets autonomes, y compris la récupération de cibles déplacées par des courants hydrodynamiques. Cette approche cible un verrou spécifique du secteur : contrairement à la robotique terrestre, qui alimente ses modèles vision-langage-action avec des volumes massifs de données de téléopération, la robotique sous-marine ne peut pas répliquer cette stratégie, chaque campagne de collecte en mer ou en bassin restant coûteuse et rare. En s'appuyant sur la génération de code plutôt que sur l'apprentissage de bout en bout, AquaCap s'adapte en ligne sans réentraînement, ce qui intéresse directement les intégrateurs d'AUV et de ROV pour l'inspection offshore, l'aquaculture ou la maintenance sous-marine. Le taux de succès de 66,43% en simulation, nettement en dessous des standards affichés par les meilleurs systèmes VLA terrestres, rappelle toutefois que l'écart entre démonstration et fiabilité opérationnelle reste large sous l'eau. AquaCap prolonge les architectures "Code-as-Policy", qui font générer par des modèles de langage du code de contrôle exécutable plutôt que des politiques apprises par renforcement, une piste déjà explorée en robotique terrestre mais encore rare en milieu marin. Le résumé ne mentionne aucune affiliation industrielle ni partenaire commercial, ce qui situe le projet comme une recherche académique et non comme un produit prêt à déployer. Les démonstrations réelles se limitent pour l'instant à un seul ROV et à des tâches de préhension et de transport, sans calendrier de déploiement annoncé. La prochaine étape attendue pour ce type de système serait une validation sur davantage de plateformes et en conditions océaniques réelles, au-delà des bassins contrôlés, avant toute adoption par des opérateurs d'inspection sous-marine ou de robotique offshore.

Recherche❖Paper

1 source

38

1298arXiv cs.RO 

Apprendre au-delà de ce que l'humain peut démontrer

Des chercheurs ont publié en septembre 2026 sur arXiv (2609.24996) un article présentant GLIDE (Guardrails for Learning from Infeasible Demonstrations Efficiently), un framework destiné aux tâches de manipulation robotique où le clonage comportemental classique échoue faute de démonstrations humaines exploitables. Le constat de départ est que certaines tâches exigeant une stabilité dynamique, un timing de contact précis ou une coordination dextre sont difficiles, voire impossibles, à téléopérer correctement par un opérateur humain. GLIDE prend en entrée une description de la tâche et le code de téléopération associé, puis génère automatiquement des garde-fous qui filtrent les commandes de téléopération et de politique en fonction de l'état du système, contraignent les actions à risque d'échec, et s'améliorent de façon itérative à partir du retour des trajectoires collectées. Testé sur trois tâches (transfert d'une assiette de tomates, prise et pose d'un marqueur, service de vin), le framework fait passer le taux de succès de la collecte de données de 0 à 10% jusqu'à 70 à 90% après raffinement. Les politiques entraînées sur des données mixtes atteignent ensuite 70%, 60% et 60% de réussite sur ces trois tâches respectivement. Ce résultat s'attaque à un goulot d'étranglement connu de l'apprentissage par imitation en robotique : la qualité et la faisabilité des démonstrations humaines plafonnent la performance des politiques, quel que soit le volume de données collecté. Pour les équipes qui entraînent des modèles VLA sur des données de téléopération, GLIDE suggère qu'il est possible d'étendre le périmètre des tâches automatisables au-delà de ce qu'un humain peut physiquement démontrer, en injectant une connaissance structurée des modes d'échec dans le pipeline de collecte plutôt que dans la seule politique finale. Fait notable, les garde-fous générés automatiquement dépassent en efficacité ceux écrits à la main par des experts du domaine, ce qui suggère qu'une partie de l'ingénierie de contrainte comportementale, jusqu'ici artisanale, peut être partiellement automatisée et affinée par itération. GLIDE s'inscrit dans la lignée des travaux sur l'apprentissage par imitation pour la manipulation dextre, où la téléopération en réalité virtuelle sert de méthode de référence malgré ses limites pour les tâches dynamiques. Les auteurs comparent explicitement leur approche à deux références, la téléopération VR sans contrainte et les garde-fous codés en dur par des experts, GLIDE surpassant les deux. Le projet est documenté sur un site dédié (guardrail-policy.github.io), mais l'article ne précise ni les auteurs, ni leur affiliation, ni de calendrier de déploiement au-delà de la validation sur ces trois tâches. Il s'agit à ce stade d'une contribution de recherche publiée en preprint, sans annonce de produit ni de partenariat industriel.

IA physique❖Paper

1 source

38

1299arXiv cs.RO 

Manipulation de la pointe dans les robots souples évertants via rétraction de paroi et doigts déployables

Des chercheurs ont détaillé, dans un article déposé en septembre 2026 sur arXiv sous la référence 2609.23132, une nouvelle méthode de manipulation pour les robots souples dits "everting", ces robots qui progressent en faisant croître en continu une membrane retournée sur elle-même, ce qui leur permet de traverser des trajets longs et confinés. Jusqu'ici, ces robots ne pouvaient embarquer qu'un seul outil fixé près de leur pointe, impossible à repositionner en cours de mission et difficile à concilier avec un corps souple. L'équipe propose un système de rétraction de paroi combinant un ensemble de rouleaux à la base, qui dose indépendamment le flux de membrane dans la paroi externe, et une bobine de queue régulant la croissance dans la section interne. Cette coordination découple la longueur du robot de la position du matériau, permettant de transporter, exposer et repositionner des dispositifs montés sur la membrane près de l'extrémité distale. Le système intègre aussi des doigts gonflables plissés ultralégers, en nylon enduit de TPU avec vessie interne étanche à l'air, atteignant une flexion d'environ 100 degrés sous 50 kPa et des forces de blocage jusqu'à 1,9 newton, tout en restant flasques pendant le transport. Les démonstrations couvrent la préhension adaptative d'objets domestiques de 21 à 550 grammes et 16 à 200 millimètres, la manipulation et l'empilement d'objets en trois dimensions, l'extension avec appui sur l'environnement, le panoramique d'une caméra distale et la livraison séquentielle de charges utiles. Cette avancée s'attaque à une limite connue des robots à croissance ("growing robots"), efficaces pour franchir canalisations, décombres ou conduits industriels mais cantonnés jusqu'ici à l'inspection passive, faute de pouvoir manipuler activement sans rigidifier leur structure. En démontrant un transport et un déploiement d'outils multiples sans sacrifier la souplesse ni la croissance du robot, les auteurs ouvrent la voie à des systèmes réellement multifonctions, capables d'agir et pas seulement d'observer là où robots rigides et drones filaires peinent à s'engager. Il s'agit toutefois de résultats de laboratoire sur des objets légers en environnement contrôlé, publiés dans un article de recherche, loin d'un produit ou d'un déploiement industriel. Les robots everting prolongent le champ des robots souples à croissance, qui s'inspirent de l'allongement des plantes pour contourner les limites des bras rigides et des robots serpents en milieu exigu, un axe de recherche jusqu'ici limité à l'embarquement d'un capteur ou d'une caméra fixe. L'article ne mentionne ni partenariat industriel ni calendrier de pilote; les suites attendues pour ce type de travaux portent typiquement sur l'augmentation de la charge utile et la validation hors laboratoire, en concurrence avec les approches de robots serpents rigides pour l'inspection en espace confiné.

Recherche❖Paper

1 source

38

1300arXiv cs.RO 

Pilotage par contact : un modèle de mouvement à support fini pour robots articulés monopiste

Une équipe de chercheurs propose, dans un article déposé sur arXiv (référence 2609.23271), un nouveau modèle de prédiction du mouvement pour les robots à voie unique et articulation centrale, c'est-à-dire les véhicules dont le châssis se plie en son centre pour orienter les deux essieux, une architecture répandue en robotique de terrain (engins agricoles, forestiers ou de manutention tout-terrain). Baptisé FSQ (finite-support quadratic model), il ajoute au modèle classique PCK (point-contact kinematic) la prise en compte de la résistance à la rotation répartie sur la surface de contact des roues, plutôt que de réduire chaque contact à un point géométrique comme le fait PCK. En reformulant le coût quadratique du glissement latéral sous forme de moments de contact, les auteurs obtiennent une solution analytique compacte permettant de prédire en temps réel la vitesse latérale et le taux de lacet du véhicule. Le modèle a été testé sur plus de 7 kilomètres de trajets réels, sur asphalte, herbe, glace et parcours mixtes. Pour des horizons de prédiction de cinq secondes, FSQ réduit l'erreur médiane pondérée de translation de 53,5% et l'erreur de lacet de 68,9% par rapport au modèle PCK de référence. Ce gain de précision intéresse directement les intégrateurs de robots mobiles autonomes évoluant hors des environnements structurés, entrepôts extérieurs, chantiers, exploitations agricoles ou sites forestiers, là où un sol meuble ou glissant fait dériver les modèles cinématiques simplifiés. Mieux anticiper le glissement latéral permet une planification de trajectoire plus fiable et un contrôle plus stable, sans capteurs supplémentaires ni réseau de neurones coûteux en calcul, puisque la solution reste une formule fermée compatible avec l'embarqué. Le résultat illustre aussi un point plus général pour le secteur: les gains de robustesse en robotique de terrain ne viennent pas uniquement de l'apprentissage profond ou des politiques bout-en-bout, mais aussi d'une modélisation physique plus fine des interactions roue-sol, un axe moins médiatisé que l'IA générative appliquée à la robotique mais tout aussi déterminant pour la fiabilité des déploiements. Le modèle PCK sert de base à la planification pour les véhicules articulés (chargeuses, tracteurs à châssis brisé, certains robots de reconnaissance) depuis des années, en simplifiant le contact roue-sol à un point unique et en négligeant la résistance rotationnelle qui apparaît sur des surfaces à fort frottement ou irrégulières. FSQ généralise cette formulation en relâchant cette hypothèse tout en conservant un temps de calcul compatible avec le contrôle embarqué. L'article, classé comme nouvelle soumission sur arXiv, ne mentionne ni calendrier de déploiement industriel ni partenariat commercial: il s'agit d'une contribution méthodologique validée expérimentalement, dont l'adoption dépendra de son intégration dans les piles logicielles de navigation existantes.

Recherche❖Paper

1 source