Actualités robotique — page 27

7 313 articles au fil, du plus récent au plus ancien.

38

1301arXiv cs.RO 

ARSTAG : un système à base d'agents Real2Sim2Real pour la génération de données robotiques spécifiques à une tâche

Une équipe de recherche présente ARSTAG, un système agentic Real2Sim2Real qui transforme une image RGB et une instruction en langage naturel en données d'entraînement pour des politiques robotiques visuomotrices, sans construction manuelle de scène ni téléopération. Décrit dans un papier publié sur arXiv le 22 septembre 2026 (arXiv:2609.24563), le système s'appuie sur une hiérarchie d'agents linguistiques qui bâtissent une scène de simulation adaptée à la tâche, génèrent des démonstrations robot-réalisables puis élargissent la distribution d'entraînement par randomisation, sous la supervision d'un agent coordinateur gérant le retour d'information entre étapes. Sur sept tâches de manipulation (préhension, placement, empilement), le pipeline a permis un transfert simulation-vers-réel de trois architectures de politiques sur un robot bimanuel, la politique pi0.5 atteignant un taux de réussite moyen réel de 74,6 %. Les ablations montrent que la randomisation spécifique à la tâche améliore la robustesse, et que la performance croît avec la taille du jeu de données généré. Ce travail cible le goulot d'étranglement central de l'apprentissage robotique : la collecte de données spécifiques à chaque tâche. Les politiques vision-language-action, comme pi-0 ou GR00T N2, exigent des volumes massifs de démonstrations, généralement recueillies par téléopération humaine, méthode coûteuse et difficile à faire évoluer. En automatisant via des agents LLM la construction de scène, la génération de démonstrations et la randomisation du domaine, ARSTAG vise à réduire l'ingénierie manuelle nécessaire pour adapter un robot à une nouvelle tâche, un enjeu direct pour les intégrateurs voulant déployer bras et humanoïdes sur des tâches variées. Le taux de 74,6 % reste toutefois une démonstration de faisabilité sur sept tâches en laboratoire, pas un déploiement industriel. ARSTAG s'inscrit dans la lignée des recherches sur le Real2Sim2Real, qui partent d'observations réelles plutôt que de scènes construites à la main pour réduire l'écart simulation-réel, une piste également explorée par des systèmes comme RoboGen ou DexMimicGen. Tester le pipeline sur trois architectures différentes, dont pi0.5, successeur de pi-0 développé par Physical Intelligence, suggère une volonté de positionner ARSTAG comme une brique de génération de données agnostique au modèle plutôt que comme un concurrent des laboratoires qui développent ces politiques. Le papier reste une contribution académique, sans partenariat industriel ni calendrier de déploiement commercial annoncés ; l'étape suivante serait l'extension à davantage de tâches et de plateformes robotiques, notamment humanoïdes.

Recherche❖Paper

1 source

38

1302arXiv 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

1303arXiv cs.RO 

ME-Brain-1.0 : mémoire, cognition et action pour une intelligence incarnée évolutive

Un preprint publié sur arXiv en septembre 2026 présente ME-Brain 1.0 (MachEmbodied-Brain), un système d'intelligence incarnée organisé en boucle fermée : exécution d'actions, acquisition d'expérience, évolution de l'expérience, exécution améliorée. Il combine une Mémoire Évolutive qui consolide des trajectoires multimodales en expérience hiérarchique réutilisable, un Noyau Cognitif qui convertit l'expérience physique en compétences transférables, et un Modèle d'Action fondé sur des images-clés événementielles, une prédiction locale nommée EventCell et une modulation mémorielle conditionnée par l'action. Sur les benchmarks, le Noyau Cognitif dépasse le meilleur modèle comparé de 8,2 et 9,6 points ; le Modèle d'Action atteint 47,88 % de réussite sur RoboMME (+3,26 points), un score de 21,51 et 16,03 % de réussite sur RoboDojo, devançant Pi-0.5 de 10,10 et 9,12 points, et 69,5 de score moyen avec 66,7 % de réussite sur les six tâches de ME-RealBench, contre un modèle DM0.5 dépassé de 12,8 et 11,7 points. L'enjeu revendiqué est le passage d'un paradigme où l'on entraîne puis fige le modèle à une logique de déploiement évolutif sans réentraînement, alors que la plupart des systèmes robotiques actuels, y compris les modèles vision-langage-action pour humanoïdes, restent figés une fois livrés et n'apprennent rien de leurs interactions physiques réelles. Si ces gains se confirment au-delà des benchmarks internes du papier, l'approche intéresserait les intégrateurs et exploitants de flottes confrontés au coût des cycles de réentraînement à chaque nouvelle tâche, et répondrait à la critique récurrente d'un écart entre démonstrations soignées et performance réelle sur le terrain. Ces résultats restent toutefois issus d'un preprint non encore revu par les pairs et évalués en partie sur des benchmarks propres aux auteurs, ce qui appelle une lecture prudente. Le système s'inscrit dans la course aux modèles vision-langage-action qui structure la robotique humanoïde depuis Pi-0 et Pi-0.5 de Physical Intelligence, GR00T N2 de NVIDIA ou Helix de Figure, face auxquels ME-Brain revendique l'apprentissage continu post-déploiement comme axe de différenciation, comparaisons à l'appui (Pi-0.5, DM0.5). L'abstract ne précise ni la plateforme robotique utilisée, ni le laboratoire ou l'entreprise porteuse au-delà du nom du système, ni de calendrier de pilote annoncé. À ce stade, il s'agit d'une publication de recherche assortie de résultats de benchmark, non d'un produit commercialisé ni d'un déploiement réel chez un client.

IA physique❧Opinion

1 source

38

1304arXiv cs.RO 

Conception et contrôle d'un actionneur commutable à câble, à double mode couple/tension, pour exosquelettes

Un preprint publié le 22 septembre 2026 sur arXiv (2609.23487) décrit le CDSA (Cable-Driven Switchable Actuator), un actionneur à câble capable de basculer rapidement entre un mode couple articulaire et un mode tension linéaire pour l'assistance d'exosquelettes, toute l'électronique de capteurs et d'actionnement restant centralisée dans l'unité motrice proximale plutôt que répartie sur le membre. Le dispositif associe un mécanisme à poulie mobile couplée (CMPM), qui amplifie la tension à l'effecteur distal, et un mécanisme à cliquet bidirectionnel entraîné par câble (CDRM), qui gère le changement de mode et le réglage de la précharge, tandis que des capteurs proximaux multi-sources couplés à un modèle de fusion piloté par les données estiment les forces distales sans capteur embarqué sur le membre. Une commande de force adaptative à double mode, fondée sur l'apprentissage itératif (ILC), pilote l'ensemble. Sur banc d'essai, les rendements de transmission atteignent 92,4 ± 2,0% en mode couple et 96,5 ± 3,3% en mode tension, avec un ratio d'amplification de tension de 2,77 ± 0,10 ; le suivi de trajectoires simulant la marche au genou et de profils de tension courte course affiche des erreurs quadratiques moyennes de respectivement 4,52 ± 0,51% et 3,15 ± 0,19% de la valeur crête non contrôlée, et des essais avec un sujet humain assis valident la génération de force contrôlable dans les deux modes. Pour l'industrie des exosquelettes, ce travail cible une limitation structurelle connue : la plupart des architectures actuelles n'offrent qu'une seule modalité de sortie mécanique, soit un couple articulaire, soit une traction linéaire, ce qui impose des dispositifs dédiés selon le scénario de rééducation ou d'entraînement visé. Un actionneur unique capable de couvrir les deux usages simplifierait la conception de plateformes polyvalentes pour la rééducation du genou ou d'autres articulations et réduirait le nombre de références à industrialiser. Reporter toute la détection sur l'unité proximale, sans capteur distal, allège aussi le câblage porté par l'utilisateur, un point de friction classique des exosquelettes actifs, tout en conservant une estimation de force jugée fiable par fusion de données. Les résultats restent toutefois issus d'essais sur banc et d'une validation limitée à un seul sujet assis, loin des conditions d'usage clinique réel. Le travail s'inscrit dans une recherche plus large sur les actionneurs à câble pour exosquelettes, où les architectures publiées se répartissaient jusqu'ici entre systèmes à couple pur, orientés assistance articulaire, et systèmes à traction pure, orientés rééducation par étirement musculaire. Aucun acteur industriel, français ou étranger, n'est cité dans ce preprint, qui reste à ce stade une contribution académique non encore validée par les pairs, sans partenaire commercial ni calendrier de transfert technologique annoncé ; les auteurs et leur institution ne sont pas précisés dans le résumé arXiv disponible.

Exosquelettes❖Paper

1 source

38

1305arXiv cs.RO 

Apprentissage d'une actionnement air-sol économe en énergie pour robots hybrides sur terrain en escalier

Des chercheurs présentent un framework d'apprentissage par renforcement conscient de l'énergie pour piloter un robot hybride air-sol capable de franchir des obstacles grâce à la poussée de ses hélices, là où la seule motorisation à roues échoue. Une politique unique et continue commande simultanément les roues, les servos d'inclinaison et les hélices, sans imposer de modes de locomotion prédéfinis à l'avance. Des modèles de puissance calibrés sur le matériel réel pénalisent la consommation électrique estimée, complétés par un curriculum de terrain progressif et une récompense terminale favorisant des arrivées stables et verticales, ce qui permet d'apprendre une escalade assistée par poussée. En simulation, cette allocation continue de poussée améliore le franchissement de marches en un seul pas par rapport à des références à poussée fixe ou à commutation de modes, l'avantage grandissant avec la hauteur des marches. À une hauteur de marche égale au rayon des roues, le système consomme environ 27% de puissance moyenne en moins que la meilleure allocation fixe testée. Sur un prototype physique baptisé DoubleBee, le même réseau, déployé via une interface dédiée sans modification, franchit deux marches de 6 centimètres avec un taux de réussite de 8 essais sur 10. Ce résultat pèse dans le débat sur le transfert simulation-vers-réel: le réseau n'a pas été réentraîné ni ajusté pour le matériel physique, ce qui constitue une validation concrète, même si le taux de 8/10 reste modeste et signale une fiabilité encore incomplète plutôt qu'une solution aboutie. L'approche par politique continue unique, opposée à la commutation explicite entre modes de locomotion, intéresse directement les concepteurs de robots hybrides destinés à l'inspection, la logistique ou l'intervention en terrain accidenté, où franchir occasionnellement un obstacle par vol coûte cher en énergie embarquée. L'étude documente aussi un compromis explicite entre efficacité énergétique et fiabilité du franchissement, via une analyse de sensibilité au poids attribué à l'énergie dans la fonction de récompense, une transparence rare sur les limites d'un tel système. Le texte est une version révisée d'un article déposé sur arXiv, sans acteur industriel nommé ni date de commercialisation annoncée: il s'agit de recherche académique, pas d'un produit expédié. Les auteurs reconnaissent eux-mêmes des limites persistantes en contrôle de cap, en robustesse au contact et en récupération après échec, et évoquent un potentiel de transfert vers d'autres géométries de terrain sans le démontrer pleinement. Le positionnement se situe dans la lignée des robots hybrides roues-hélices cherchant à combiner l'efficacité énergétique du roulage avec la polyvalence du vol pour franchir des obstacles ponctuels, sans viser un vol soutenu.

Recherche❖Paper

1 source

38

1306arXiv 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

1307arXiv cs.RO 

Assistant IA conversationnelle basée sur un LLM pour le robot humanoïde MyBuddy

Une équipe de recherche présente, dans un preprint publié en septembre 2026 sur arXiv sous la référence 2609.24742, un assistant conversationnel basé sur des grands modèles de langage (LLM) intégré au robot humanoïde MyBuddy, une plateforme compacte à deux bras et 13 axes, pilotée par un Raspberry Pi et commercialisée par le fabricant chinois Elephant Robotics, connu pour ses bras robotiques éducatifs. Le système associe reconnaissance vocale en temps réel, compréhension du langage naturel et raisonnement via LLM, récupération de connaissances en ligne auprès de sources ouvertes comme Wikipedia et arXiv, gestion flexible du dialogue multi-tours et synthèse vocale naturelle. L'objectif affiché est de remplacer les dialogues à base de règles et de réponses prédéfinies, jusque là dominants sur ce type de plateforme, par des échanges continus et un accompagnement à caractère émotionnel dans l'interaction humain-robot. Ce travail illustre une tendance de fond dans la robotique humanoïde : l'usage des LLM ne se limite plus au contrôle moteur ou à la planification de tâches, comme dans les architectures vision-langage-action de type Pi-0 ou GR00T N2, il gagne aussi la couche conversationnelle et sociale des robots destinés à l'assistance aux personnes. Pour les intégrateurs et concepteurs de robots de service, la démonstration suggère qu'il est possible de dépasser les bases de connaissances fermées en connectant un robot à des moteurs de recherche externes pour répondre à des questions arbitraires, un enjeu clé pour l'accueil, l'éducation ou l'accompagnement de personnes âgées. Le travail reste toutefois un prototype de recherche en preprint, sans évaluation par les pairs ni benchmarks chiffrés sur la latence, le taux d'erreur de reconnaissance vocale ou la satisfaction des utilisateurs, ce qui invite à la prudence avant toute extrapolation vers un usage en production. MyBuddy est une plateforme robotique peu coûteuse, déjà utilisée dans plusieurs laboratoires universitaires pour la recherche en interaction humain-robot, ce qui en fait un support de prototypage logiciel courant plutôt qu'un produit commercial à grande échelle comparable à l'Optimus Gen 3 de Tesla ou au G1 d'Unitree. Le champ de l'assistance conversationnelle embarquée compte déjà plusieurs approches concurrentes, des architectures orientées action physique comme Helix de Figure jusqu'à des chatbots embarqués plus simples sur robots grand public. Les auteurs ne mentionnent ni calendrier de déploiement pilote ni partenariat industriel ; la suite logique de ce type de travail académique passe généralement par une évaluation utilisateur plus poussée et une soumission à une conférence spécialisée en interaction humain-robot.

Recherche❖Paper

1 source

38

1308arXiv 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

1309arXiv cs.RO 

OJOx : démonstrations conditionnées par des spécifications pour l'IA incarnée dans la construction

Des chercheurs ont publié sur arXiv (id 2609.22289) un article présentant OJOx, une interface de capture de démonstrations conçue pour l'IA incarnée appliquée au secteur de la construction. Le système délivre la géométrie d'un modèle de conception à un casque de réalité mixte, l'ancre dans l'espace de travail physique, puis la restitue dans la vue stéréo en passthrough du démonstrateur, tout en enregistrant simultanément le mouvement du corps entier et des mains. Les auteurs introduisent la notion de "démonstration conditionnée par la spécification" : un enregistrement synchronisé de l'état physique perçu par l'opérateur, de l'état visé fourni par une conception externe, et du comportement qui relie les deux. Une session entièrement instrumentée est rapportée, la pose d'un mur de 33 composants réalisée à partir d'une spécification qui évolue en cours de chantier, et vérifiée par rapport à la scène physique réelle via une caméra externe positionnée indépendamment du système de capture. Les données restent compatibles avec les infrastructures existantes de retargeting pour robots humanoïdes et ont été rejouées en simulation sur un Unitree G1. Ce travail cible un angle mort des pipelines de données pour les modèles vision-langage-action : les grands corpus de démonstrations égocentriques ou corps entier capturent ce qu'une personne fait, rarement pourquoi elle le fait, c'est-à-dire l'intention de conception qui donne son sens au geste. Dans la construction, où chaque ouvrage est défini par un modèle spécifique au projet, une politique entraînée par simple imitation risque de reproduire la géométrie observée sans apprendre à généraliser vers une spécification jamais vue à l'entraînement. OJOx propose donc un format de données permettant de tester explicitement cette capacité de généralisation, plutôt que de simplement supposer qu'elle émerge de l'échelle des données ; il s'agit néanmoins d'une contribution méthodologique et d'un outil de capture, pas d'un produit commercial ni d'un déploiement en usine, à ce stade une preuve de concept limitée à une seule session instrumentée. Cette publication s'inscrit dans la course plus large des laboratoires de robotique incarnée à constituer des jeux de démonstrations humaines à grande échelle pour entraîner des modèles fondation destinés aux robots humanoïdes, un effort généralement concentré sur des tâches de manipulation générique et répétable. La construction, où chaque tâche suit un plan différent, restait jusqu'ici peu couverte par ce type de capture. En rendant ses enregistrements compatibles avec les pipelines de retargeting existants et en les rejouant sur un Unitree G1, l'équipe positionne OJOx comme un module interopérable avec l'écosystème matériel humanoïde déjà en place. L'article ne fournit ni calendrier de déploiement ni partenaire industriel : il ouvre la voie à des jeux de données plus larges pour évaluer si des politiques VLA peuvent réellement agir vers des spécifications absentes de leur entraînement, une question encore ouverte pour l'ensemble du secteur.

Recherche❖Paper

1 source

38

1310arXiv cs.RO 

Apprentissage unifié de la structure temporelle des tâches et du timing des actions pour la manipulation bimanuelle en robotique

Une publication mise à jour sur arXiv (2603.06538, version 2) présente une méthode pour la manipulation bimanuelle robotique qui unifie deux niveaux de raisonnement temporel jusqu'ici traités séparément : la structure symbolique d'une tâche (quelles actions précèdent, suivent ou chevauchent les autres) et le calage concret de chaque main (instant de déclenchement, durée). Le système apprend ces contraintes à partir de démonstrations humaines et en dérive des plans d'exécution paramétrés dans le temps pour un robot à deux bras. Il combine trois briques : une représentation en trois dimensions des délais fondée sur des modèles de mélange gaussien multivariés pour le niveau subsymbolique, un algorithme dérivé de Davis-Putnam-Logemann-Loveland qui classe tous les assignements sans contradiction des relations d'Allen, correspondant aux différents modes d'exécution possibles d'une tâche, et un planificateur par optimisation qui fusionne ces contraintes symboliques et subsymboliques. Les auteurs montrent quantitativement que les contraintes symboliques inférées sont plus précises que celles d'approches heuristiques antérieures, et que les plans générés se rapprochent davantage des démonstrations humaines que la démonstration la plus caractéristique prise comme référence, avec des essais qualitatifs menés en simulation et sur robots réels dont le nombre et les spécifications ne sont pas détaillés. Coordonner deux bras exige de savoir non seulement quel geste doit en précéder un autre, mais exactement quand le déclencher et combien de temps lui accorder, faute de quoi les mouvements se désynchronisent ou entrent en collision, un problème central pour tout intégrateur déployant des cellules bimanuelles en assemblage ou en logistique. La plupart des pipelines existants séparaient la planification symbolique de haut niveau du calage bas niveau des trajectoires, créant une rupture entre la tâche planifiée et son exécution physique ; en réunissant les deux couches dans un cadre appris par démonstration, ce travail cible un angle mort fréquent de l'apprentissage par imitation, qui reproduit souvent des gestes isolés sans capturer la logique de coordination entre bras. Si les résultats se confirment hors laboratoire, cela réduirait le travail manuel de programmation des séquences et des temporisations, un poste coûteux dans le déploiement de robots à deux bras, et fournirait un argument concret face au scepticisme ambiant sur l'écart entre démonstrations soignées et robustesse en conditions réelles. La méthode s'inscrit dans la lignée des travaux de planification robotique s'appuyant sur l'algèbre des intervalles d'Allen, un formalisme classique pour raisonner sur des relations temporelles qualitatives, combiné ici à des modèles de mélange gaussien déjà employés en apprentissage par démonstration pour encoder la variabilité des trajectoires humaines. Les auteurs situent leur contribution par rapport à des approches heuristiques antérieures pour l'extraction de contraintes symboliques, sans nommer de système concurrent précis ni d'institution, le résumé publié restant volontairement générique sur les auteurs et le matériel robotique utilisé. À ce stade, il s'agit d'une contribution de recherche en prépublication, validée en simulation et sur banc réel, sans indication de transfert vers un produit commercial ou un pilote industriel identifié, ni de calendrier de suite annoncé.

Recherche❖Paper

1 source

38

1311arXiv cs.RO 

WOLF : exploration LiDAR guidée par modèle du monde avec frontières prédictives

Publié fin septembre 2026 sur arXiv (2609.23656), l'article WOLF présente un système d'exploration autonome pour drones équipés de LiDAR. Contrairement aux méthodes classiques limitées à la carte déjà mesurée, WOLF entraîne un modèle du monde récurrent sur des trajectoires d'exploration pour prédire l'occupation et la visibilité des zones encore masquées par des occlusions. En combinant l'historique des observations avec les mouvements candidats du drone, il génère des frontières prédictives fusionnées aux frontières mesurées classiques selon des critères de confiance et de qualité d'observation, afin de guider le choix des points de vue et la génération de trajectoire. En simulation, WOLF réduit de 10,9% le temps terminal moyen face à la méthode EPIC dans l'environnement Garage, à couverture comparable, et fait passer la couverture moyenne de 42,12% à 98,35% dans l'environnement Tunnel. Des vols réels ont validé le déploiement embarqué du modèle, avec inférence en ligne en plein vol. Pour les intégrateurs de drones opérant en environnements confinés (tunnels, mines, infrastructures souterraines), ce travail cible un problème concret: les méthodes d'exploration actuelles perdent du temps car elles ignorent ce qui se trouve au-delà de ce qui a déjà été mesuré, un défaut pénalisant dans les espaces étroits et répétitifs. Le bond de couverture observé dans l'environnement Tunnel, de 42% à plus de 98%, reste toutefois un résultat de simulation, un cadre où les modèles du monde sont réputés plus faciles à faire fonctionner qu'en conditions réelles bruitées. Le point le plus significatif est la démonstration d'une inférence embarquée en vol réel, qui va au-delà du seul exercice académique, même si l'étendue exacte de cette validation terrain n'est pas précisée dans le résumé. L'exploration autonome par drone LiDAR est un champ actif depuis plusieurs années, porté par des besoins d'inspection industrielle et de cartographie souterraine. WOLF se compare explicitement à EPIC, méthode de référence citée en comparaison, signe que le domaine reste dominé par des approches géométriques de sélection de frontières sans composante prédictive. L'apport revendiqué est l'introduction d'un modèle du monde, dans la lignée de travaux récents en apprentissage par renforcement appliqués à la navigation. Sans affiliation industrielle mentionnée, le papier relève à ce stade de la recherche académique: aucune date de disponibilité ni déploiement à grande échelle n'est annoncé, la suite logique étant une validation sur davantage de terrains réels.

Recherche❖Paper

1 source

38

1312arXiv cs.RO 

PileBelief : un état physique persistant pour la modélisation du monde pilotée par l'interaction

Des chercheurs présentent PileBelief, un modèle du monde pour l'excavation robotique, dans un article publié le 22 septembre 2026 sur arXiv (2609.22858v1). Le système cible un problème concret: à chaque coup de godet, le terrain change de forme et les observations locales ne suffisent plus à connaître l'état réel du sol, sa résistance ou son support sous la surface visible. PileBelief combine un a priori physique conditionné par l'observation avec une mémoire de déformation indexée dans l'espace et une mémoire de réponse physique, affinées par des lectures alignées sur l'action et des corrections résiduelles ciblées. Une fois les poids figés au déploiement, les interactions réellement exécutées mettent à jour une croyance mesurée sur le sol, tandis que les actions hypothétiques font évoluer un état imaginé distinct. Face à une base de référence limitée à l'observation courante, PileBelief réduit l'erreur de prédiction conjointe à cinq pas de temps de 10,8% et le regret de sélection d'action hors ligne de 65,5%, avec des gains confirmés en simulation physique Newton/MPM et sur des données d'excavation réelle, notamment pour la prédiction du volume de godet. Pour la robotique de chantier et le BTP autonome, ce travail cible un verrou concret: contrairement à la manipulation d'objets rigides, l'excavation transforme en continu l'environnement, ce qui rend aveugles les modèles du monde classiques limités à l'image courante face à ce qui a été creusé ou déplacé hors champ de vision. En conservant une mémoire persistante de l'état physique plutôt qu'en repartant de zéro à chaque observation, l'approche se rapproche du comportement d'un opérateur expérimenté qui se souvient de ce qu'il a déjà retiré. Le gain de 65,5% sur le regret de sélection d'action est le chiffre le plus parlant pour les intégrateurs, car il montre que le modèle choisit de meilleures actions candidates, pas seulement qu'il prédit mieux visuellement, ce qui alimente un débat plus large sur les modèles du monde en robotique: l'observation instantanée, même bien traitée, ne suffit pas dans les tâches où l'environnement est irréversiblement transformé par l'action du robot. L'article se positionne face aux modèles du monde instantanés qui dominent la recherche en manipulation robotique, généralement limités à une image ou un nuage de points par prédiction, sans mémoire à long terme sur l'état physique du terrain. En distinguant une croyance mesurée, mise à jour uniquement par des actions réellement exécutées, d'un état imaginé servant à évaluer des actions hypothétiques sans corrompre cette croyance, les auteurs proposent une architecture potentiellement réutilisable pour d'autres tâches de transformation continue de l'environnement, comme le terrassement ou la manutention de matériaux en vrac. Le papier reste au stade de prépublication de recherche, sans mention de déploiement industriel ni de partenaire commercial, et ouvre la voie à des travaux visant à valider l'approche sur davantage de types de sols et sur des engins d'excavation grandeur réelle.

Recherche❖Paper

1 source

38

1313arXiv cs.RO 

Adaptation en ligne préservant la performance en navigation sociale via pilotage par diffusion

Des chercheurs publient sur arXiv (arXiv:2609.24317v1, soumission du 24 septembre 2026) une méthode baptisée DSRL, pour "diffusion steering via reinforcement learning", destinée à l'adaptation en ligne des robots de navigation sociale, c'est-à-dire des robots mobiles qui doivent éviter des piétons et atteindre une destination au milieu d'humains. Le constat de départ: l'apprentissage par renforcement profond utilisé pour ce type de navigation est entraîné en simulation, mais celle-ci ne reproduit jamais fidèlement la diversité des scénarios réels, la dynamique propre du robot, ni les conventions sociales qui varient d'un site de déploiement à l'autre (un couloir d'hôpital ne se comporte pas comme un entrepôt ou un bureau). La solution proposée consiste à figer la politique de diffusion de base déjà entraînée et à n'entraîner que sa "politique de bruit" lors du réglage fin sur site, ce qui évite de dégrader les performances du modèle initial pendant l'adaptation. Les auteurs assemblent en plus plusieurs politiques de RL basées sur la diffusion, entraînées avec des graines aléatoires différentes, pour construire une politique de base plus robuste. L'évaluation s'appuie sur des comparaisons avec d'autres méthodes d'apprentissage et sur un test en hardware-in-the-loop avec un robot physique, mais l'abstract ne fournit aucun chiffre de performance concret (taux de succès, distance, temps de cycle), ce qui limite la portée vérifiable de l'annonce à ce stade. Pour l'industrie robotique, ce travail s'attaque à un point de friction bien identifié: le réglage fin en environnement réel améliore l'adaptation mais risque l'oubli catastrophique, c'est-à-dire une dégradation du comportement de base validé en simulation. Une méthode qui préserve les performances tout en permettant un ajustement flexible aux conventions sociales locales intéresse directement les fabricants d'AMR et de robots de service déployés en environnements humains partagés, où les intégrateurs cherchent justement à réduire l'écart entre démonstration simulée et comportement réel sans tout réentraîner à chaque site. Le papier s'inscrit dans la lignée des méthodes de "diffusion steering" appliquées au RL, en les spécialisant pour la navigation sociale plutôt que pour un fine-tuning généraliste. Classé "Announce Type: new" sur arXiv, il s'agit d'une prépublication non encore validée par les pairs, sans partenaire industriel ni déploiement réel annoncé: seules la simulation et une validation hardware-in-the-loop sont mentionnées, les tests sur robot physique en conditions de terrain restant une étape à venir.

Recherche❖Paper

1 source

38

1314arXiv 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

1315arXiv cs.RO 

BarrierFormer : application de barrières prédictives guidée par transformeur pour un contrôle robotique sûr

Une équipe de recherche propose BarrierFormer, un framework combinant transformers et fonctions de barrière de contrôle (control barrier functions, CBF) pour la sécurité en robotique, décrit dans un preprint publié sur arXiv (identifiant 2609.23896v1). Les CBF standards sont myopes : elles ne garantissent la sécurité qu'à l'instant présent, ce qui peut pousser le système vers la limite de son domaine sûr sans solution de contrôle sûre à l'étape suivante. Les approches de contrôle prédictif (MPC) corrigent ce défaut en imposant les contraintes sur un horizon glissant, mais exigent un modèle dynamique connu et la résolution d'un problème d'optimisation contraint à chaque pas, coûteux en temps réel. BarrierFormer contourne ce compromis avec un transformer causal qui encode l'historique observations-actions, génère de façon autorégressive une trajectoire prédictive via une tête de dynamique (remplaçant le modèle explicite), et produit une correction résiduelle à un contrôleur nominal via une tête d'action (remplaçant l'optimisation en ligne). Un critique de barrière évalue les violations de contraintes CBF le long de cette trajectoire prédite, tandis qu'un "professeur de sécurité" calcule des actions conformes aux contraintes servant de cibles de supervision à l'entraînement. À l'inférence, la politique n'effectue aucune optimisation en ligne. Sur des systèmes dynamiques linéaires et non linéaires, en 2D et 3D, pour des tâches de navigation sûre vers un objectif, les auteurs rapportent de meilleurs taux de sécurité et une latence d'inférence inférieure face à des méthodes par renforcement, par diffusion, par MPC et par transformers existantes. L'enjeu dépasse l'exercice académique : c'est la question de savoir si des politiques apprises peuvent offrir des garanties de sécurité de type prédictif sans le coût de calcul du MPC classique, condition nécessaire pour déployer du contrôle sûr en temps réel sur des robots mobiles ou des bras manipulateurs à ressources de calcul limitées. Un résultat positif à l'échelle validerait une piste alternative aux pipelines MPC-CBF traditionnels, aujourd'hui jugés trop lourds pour l'embarqué. Ce travail reste à ce stade une contribution de recherche évaluée en simulation, sans déploiement sur robot physique ni association à un produit commercial. Il s'inscrit dans la lignée des travaux sur les CBF et le MPC, et se positionne explicitement contre des architectures rivales par apprentissage par renforcement, modèles de diffusion et transformers antérieurs, sans toutefois préciser de calendrier de validation sur matériel réel.

Recherche❖Paper

1 source

38

1316arXiv cs.RO 

RiverVLN : navigation vision-langage temporelle ancrée par phases pour véhicules de surface sans pilote

Un groupe de recherche publie RiverVLN, présenté comme le premier benchmark dédié à la navigation vision-langage (VLN) longue portée pour véhicules de surface sans pilote (USV) évoluant en mouvement continu sur des rivières, accompagné du framework PGT-NAV. Plutôt que de faire correspondre directement une instruction complète à une trajectoire, PGT-NAV découpe l'instruction en une séquence ordonnée de phases sémantiques vérifiables visuellement, et maintient en ligne la phase active grâce à des preuves visuelles et de mouvement. Cet état de progression est fusionné avec l'historique visuel-moteur et un ancrage spécifique à chaque phase pour prédire six incréments de pose locale en SE(2). Le système fonctionne selon une boucle prédiction-exécution-réobservation, où le navire avance vers un point cible, met à jour sa phase et son ancrage, puis replanifie via une couche de sécurité fondée sur une carte. En simulation fermée Unity-ROS, PGT-NAV atteint un taux de réussite moyen de 0,79 et réduit nettement la dérive cumulative de position et de cap par rapport à des références de type GNM et ViNT. Des essais sur des scénarios d'ouverture de pont non vus à l'entraînement, ainsi que des expériences sur USV réel, confirment un transfert de la performance simulée vers un déploiement physique. L'intérêt de ces travaux tient à ce qu'ils déplacent la navigation vision-langage hors de son terrain habituel, les robots d'intérieur ou terrestres, où le langage sert de but statique et le déplacement se résume à des actions discrètes quasi instantanées. Sur une rivière, l'inertie, la manœuvrabilité limitée et la rareté de repères maritimes visuellement ambigus rendent ces hypothèses caduques. En démontrant qu'un ancrage temporel par phases peut tenir sous contrainte de mouvement continu, l'étude ouvre une piste concrète pour l'automatisation fluviale et maritime, l'inspection de voies navigables ou la logistique portuaire, des domaines où les modèles VLA conçus pour l'intérieur échouent généralement. Ce travail s'inscrit dans la lignée des modèles de navigation par apprentissage comme GNM et ViNT, ici utilisés comme lignes de base comparatives plutôt que comme solutions retenues. Il s'agit d'un preprint arXiv, donc d'une contribution de recherche non encore validée par les pairs, et non d'un produit commercial ou d'un déploiement opérationnel à grande échelle. Les auteurs annoncent des essais réels sur USV comme prochaine étape de validation, sans calendrier de mise en production précisé.

Recherche❖Paper

1 source

38

1317arXiv cs.RO 

MIRA : interaction humain-robot en duplex intégral et temps réel pour compagnons incarnés

Des chercheurs présentent MIRA, un système d'interaction homme-robot en temps réel destiné aux robots compagnons, décrit dans un article publié sur arXiv (identifiant 2609.24547). Face à un flux de parole continu, l'historique du dialogue et l'affect vocal de l'utilisateur, MIRA prédit simultanément le texte de la réponse et un signal d'incarnation physique qui pilote le geste du robot. Les comportements sociaux discrets, comme écouter ou saluer, sont associés à des trajectoires robotiques préétablies et validées, tandis que la parole ouverte est accompagnée d'un mouvement généré en flux continu, contraint par une fenêtre glissante qui anticipe la trajectoire sur un horizon court sans figer d'engagement physique irréversible, afin de rester annulable en cas d'interruption. Le cœur du système, baptisé CORTEX, est une politique de décision à deux échelles temporelles qui gère à la fois les réactions à faible latence et les décisions de tour de parole plus délibérées, avec une couche d'exécution côté robot qui applique les contraintes de sécurité physique au rythme du contrôle moteur. L'équipe a déployé MIRA sur un robot humanoïde Astribot S1 et rapporte des évaluations quantitatives d'alignement audio-mouvement jugées compétitives face à des méthodes de référence de génération de mouvement, ainsi que des mesures de réactivité et de gestion des interruptions en conditions réelles, sans toutefois détailler de chiffres précis de latence ou de taux de réussite dans le résumé disponible. L'intérêt de ce travail réside dans la fusion, au sein d'une architecture unique, de deux fonctions habituellement traitées séparément par les robots conversationnels : l'orchestration du dialogue et la synthèse de gestes, cette dernière étant généralement calculée hors ligne à partir d'un audio complet. En traitant la parole de façon incrémentale et en gérant l'incertitude sur les frontières de tour de parole, MIRA s'attaque directement à un problème concret pour les intégrateurs de robots sociaux et compagnons: la capacité à interrompre un mouvement en cours sans compromettre la sécurité physique, un point souvent négligé dans les démonstrations scénarisées de robots humanoïdes conversationnels. Ce travail s'inscrit dans la vague plus large des architectures vision-langage-action et des robots compagnons cherchant à dépasser le stade de la démonstration commandée par script pour atteindre une interaction fluide et bidirectionnelle en continu. Le choix de l'Astribot S1, humanoïde chinois déjà utilisé dans plusieurs démonstrations de manipulation, comme plateforme de validation ancre la recherche dans un cas d'usage réel plutôt que purement simulé. Les auteurs comparent leurs résultats à des méthodes de génération de mouvement de référence sans préciser dans le résumé de calendrier de déploiement commercial, ce qui situe MIRA au stade de la démonstration de recherche plutôt que du produit prêt à l'emploi.

IA physique❖Paper

1 source

38

1318arXiv cs.RO 

Contrôle de sécurité d'un robot hyper-redondant via des fonctions barrières de contrôle pondérées adaptatives

Une équipe de recherche a publié en septembre 2026 sur arXiv (référence 2609.24062) un nouveau cadre de contrôle pour les robots hyper-redondants, ces structures articulées à très grand nombre de degrés de liberté utilisées pour la manipulation en espaces confinés. La méthode proposée, des fonctions de barrière de contrôle pondérées (weighted control barrier functions, W-CBF), vise à garantir l'évitement d'obstacles tout en corrigeant les erreurs de suivi de trajectoire causées par une charge répartie de façon inégale le long du corps du robot. Sur un test de suivi de trajectoire circulaire avec plusieurs configurations d'obstacles, la version à poids fixes réduit l'erreur RMS de suivi jusqu'à 59,6% en simulation et 87,7% en expérience physique, comparée à une méthode non pondérée. Une variante à pondération adaptative, calibrée sur l'écart mesuré entre simulation et réalité, gagne encore 21,9% en simulation et 8,5% en expérience physique, mais perd en précision lorsque les obstacles se rapprochent du corps du robot. Sur une tâche finale de nettoyage d'une surface rectangulaire, comparée à une téléopération manuelle, le contrôleur autonome, non optimisé pour la couverture de zone, obtient une couverture équivalente ou supérieure sans aucune collision avec le cadre environnant, alors que des collisions surviennent en pilotage manuel. Pour les intégrateurs qui déploient des robots serpents ou continuum en inspection industrielle, maintenance de réacteurs ou chirurgie mini-invasive, ce travail répond à un problème concret: sécurité géométrique et précision de trajectoire sont habituellement traitées séparément, alors qu'elles s'influencent fortement sur des structures longues et flexibles soumises à des charges non uniformes. Montrer qu'une pondération intelligente des contraintes de sécurité réduit simultanément le risque de collision et l'erreur de suivi ouvre une piste exploitable pour des applications exigeant une fiabilité proche du zéro collision en espace clos. Le résultat le plus parlant pour des décideurs B2B reste que la stratégie autonome dépasse la téléopération humaine en sécurité, un signal favorable à l'automatisation de tâches aujourd'hui confiées à des opérateurs formés, notamment en environnement dangereux ou difficile d'accès. Cette étude s'inscrit dans le champ des control barrier functions, un outil mathématique de plus en plus employé en robotique pour formaliser des garanties de sécurité, déjà répandu sur les bras robotiques et les véhicules autonomes mais encore peu exploré sur des structures hyper-redondantes dont la flexibilité complique le calcul de contraintes uniformes. Publié comme nouvelle soumission arXiv et non encore relu par les pairs, le papier ne précise ni l'institution ni le robot physique utilisé pour les essais, ce qui invite à la prudence sur la portée des chiffres, obtenus sur un nombre restreint de configurations. Les auteurs pointent eux-mêmes une limite critique, la dégradation des performances à proximité immédiate des obstacles, sensible pour tout déploiement en espace réellement encombré. Aucune feuille de route de commercialisation n'est évoquée, l'article relevant pour l'instant de la recherche méthodologique en amont d'une éventuelle intégration sur des plateformes existantes de robots serpents ou continuum.

Recherche❖Paper

1 source

38

1319arXiv 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

38

1320arXiv cs.RO 

Réagir seulement quand il le faut : inférence asynchrone déclenchée par événements pour les politiques VLA

Un article de recherche mis en ligne sur arXiv le 22 septembre 2026 (référence 2609.22587) propose une nouvelle stratégie d'inférence pour les modèles Vision-Language-Action (VLA), baptisée inférence dynamique guidée par événements. Le problème de départ : la plupart des VLA prédisent des séquences groupées d'actions, ou "chunks", ce qui limite leur capacité à réagir à un changement de l'environnement pendant l'exécution de la séquence. Les méthodes asynchrones existantes améliorent la réactivité mais reposent sur un intervalle d'inférence fixe, déconnecté de ce qui se passe réellement dans la scène. La méthode proposée ajuste au contraire cet intervalle en continu selon l'ampleur des changements observés depuis la dernière inférence, ce qui préserve à la fois la fluidité du mouvement et la rapidité de réaction. Testée sur des scènes réelles, statiques comme dynamiques, elle atteint un taux de réussite moyen de 95 %, soit 55 points de pourcentage de plus que la meilleure méthode de référence évaluée par les auteurs. Le code doit être publié après acceptation de l'article, et une page projet est déjà accessible en ligne. Le sujet touche un goulot d'étranglement connu des VLA déployés sur des robots réels : le compromis entre horizon de prédiction long, plus stable mais moins réactif, et horizon court, plus réactif mais plus saccadé et coûteux en calcul. Une inférence qui s'adapte à l'état de la scène plutôt qu'à une horloge fixe intéresse directement les intégrateurs qui cherchent à faire tourner ces modèles sur du matériel embarqué avec des contraintes de latence, notamment pour la manipulation en environnement changeant ou en présence d'humains. Il faut toutefois noter que les chiffres avancés (95 % de succès, +55 points) proviennent des propres bancs d'essai des auteurs, sans validation indépendante ni comparaison sur des benchmarks tiers standardisés, ce qui est courant pour une prépublication arXiv non encore relue par les pairs. Ce travail s'inscrit dans la lignée des modèles VLA récents comme Pi-0 de Physical Intelligence, GR00T N2 de NVIDIA ou Helix de Figure AI, qui reposent tous sur une prédiction par chunks d'actions et se heurtent au même arbitrage entre stabilité et réactivité. L'abstract ne mentionne aucun auteur ni laboratoire identifiable, ce qui suggère une soumission en cours d'évaluation. La suite logique annoncée est la publication du code source conditionnée à l'acceptation de l'article, sans calendrier ni conférence cible précisés à ce stade.

Recherche❖Paper

1 source

38

1321arXiv cs.RO 

DeViGrasp : préhension mobile visuelle robuste pour manipulateurs quadrupèdes en cas de perception dégradée

Un article publié sur arXiv (2609.22278v1) présente DeViGrasp-Bench et DeViGrasp-Net, un banc d'essai et une méthode pour la préhension mobile des manipulateurs quadrupèdes en cas de perception visuelle dégradée. Le benchmark applique des dégradations contrôlées, occlusions, décrochage du masque de segmentation, bruit de profondeur, instabilité de localisation de la cible, sur des objets connus et inconnus, plusieurs niveaux de difficulté et des terrains complexes. DeViGrasp-Net combine un enseignant privilégié, qui raisonne hors ligne sur des candidats de préhension conditionnés par l'état de l'objet, du robot et de la tâche, et un élève déployable qui fusionne une perception de profondeur segmentée en double vue avec des hypothèses de cible actuelles, mémorisées et de secours, via deux modules nommés Target Hold Memory et Temporal Memory Attention. En configuration Difficult, le taux de réussite atteint 62,3%, soit 16,1 points de plus que VBC et 4,3 de plus qu'une version adaptée de DQ-Net, écart qui grimpe à 10,5 points face à DQ-Net en configuration Hard. Le travail cible un angle mort de la manipulation mobile : les politiques de contrôle corps entier sont généralement validées sous perception quasi idéale, alors que les déploiements réels exposent caméras et capteurs de profondeur embarqués à des occlusions et du bruit. En formalisant ces dégradations dans un benchmark reproductible plutôt qu'en anecdotes, les auteurs objectivent l'écart entre démonstrations contrôlées et robustesse opérationnelle, un point sensible pour les intégrateurs évaluant des quadrupèdes à bras pour la logistique ou l'inspection industrielle. Le gain provient moins d'une perception brute améliorée que d'une gestion de la mémoire temporelle et de la fiabilité des estimations de cible, ce qui suggère que la robustesse peut s'obtenir par architecture logicielle plutôt que par des capteurs plus coûteux. L'approche s'inscrit dans la recherche sur les manipulateurs quadrupèdes, robots à pattes équipés d'un bras combinant mobilité tout-terrain et dextérité de préhension, et se positionne explicitement contre deux méthodes de référence, VBC et une adaptation de DQ-Net, qu'elle surpasse sur tous les niveaux de dégradation testés. Il s'agit pour l'instant d'une publication de recherche accompagnée d'un benchmark ouvert, non d'un produit commercialisé : aucun partenaire industriel ni déploiement sur robot physique au-delà de la simulation n'est mentionné, les gains étant confirmés par des études d'ablation. Le benchmark ouvre la voie à des comparaisons futures, alors que les quadrupèdes à bras commencent tout juste à sortir des laboratoires pour des essais pilotes en conditions réelles.

Recherche❖Paper

1 source

38

1322arXiv cs.RO 

SCULPT-VLA : apprentissage d'un contrôle structuré par ancrage d'actions en étapes

Un nouveau papier publié sur arXiv (identifiant 2609.23275, soumis fin septembre 2026) présente SCULPT-VLA, une architecture de politique vision-langage-action entraînée par ancrage d'actions en plusieurs étapes. Le système construit un état de conditionnement des actions à partir de trois facteurs complémentaires : progression de la tâche, dynamique de la scène et ancrage spatial. L'entraînement forme d'abord ces facteurs à l'aide de scaffolds enseignants, avant d'ancrer une prédiction d'action grossière sur leur composition à mesure que ces scaffolds sont retirés, puis de restaurer l'accès perceptif direct pour un affinage continu. Sur les bancs d'essai en simulation LIBERO, SimplerEnv-WidowX et RoboTwin 2.0 Full, SCULPT-VLA dépasse des références à backbone partagé. Sur SimplerEnv-WidowX précisément, le taux de succès final atteint 83,5 %, contre 71,3 % lorsque l'apprentissage d'action de la deuxième étape accède directement à la vision et au langage sans passer par l'état structuré. Sur quatre tâches réalisées avec un robot physique soumis à des changements de distribution, le taux de succès moyen atteint 58,1 %, contre 45,6 % pour le modèle de référence Pi-0.5. Ce travail s'inscrit dans un débat technique central pour les VLA actuels : au-delà des labels d'action bruts, comment structurer une supervision intermédiaire pour que la prédiction d'action en dépende réellement, sans que cette dépendance s'effondre dès que les données annotées par un enseignant disparaissent au déploiement. En séparant explicitement l'apprentissage du conditionnement structurel de l'affinage du contrôle continu, SCULPT-VLA répond à un problème pratique pour les intégrateurs : au déploiement, aucune donnée d'enseignant ni autorégression discrète n'est nécessaire, ce qui simplifie l'inférence embarquée. Les gains rapportés en conditions de changement de distribution, un scénario proche des conditions réelles d'usine ou d'entrepôt, suggèrent une meilleure robustesse que les architectures VLA à accès perceptif direct, un point sensible pour les décideurs qui évaluent l'écart entre démonstrations en simulation et performance terrain. Le papier ne précise ni affiliation d'auteurs ni date de publication de conférence, ce qui correspond au format d'un preprint arXiv récent, probablement en soumission anonyme. Il se positionne par comparaison directe avec Pi-0.5 comme référence de politique VLA généraliste, sans mention d'un partenariat industriel ou d'un déploiement commercial. Les auteurs annoncent des ablations sur les facteurs d'état et des interventions ciblées confirmant que l'état appris continue de contribuer au contrôle même après le retour de l'accès perceptif direct, sans toutefois indiquer de calendrier de suite ni de portage vers d'autres plateformes robotiques.

Recherche❧Opinion

1 source

38

1323arXiv 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

1324arXiv cs.RO 

Opt2VLA : modèle vision-langage-action sensible à la force pour la manipulation humanoïde à corps entier avec contacts

Un preprint arXiv publié le 22 septembre 2026 (2609.23968v1) présente Opt2VLA, un framework vision-language-action (VLA) pour la manipulation corps-entier de robots humanoïdes dans des tâches à contact riche. Le système introduit des commandes de force explicites à l'interface entre la politique VLA et les contrôleurs bas niveau : une seule politique multi-tâches prédit à la fois des objectifs de mouvement géométriques et des références de force de contact continues, suivies par des contrôleurs entraînés par apprentissage par renforcement. Les données d'entraînement sont générées par optimisation de trajectoire avec références de force explicites, garantissant des trajectoires dynamiquement réalisables. Le système a été testé sur trois tâches humanoïdes à contact riche, en simulation et sur matériel robotique réel. L'enjeu dépasse la démonstration académique. La plupart des modèles VLA actuels pour humanoïdes, à l'image de Pi-0, GR00T N2 ou Helix, représentent les actions uniquement par des objectifs de mouvement géométriques, sans raisonnement explicite sur les forces d'interaction, une limite critique dans les tâches où des mouvements similaires exigent des régimes de force différents, ou où la vision devient peu fiable après contact. Les auteurs montrent que le conditionnement explicite par la force améliore la précision et la stabilité de la régulation, et que la supervision physique issue de l'optimisation de trajectoire renforce encore ce suivi. Pour les intégrateurs industriels, cela suggère qu'une politique VLA unique peut arbitrer entre précision géométrique et contrôle de force sans multiplier les contrôleurs ad hoc, un prérequis pour des tâches fines comme le vissage ou l'insertion de connecteurs. Opt2VLA s'inscrit dans la vague de modèles VLA pour humanoïdes portée par des acteurs comme Physical Intelligence, NVIDIA ou Figure AI, jusqu'ici centrés sur la sémantique visuelle et le suivi de mouvement plutôt que sur la dynamique de contact. L'abstract ne précise ni l'affiliation des auteurs ni le modèle de robot utilisé pour les essais matériels, et les résultats restent ceux d'un preprint non encore relu par les pairs, validé sur trois tâches expérimentales. Les prochaines étapes attendues portent sur l'extension à davantage de tâches à contact riche et la validation de la génération de données par optimisation de trajectoire sur d'autres plateformes matérielles.

IA physique⚡Actu

1 source

38

1325arXiv cs.RO 

FlockDiffusion : diffusion conditionnée par l'affectation pour l'allocation et l'exécution de tâches multi-drones

FlockDiffusion, un framework d'apprentissage présenté dans un article déposé sur arXiv le 22 septembre 2026 (arXiv:2609.23745), coordonne des flottes de drones autonomes chargées de desservir des objectifs dispersés en environnement encombré sous contrainte de calcul. Le système combine un encodeur de graphe de scène, un module d'allocation de tâches, un transformeur de diffusion conditionné par l'assignation et un décodeur de trajectoire à forme fermée, entraîné hors ligne par un modèle enseignant autorégressif. En simulation PyBullet, le regroupement de tâches par drone porte le taux de complétion de 50% à 100% et réduit le coût de route de 8,4% face à la méthode concurrente MAGNNET. Sur un benchmark à dix drones et 100 scènes par niveau de densité, FlockDiffusion calcule 6,2 à 7,6 fois plus vite et raccourcit les routes d'environ 37%: la latence ne monte que de 7,8 à 11,1 ms quand le nombre de tâches passe de 20 à 40, contre 48 à 75,8 ms pour le pipeline classique. Sur cinq environnements simulés sous Gazebo, il atteint 100% de couverture de planification et réduit le coût de route de 15,4%. Ces résultats visent un goulot d'étranglement concret des essaims de drones: les pipelines classiques traitent séparément l'estimation de coût, l'assignation et l'exécution, ce qui multiplie les recherches redondantes dans le graphe et produit des trajectoires longues et heurtées, un défaut pénalisant pour l'inspection industrielle, la logistique aérienne ou la surveillance de sites étendus où chaque milliseconde de calcul embarqué compte. En remplaçant plusieurs solveurs séquentiels par un unique modèle de diffusion conditionné, l'étude appuie empiriquement l'idée que les architectures de diffusion, popularisées en manipulation robotique, généralisent bien à la planification multi-agents. Ces chiffres restent cependant issus de simulateurs, PyBullet et Gazebo, et non de vols réels, limite que les auteurs reconnaissent eux-mêmes. FlockDiffusion prolonge des travaux récents qui transposent les modèles de diffusion à la planification combinatoire multi-robots, un champ jusqu'ici dominé par des solveurs d'optimisation et des méthodes d'apprentissage par renforcement sur graphe comme MAGNNET, utilisé ici comme référence de comparaison. Aucun acteur français ou européen n'apparaît dans cette publication, qui reste une contribution académique déposée sur arXiv et non un produit ou un pilote commercial annoncé. Les auteurs ne fixent aucun calendrier d'essais sur drones physiques; la validation en conditions réelles constitue l'étape logique suivante pour confirmer que les gains mesurés en simulation résistent aux aléas de la perception et de la communication embarquées.

Recherche❖Paper

1 source

37

1326arXiv cs.RO 

Une représentation topologique par graphes objet-chemin pour la navigation d'instance à vocabulaire ouvert

Une équipe de recherche a mis en ligne sur arXiv, fin septembre 2026, un article intitulé "A Topological Representation with Object-Path Graphs for Open-Vocabulary Instance Navigation" (arXiv:2609.24189), proposant une nouvelle représentation appelée object-path graph pour la navigation d'agents robotiques guidée par instructions en langage naturel. Le système unifie raisonnement sémantique en vocabulaire ouvert et navigation topologique dans une structure de graphe légère unique, sans recourir à une reconstruction de carte métrique dense. La stratégie de navigation associe une planification de chemin globale sur ce graphe à une exécution locale entre nœuds, via une localisation légère des nœuds et un asservissement visuel sémantique. Les auteurs rapportent des résultats sur les bancs d'essai de simulation HM3D et Replica, complétés par des expériences sur robot réel, sans préciser la plateforme utilisée ni fournir de comparatif chiffré détaillé. L'intérêt de ce travail tient au problème qu'il cible: les graphes de scène offrent une mémoire sémantique compacte, mais restent aujourd'hui déconnectés de l'exécution réelle du déplacement, qui dépend encore de cartes métriques denses coûteuses à construire et à maintenir. En couplant ancrage sémantique en vocabulaire ouvert, localisation par graphe et navigation dans un seul cadre topologique léger, l'approche cherche à réduire la dépendance à la cartographie 3D dense et aux calculs de reconstruction associés. C'est un enjeu très concret pour les intégrateurs déployant des robots mobiles ou des humanoïdes dans des environnements non cartographiés ou évolutifs: une navigation fondée sur un graphe léger plutôt que sur du SLAM dense allègerait le calcul embarqué nécessaire pour exécuter des instructions du type "va chercher tel objet dans telle pièce", un axe qui recoupe les ambitions des architectures vision-langage-action actuelles sans s'y substituer directement. Les méthodes existantes en navigation vision-langage se répartissent globalement entre décomposition séquentielle de décisions guidées par le texte et exploration en ligne sans connaissance préalable des lieux, deux familles limitées respectivement par leur rigidité et leur coût de calcul; les graphes de scène s'étaient imposés comme mémoire sémantique compacte mais sans lien direct avec l'exécution. L'article reste un preprint de recherche démontrant une performance qualifiée de "compétitive" sur des benchmarks standards, non un système prêt au déploiement industriel ni comparé publiquement à des modèles VLA généralistes. Les suites logiques attendues seraient un passage à l'échelle sur des environnements plus vastes et une confrontation directe avec des architectures de navigation concurrentes de plus grande taille.

Recherche❖Paper

1 source

37

1327arXiv cs.RO 

HybridFlow : une politique générative à 2 NFE pour la manipulation robotique en temps réel

Des chercheurs restés anonymes, dont l'identité est masquée le temps d'une évaluation en double aveugle, publient sur arXiv (2602.13718v2, version révisée) HybridFlow, une politique générative pour le contrôle robotique en temps réel. Le système ne nécessite que deux évaluations du réseau de neurones, contre les 16 étapes habituelles d'une politique par diffusion, grâce à un pipeline en trois temps : un "Global Jump" qui utilise la vitesse moyenne du cadre MeanFlow pour générer une trajectoire d'action grossière, une interpolation "ReNoise" sans paramètre qui construit un état intermédiaire à un instant de raffinement non nul, puis un "Local Refine" qui interroge la limite de vitesse instantanée du même réseau à cet instant, sans distillation ni modèle séparé. Sur des ablations contrôlées avec le benchmark RoboMimic, la méthode atteint 95% de réussite moyenne avec bruit réutilisé et 95,5% avec bruit frais, contre 78% pour une version MeanFlow à une seule étape. Sur cinq configurations de robots réels, toutes les politiques comparées tournant sur le même module embarqué Jetson AGX Thor de Nvidia, HybridFlow améliore la performance normalisée des tâches de 13 à 68 points par rapport à une Diffusion Policy à 16 étapes, avec une latence de génération d'action environ huit fois plus faible. Ce résultat s'attaque directement au compromis central des politiques génératives en robotique : la précision des gestes exige généralement de nombreuses étapes de débruitage, incompatibles avec les boucles de contrôle temps réel exigées par la manipulation fine. En conservant un modèle unique et en évitant la distillation, qui dégrade souvent la précision ou la généralisation, HybridFlow promet une exécution quasi aussi fiable qu'une diffusion complète mais à une fraction du coût de calcul, sur du matériel embarqué contraint. Les auteurs démontrent aussi sa compatibilité comme module d'action au sein d'une architecture vision-langage-action, ce qui en fait un candidat pour accélérer l'inférence dans les grands modèles généralistes de contrôle robotique déployés sur des plateformes comme le Jetson. Le travail s'inscrit dans la lignée des politiques par diffusion et par flow-matching devenues dominantes pour l'apprentissage de la manipulation robotique, où le nombre d'étapes de sampling reste le principal frein au déploiement temps réel. Aucun acteur industriel ni produit commercial n'est associé à cette publication, qui reste une contribution de recherche académique publiée en préprint, sans date de déploiement ni partenaire annoncé.

Recherche❖Paper

1 source

37

1328arXiv cs.RO 

STRIDER : cadre hiérarchique de loco-manipulation 3D multi-démarches à pas pour robots humanoïdes

Une équipe de recherche présente STRIDER, un framework hiérarchique de loco-manipulation multi-modes pour robots humanoïdes, publié en preprint sur arXiv (2609.23483v1). Le système associe un module de pas conscient du terrain, qui choisit les points d'appui dans le repère du pied porteur et génère des trajectoires de swing évitant les obstacles, un module de marche naturelle fondé sur les Adversarial Motion Priors (AMP), et un contrôle cartésien du haut du corps pour la manipulation. Ces experts sont fusionnés en une seule politique via LD-PPO, un algorithme de distillation combinant renforcement on-policy, reconstruction d'actions par DAgger et alignement latent avec le professeur ; testé en simulation puis sur le robot humanoïde réel TianGong Omni, il surpasse une distillation-PPO classique en précision de suivi des appuis et de la posture. Le problème ciblé est concret pour les intégrateurs : les contrôleurs pilotés par des commandes de vitesse continue ne permettent pas de choisir précisément chaque appui au sol, tandis que les modules dédiés au suivi de pas s'intègrent mal avec le contrôle du haut du corps nécessaire à la manipulation, une limite qui persiste même chez des acteurs commerciaux avancés. Le papier s'attaque aussi à une faiblesse des méthodes de distillation par imitation utilisées pour entraîner des politiques de type VLA à partir de plusieurs experts : copier les actions ne garantit pas une représentation partagée des compétences, ce qui fragilise la fusion de modes hétérogènes dans un seul réseau. Le gain mesuré sur un robot réel, et non en simulation seule, nourrit le débat sur l'écart entre démonstrations vidéo et robustesse opérationnelle des humanoïdes. TianGong Omni, la plateforme humanoïde sur laquelle STRIDER a été validé, sert ici de banc d'essai de recherche plutôt que de produit commercialisé. Le travail s'inscrit dans une compétition très active sur la loco-manipulation humanoïde, aux côtés de politiques VLA comme Pi-0 de Physical Intelligence, GR00T N2 de Nvidia ou Helix de Figure, et de plateformes matérielles comme Figure 03 ou Optimus Gen 3 de Tesla. À ce stade, STRIDER reste une contribution académique en preprint, validée par des démonstrations matérielles limitées, sans partenaire industriel ni calendrier de pilote annoncés.

Recherche❖Paper

1 source

37

1329arXiv cs.RO 

Des résistances documentées aux limites de force : insertion robotique guidée par les matériaux pour l'assemblage en construction

Des chercheurs présentent SAGE (Source-grounded Assembly Gating and Execution), un système qui transforme des données documentaires sur les matériaux en limites de force exploitables pour l'insertion robotique dans l'assemblage de construction, selon un preprint publié sur arXiv (2609.22609v1). Le système restreint un grand modèle de langage à une tâche précise : extraire les résistances à la traction et à la compression depuis des passages et tableaux de documents techniques récupérés, en conservant la traçabilité des sources. Un modèle de réponse distinct interpole ensuite des solutions d'éléments finis calculées hors ligne pour convertir ces résistances et les conditions d'assemblage en capacité de charge axiale. Pour les ajustements à jeu positif, cette capacité fixe la limite de force axiale de la politique de contrôle ; pour les ajustements par interférence, elle est comparée à la demande de support mesurée pour décider d'admettre ou non l'insertion. Sur le benchmark principal, SAGE réduit l'erreur moyenne de capacité de 80,65% (estimation directe par le LLM à partir des mêmes preuves) à 10,74%. Sans réajustement, l'erreur reste à 8,00% sur 16 géométries supplémentaires, et le système classe correctement 59 des 62 simulations notées, avec uniquement des erreurs conservatrices. Sur un bras robotique xArm6, les essais physiques enregistrés aboutissent à une insertion réussie dans 9 cas sur 13, un taux d'environ 69% qui reste modeste et signale une marge de progression avant tout usage industriel fiable. L'intérêt de ces travaux tient à la séparation nette entre interprétation documentaire, confiée au LLM, et calcul mécanique, confié à un modèle physique explicite. Un LLM livré à lui-même pour estimer directement une capacité de charge produit une erreur moyenne proche de 81%, ce qui illustre les limites d'une confiance aveugle dans le raisonnement numérique des modèles de langage sur des données d'ingénierie. En combinant extraction sourcée et modélisation par éléments finis, SAGE rend les décisions d'insertion traçables et justifiables, un enjeu concret pour les intégrateurs en construction robotisée où les erreurs de force peuvent endommager des composants ou compromettre la structure assemblée. Ce travail de recherche académique reste à un stade préliminaire : preprint non encore relu par les pairs, testé sur un jeu limité de géométries et un seul bras robotique commercial. Aucun acteur industriel, humanoïde ou plateforme commerciale n'est associé à cette publication, qui s'inscrit dans la recherche sur l'usage des LLM comme interface documentaire couplée à des modèles physiques classiques plutôt que comme calculateur autonome. Les auteurs ne mentionnent pas de calendrier de transfert vers des essais industriels à plus grande échelle.

Recherche❖Paper

1 source

37

1330arXiv cs.RO 

Interroger avant d'informer : transfert de repères corporels des benchmarks vers un robot de chevet centré sur la question

Des chercheurs ont présenté Nuni, un prototype de robot de chevet destiné à repérer des signes de détresse chez un patient alité, dans un article arXiv (2609.24099) intitulé « Ask Before It Tells ». L'équipe compare deux classifieurs RGB fondés sur l'architecture X3D-UGT, atteignant 97,7% et 94,8% de précision sur le benchmark de reconnaissance d'actions NTU RGB+D (classification à six catégories), à un pipeline hybride centré sur la posture. Testées sur 28 clips scénarisés à un seul acteur, filmés directement depuis la caméra du robot, les trois approches divergent nettement : le pipeline hybride atteint un rappel macro de 0,71, contre 0,25 et 0,29 pour les variantes RGB pourtant bien meilleures sur le benchmark d'origine. Il déclenche une question du robot dans 12 des 16 clips de détresse, contre seulement 2 et 3 sur 16 pour les variantes RGB, tout en sollicitant à tort dans 2 des 8 clips normaux. Un contrôleur conversationnel testé par injection d'événements valide ses 13 transitions d'état : une réponse du patient stoppe l'alerte, deux invites sans réponse déclenchent une alerte, et les trois cas limites testés sont gérés correctement. Ce travail révèle un écart marqué entre performance de benchmark et fiabilité embarquée : des modèles quasi parfaits sur NTU RGB+D perdent près des deux tiers de leur rappel une fois transposés au point de vue d'une caméra de robot. Pour les concepteurs de robots d'assistance en établissement de soins, la leçon dépasse le choix de modèle : plutôt que de fonder la sécurité du patient sur la seule exactitude de la perception, les auteurs transforment le signal de détresse en déclencheur de question et non en alerte automatique, limitant les conséquences des erreurs de perception par la politique d'interaction elle-même. C'est un contre-exemple utile face aux annonces qui présentent souvent un score de benchmark comme gage suffisant de fiabilité opérationnelle. L'écart observé s'explique en grande partie par le choix du benchmark : NTU RGB+D, très utilisé en reconnaissance d'actions, est constitué de vidéos filmées dans des conditions et sous des angles éloignés de ceux d'un robot mobile positionné au chevet d'un lit. Les auteurs présentent Nuni comme une évaluation technique préliminaire et insistent sur ses limites : un seul acteur, des scénarios scriptés, 28 clips seulement, aucune étude utilisateur ni validation médicale, et aucun calendrier de déploiement pilote ni partenaire industriel évoqué à ce stade. La suite logique consisterait à élargir les tests à des patients réels et à des environnements cliniques pour vérifier si la logique « question avant alerte » résiste à la variabilité des situations de détresse réelles.

Recherche❖Paper

1 source

37

1331arXiv cs.RO 

DexTacWAM : un modèle visuo-tactile du monde et de l'action pour la manipulation dextérique

Un article déposé sur arXiv en septembre 2026 (arXiv:2609.24976v1) présente DexTacWAM, un World-Action Model (WAM) visuo-tactile pour la manipulation dextre, qui encode indépendamment chaque bout de doigt et injecte l'information tactile, via un compresseur sensible au doigt et à sa pose, dans un modèle du monde fondé sur la diffusion vidéo. Testé sur six tâches de manipulation à fort contact sur une plateforme bimanuelle à 22 degrés de liberté, DexTacWAM obtient le meilleur score sur toutes, avec une moyenne de 70,6 points contre 38,0 pour le meilleur système de référence, sur une échelle non précisée par les auteurs. Une étude d'ablation montre que retirer la modélisation tactile du monde, tout en gardant les mêmes caractéristiques tactiles et le même module d'action, fait chuter la moyenne sur quatre tâches de 74,7 à 26,6 points. Avec un encodeur vidéo pré-entraîné gelé, quatre heures d'adaptation de l'encodeur tactile et une centaine de démonstrations par tâche suffisent pour une qualité de prédiction visuelle à moins de 0,5 dB du niveau purement visuel, un rappel de contact conservé à 89,4% après compression, un entraînement 2,26 fois plus rapide et une inférence 1,29 fois plus rapide. Ce résultat cible une limite connue des WAM actuels, généralement centrés sur la vision et donc incapables de modéliser directement la dynamique de contact, pourtant déterminante en manipulation fine. L'étude montre que le gain provient surtout du fait de traiter l'évolution du contact comme une composante de l'état du monde prédit, plutôt que d'un simple conditionnement des actions sur des données tactiles. Pour les intégrateurs et les équipes de recherche en robotique dextre, l'intérêt pratique tient à l'efficacité: étendre un grand modèle vidéo déjà entraîné au sens du toucher avec un budget de données et de calcul réduit, sans tout ré-entraîner. Le travail s'inscrit dans la lignée des World-Action Models, qui couplent modélisation vidéo prédictive et génération d'action pour anticiper les effets des mouvements d'un robot, jusqu'ici presque exclusivement visuels. Il s'agit à ce stade d'un article de recherche, sans identification des auteurs ni annonce de partenariat industriel, de plateforme commerciale ou de calendrier de déploiement. La suite logique, non détaillée dans l'article, consisterait à valider l'approche sur davantage de tâches et de plateformes, voire sur des mains dextres commerciales, avant toute intégration dans des systèmes de manipulation opérationnels.

Recherche⚡Actu

1 source

37

1332arXiv cs.RO 

P²Calib : exploiter des a priori de motifs pour la calibration extrinsèque LiDAR-caméra

Une équipe de recherche a publié sur arXiv (article 2609.07516, version 2) une nouvelle méthode de calibration extrinsèque LiDAR-caméra baptisée P²Calib, conçue pour le pipeline dit "à quatre trous" largement utilisé pour aligner géométriquement un capteur LiDAR et une caméra à l'aide d'une cible plane percée de quatre trous circulaires. Le problème identifié est que la précision de cette calibration est aujourd'hui limitée côté LiDAR par l'extraction imprécise du centre des trous, faussée par la faible résolution angulaire du capteur et par des retours de type "mixed-pixel" sur les bords des perçages. P²Calib exploite ce que les auteurs appellent des "pattern priors", des contraintes géométriques directement issues du modèle CAD de la cible : d'abord le rayon connu des trous, utilisé comme contrainte d'ajustement pour stabiliser l'estimation des centres même avec une couverture angulaire éparse, puis la disposition rectangulaire rigide des quatre trous, imposée comme contrainte de cohérence globale pour corriger les erreurs résiduelles entre trous. Les deux contraintes sont intégrées dans un outil interactif couvrant tout le pipeline, de la détection de la cible jusqu'au calcul final de l'extrinsèque. Sur données simulées et réelles, P²Calib réduit le résidu conjoint d'enregistrement de 90% et 82% respectivement, et l'erreur de reprojection sur données non vues de 96% et 77%, par rapport à une méthode de référence. Ce gain de précision compte pour tout intégrateur robotique ou automobile qui dépend d'une fusion capteurs fiable : une calibration extrinsèque imprécise se répercute directement sur la qualité de la détection d'obstacles, du SLAM ou de la perception multimodale, sans qu'aucun matériel supplémentaire ne soit nécessaire pour corriger le défaut, puisque la méthode se contente d'exploiter des informations géométriques déjà connues de la cible utilisée en usine ou en atelier de calibration. Le pipeline à quatre trous reste une référence répandue en robotique et en véhicules autonomes face aux approches sans cible ("target-less") basées sur l'apprentissage profond, plus flexibles mais moins déterministes. Les auteurs annoncent la publication future du code et des jeux de données pour permettre la reproduction des résultats, sans toutefois préciser de date, ce qui place à ce stade P²Calib au rang de contribution académique plutôt que d'outil immédiatement disponible pour la production.

Recherche❖Paper

1 source

37

1333arXiv cs.RO 

ForceRFT : affiner les actions VLA par apprentissage par renforcement résiduel guidé par la force

Des chercheurs publient ForceRFT, un framework de reinforcement learning résiduel guidé par la force pour affiner des politiques vision-language-action (VLA) sensibles au contact, décrit dans un preprint arXiv (2609.22840). Le système combine un modèle prioritaire gelé, basé sur SmolVLA et entraîné par démonstrations, qui génère des blocs d'actions conditionnés par la force, avec un acteur résiduel léger ajustant en temps réel les commandes de pose de l'effecteur terminal à partir du retour de force et de couple mesuré au poignet pendant l'exécution. Les corrections humaines supervisent cet acteur résiduel, tandis que les transitions autonomes vérifiées entraînent des critiques jumelées qui guident des mises à jour additionnelles par valeur, le calcul de différence temporelle étant restreint aux seuls segments autonomes pour éviter toute contamination du signal à travers les interventions humaines. Testé sur robot réel sur trois tâches, insertion de prise électrique, assemblage anneau sur tige et essuyage de tableau blanc, ForceRFT atteint des taux de succès autonomes supérieurs à ceux des politiques entraînées uniquement par démonstration et des références d'imitation résiduelle. L'enjeu dépasse la performance sur trois tâches de laboratoire. Les politiques VLA conditionnées par la force promettent de gérer le contact physique, mais leur capacité de récupération reste bridée par la couverture des démonstrations, et elles n'apprennent jamais directement des résultats de déploiement, un angle mort classique de l'imitation pure. En couplant supervision humaine ciblée et apprentissage par renforcement sur les issues réelles des tentatives autonomes, ForceRFT propose une voie pour réduire l'écart entre démonstration et robustesse en production, un enjeu central pour les intégrateurs déployant des bras robotiques sur des tâches d'assemblage de précision où un échec silencieux coûte cher en reprise. Les résultats indiquent aussi qu'un ajustement résiduel piloté par la valeur capte mieux les corrections qu'une imitation résiduelle classique, et que le retour de force exploité au moment même de l'exécution, plutôt qu'en post-traitement, apporte un gain mesurable, comme le montrent les ablations menées sur la tâche d'insertion. Le travail s'inscrit dans la lignée des politiques VLA légères open source comme SmolVLA, ici utilisée comme prior gelé plutôt que réentraînée, une approche qui limite le coût de calcul en concentrant l'apprentissage par renforcement sur une couche résiduelle plus simple à stabiliser que le réseau complet. Il se positionne explicitement contre les approches d'imitation résiduelle pure, auxquelles les auteurs le comparent pour justifier l'apport du guidage par la valeur. Publié comme preprint de recherche, ForceRFT reste à ce stade une contribution évaluée en laboratoire sur un nombre restreint de tâches de contact, sans indication de partenariat industriel ni de calendrier de déploiement; la suite logique évoquée est l'extension à davantage de tâches et la validation de la généralisation du signal de force au-delà des trois scénarios testés.

IA physique⚡Actu

1 source

37

1334arXiv cs.RO 

Peau électronique multicouche pour la détection de cisaillement

Un article publié sur arXiv (arXiv:2609.22493v1) présente un réseau de capteurs de force résistifs (FSR) empilé sur deux couches pour bouts de doigts robotiques, combinant cartographie de pression haute résolution et estimation du cisaillement. Un espaceur en élastomère à structure en treillis, placé entre les deux couches, convertit la charge de cisaillement en un déplacement mesurable du centre de pression entre les niveaux. Un modèle physique d'équilibre des moments relie ce déplacement inter-couches à la force de cisaillement, complété par un réseau CNN-GRU qui capture les effets non linéaires liés à la compression et à la redistribution du contact. En combinant les deux couches, ce modèle atteint des coefficients de détermination R² de 0,914 pour la composante Fx et 0,944 pour Fy, surpassant systématiquement les capteurs à couche unique. Lors d'essais de manipulation robotique, la couche profonde suit la translation et la rotation imposées par le bras du robot, tandis que la couche superficielle capte le glissement en surface, et l'écart transitoire entre les réponses de pression totale des deux couches donne la meilleure détection des événements de glissement. Ce résultat s'attaque à une limite connue des peaux électroniques actuelles : la plupart des capteurs tactiles, commerciaux ou de laboratoire, mesurent bien la force normale mais peinent à estimer cisaillement et glissement, deux informations pourtant critiques pour une préhension fine et adaptative. En montrant qu'un simple empilement de deux couches FSR, associé à un modèle physique et un réseau de neurones, suffit à obtenir une estimation de force sur trois axes, les auteurs ouvrent une voie de fabrication potentiellement plus simple et moins coûteuse que les architectures capacitives multi-axes ou optiques existantes. Pour les intégrateurs travaillant sur la manipulation dextre, tri, assemblage, préhension d'objets fragiles ou déformables, une détection fiable du glissement en temps réel est un prérequis direct pour ajuster la force de préhension et éviter de laisser tomber ou d'écraser un objet, un problème encore largement non résolu à l'échelle industrielle. Ce travail s'inscrit dans un champ de recherche actif sur les peaux électroniques robotiques, où coexistent plusieurs approches concurrentes : capteurs optiques type GelSight ou DIGIT reconstruisant la déformation de surface par caméra interne, capteurs capacitifs multi-couches, et matrices piézorésistives comme celle étudiée ici, historiquement cantonnées à la force normale. L'apport tient surtout dans l'architecture à deux couches et le couplage entre modèle physique interprétable et apprentissage profond. Publié sous forme de préprint, ce travail reste à ce stade une validation en laboratoire, sur banc d'essai et bras robotique, sans indication de portage vers un produit commercial. Les étapes attendues incluent la miniaturisation du réseau pour des doigts de taille humaine, la validation sur davantage de matériaux et textures de contact, et des tests de robustesse dans la durée avant tout transfert vers des mains robotiques commerciales.

Recherche❖Paper

1 source

37

1335arXiv cs.RO 

HiBerNAC : un collectif hiérarchique d'agents neuronaux robotiques inspiré du cerveau pour la manipulation complexe

Une équipe de recherche a mis en ligne une version révisée (v3) de l'article arXiv:2506.08296, qui présente HiBerNAC, un collectif hiérarchique d'agents neuronaux robotiques inspiré du cerveau, conçu pour la manipulation robotique complexe. L'architecture combine un module de planification et de raisonnement vision-langage-action (VLA) multimodal avec des mécanismes de réflexion neuro-inspirés et une coordination multi-agents décentralisée, censée reproduire certains principes de circuits neuronaux et de prise de décision hiérarchique observés en neurosciences. Sur des tâches de manipulation complexes, comparé à des modèles VLA considérés comme état de l'art, HiBerNAC réduit de 23% le temps moyen de complétion des tâches à long horizon et atteint des taux de réussite non nuls, entre 12 et 31%, sur des tâches à chemins multiples où les modèles VLA de référence échouent systématiquement, c'est-à-dire un taux de réussite de 0%. Ce résultat cible un point de friction connu du secteur des VLA: ces modèles peinent à maintenir une mémoire contextuelle persistante, à coordonner plusieurs sous-tâches sous incertitude et à planifier sur des séquences longues et variables. Passer d'un taux de réussite nul à 12-31% sur des tâches multi-chemins, même si ces chiffres restent modestes en valeur absolue, suggère qu'une architecture multi-agent spécialisée et orchestrée peut débloquer des capacités là où un modèle VLA monolithique bute structurellement. Pour les intégrateurs et équipes de recherche appliquée, c'est un signal en faveur de pipelines modulaires, avec des agents spécialisés dont la stratégie de coordination s'adapte dynamiquement à l'horizon et à la complexité de la tâche, plutôt que de tout miser sur un unique modèle de bout en bout. Le texte reste un travail académique et non une annonce produit: aucun robot, aucune entreprise ni aucun déploiement industriel n'est cité, et les auteurs eux-mêmes qualifient leurs résultats de "preuves indicatives" pour rapprocher cognition biologique et apprentissage robotique, une formulation prudente qui contraste avec le ton souvent promotionnel des annonces humanoïdes commerciales. L'abstract ne détaille pas les modèles VLA précis utilisés comme référence de comparaison, ce qui limite la possibilité de resituer HiBerNAC face à des systèmes commerciaux connus. Le papier s'inscrit dans la vague de recherche récente cherchant à dépasser les limites des VLA de bout en bout par des architectures cognitives hybrides, sans toutefois indiquer de calendrier de tests physiques ou de transfert vers des plateformes robotiques réelles.

Recherche⚡Actu

1 source

37

1336arXiv cs.RO 

Contrôle par contours en style expert : une planification plus rapide que la démonstration, entre expert lent et jeu rapide

Une équipe de recherche en robotique a publié le 22 septembre 2026 sur arXiv (arXiv:2609.22798v1) une méthode baptisée Expert-Play Contouring Control (EPCC), conçue pour exécuter des tâches de manipulation robotique plus vite que les démonstrations utilisées pour les apprendre. Le problème de départ est connu en apprentissage par imitation (IL) : un robot reproduit fidèlement la vitesse de la démonstration humaine, et accélérer artificiellement le mouvement appris échoue souvent car la dynamique entre le robot et l'objet manipulé change à vitesse plus élevée. EPCC combine deux sources de données : des démonstrations expertes lentes, utilisées pour entraîner un générateur de trajectoire latente reformulé en un "contour" de progression de tâche indépendant du temps, et des données de jeu rapide non expert, utilisées pour entraîner un modèle du monde des effets d'actions rapides. Au moment de l'exécution, un planificateur s'appuie sur ce modèle du monde pour choisir les actions qui font progresser le robot le long du contour expert tout en pénalisant les écarts par rapport à la tâche prévue. Sur trois tâches de manipulation visuomotrice testées, EPCC atteint en moyenne un débit deux fois supérieur à la référence IL classique, et 2,2 fois supérieur à la meilleure méthode d'accélération concurrente sur la tâche la plus sensible aux interactions physiques objet-robot. L'intérêt pour l'industrie robotique tient à la séparation proposée entre intention de tâche et couverture dynamique : plutôt que de collecter de nouvelles démonstrations expertes rapides, coûteuses et parfois risquées à réaliser, EPCC extrait la connaissance de vitesse depuis des données de jeu bon marché et non supervisées. Pour les intégrateurs et décideurs B2B en manipulation industrielle, cela ouvre une piste concrète pour réduire les temps de cycle des politiques apprises par imitation sans réentraînement expert coûteux, un goulot d'étranglement classique face aux architectures vision-langage-action visant la généralisation mais rarement optimisées pour la vitesse d'exécution. Le résultat confirme aussi une hypothèse répandue dans le secteur : accélérer une politique apprise sans modéliser la dynamique physique du contact échoue précisément là où cette dynamique compte, ce que confirme la concentration des gains d'EPCC sur les tâches les plus sensibles aux interactions. Le travail se positionne comme une alternative aux approches d'accélération directe de trajectoires apprises, jugées insuffisantes dès que la physique du contact intervient, et à l'apprentissage par renforcement pur, généralement plus coûteux à entraîner. Il ne s'agit pas d'un produit commercialisé ni d'un déploiement industriel réel, mais d'un preprint de recherche évalué sur trois tâches de manipulation en environnement contrôlé, sans robot ni entreprise nommés dans l'abstract. Les auteurs présentent leurs résultats comme un principe généralisable plutôt qu'un système fini, ouvrant la voie à des extensions vers d'autres familles de tâches manipulatoires et à une intégration éventuelle avec des politiques vision-langage-action à plus grande échelle.

Recherche❖Paper

1 source

37

1337arXiv cs.RO 

Étiquetage automatique pour la manipulation mobile bimanuelle

Un pipeline d'étiquetage automatique pour l'entraînement de politiques robotiques à long horizon a été publié le 22 septembre 2026 sous forme de preprint arXiv (2609.24059), sous le titre "Automatic Labelling for Bimanual Mobile Manipulation". La méthode combine deux approches: une analyse déterministe de la trajectoire pour localiser dans le temps les phases d'une tâche, et un raisonnement vision-langage (VL) pour décrire sémantiquement le contenu de chaque phase, séparément pour la base mobile, le bras gauche et le bras droit. Les auteurs l'ont évaluée sur 29 tâches réelles de manipulation mobile bimanuelle exécutées avec des robots Galaxea. En répétant trois fois le raisonnement VL sur les tâches sélectionnées, la sortie reste identique dans 87,4% des cas. Une revue humaine menée par neuf participants sur l'ensemble des 29 tâches montre un taux d'acceptation de 90,5% pour les découpages temporels, 90,7% pour les labels de la base, et 78,7% pour les labels des bras. L'enjeu dépasse la simple curiosité académique: l'entraînement de politiques vision-langage-action (VLA) à long horizon repose sur des annotations de sous-tâches fiables, un travail manuel coûteux qui freine le passage à l'échelle des jeux de données de démonstrations robotiques. En automatisant la localisation temporelle tout en gardant un raisonnement sémantique piloté par un modèle vision-langage, ce pipeline propose une voie pour produire des annotations structurées à moindre coût humain, un prérequis que partagent les efforts actuels autour de modèles comme Pi-0 ou GR00T N2. Le taux d'acceptation plus faible sur les labels des bras (78,7% contre plus de 90% ailleurs) mérite d'être noté par les intégrateurs: décrire correctement un comportement bimanuel asynchrone reste plus difficile qu'annoter les déplacements de la base, une limite que l'article assume sans la minimiser. Le travail s'inscrit dans la course plus large à la constitution de données d'entraînement pour les modèles génériques de manipulation, où le choix de la plateforme Galaxea, fournisseur chinois de robots bimanuels mobiles, illustre sa place croissante comme banc d'essai académique. Publié en preprint sans revue par les pairs, sans code ni jeu de données mentionnés dans le résumé, le document se présente comme une base pour une identification plus fine des sous-tâches et une vérification par états, sans calendrier de suite annoncé.

Recherche❖Paper

1 source

37

1338arXiv cs.RO 

Inspection spatiale active pour une exploration incarnée efficace

Un article publié sur arXiv sous la référence 2609.22385v1 présente ACE, pour « spatial-inspection-guided ACtive Exploration », un nouveau cadre pour l'exploration robotique incarnée. Les auteurs partent d'un constat : la plupart des systèmes actuels guident le comportement de l'agent via une évaluation spatiale grossière et indirecte des indices repérés dans l'environnement, ce qui les empêche de juger correctement si ces indices suffisent ou s'il faut poursuivre l'inspection. Résultat, l'agent arrête sa mission trop tôt ou continue à explorer inutilement, au détriment du taux de réussite et de l'efficacité. ACE combine deux mécanismes : une perception ancrée dans l'évidence (« évidence-grounded perception »), qui associe une localisation fine à une vérification ciblée pour transformer un indice suggestif en preuve visuelle décisive, et un déplacement informé par l'exposition (« exposure-informed movement »), qui priorise les directions prometteuses tout en écartant celles déjà couvertes. Sur une série d'expériences, ACE affiche un taux de réussite de navigation supérieur de 18,0 points de pourcentage et une efficacité d'exploration supérieure de 10,3 points sur des tâches de réponse à des questions incarnées, par rapport aux meilleures méthodes de référence existantes. Ce travail s'attaque à un compromis classique et jusqu'ici mal résolu de l'exploration robotique autonome : arrêter trop tôt une mission de navigation ou de recherche d'objet fait perdre en fiabilité, tandis que continuer par excès de prudence fait perdre en temps de calcul et en efficacité opérationnelle. En montrant qu'une résolution spatiale plus explicite des indices perçus permet de gagner simultanément sur ces deux axes, succès et efficacité, ACE remet en cause l'idée que ces objectifs seraient nécessairement antagonistes. Pour les concepteurs de systèmes de navigation autonome, d'AMR ou d'architectures vision-langage-action appliquées à l'exploration en environnement 3D, l'approche illustre une piste concrète pour réduire le nombre de pas ou de cycles de calcul nécessaires à l'accomplissement d'une tâche, un enjeu direct de coût et de latence pour tout déploiement à l'échelle. Elle s'inscrit dans la tendance plus large à mieux articuler perception fine et politique de mouvement, plutôt qu'à les traiter comme des modules indépendants. ACE se positionne dans le champ de la recherche académique en exploration incarnée, un sous-domaine de l'IA robotique centré sur des benchmarks de navigation et de réponse à des questions dans des environnements 3D simulés, où l'agent doit explorer une scène pour localiser un objet ou répondre à une requête. L'abstract ne précise ni les auteurs, ni leur affiliation, ni les jeux de données ou baselines nommément comparés, se limitant à mentionner des « baselines de l'état de l'art antérieur ». Publié comme nouvel article sous cet identifiant arXiv, ce travail s'ajoute à une littérature déjà dense sur les méthodes de navigation guidées par le langage et la vision, sans qu'aucune feuille de route de déploiement réel, de partenariat industriel ou de suite annoncée ne soit mentionnée à ce stade.

Recherche❖Paper

1 source

37

1339arXiv cs.RO 

GeCCo : une politique généraliste conditionnée par le contact pour la loco-manipulation des robots à pattes

GeCCo, pour Generalist Contact-Conditioned Policy, est une politique de bas niveau entraînée par apprentissage par renforcement profond (DRL) capable de suivre des points de contact arbitraires sur un robot quadrupède, décrite dans un article arXiv (2509.17582v2, version révisée). Plutôt que d'apprendre une politique de bout en bout spécifique à chaque tâche, les auteurs proposent une architecture hiérarchique modulaire où cette unique politique de suivi de contacts sert d'interface entre un planificateur de haut niveau et le contrôle bas niveau du robot. Le système a été testé sur un large éventail de tâches de locomotion et de manipulation avec une seule politique généraliste : différentes allures, franchissement de terrains complexes comme des escaliers et des pentes, traversée de pierres de gué et de poutres étroites jamais vues à l'entraînement, ainsi que des interactions physiques comme appuyer sur un bouton ou pousser un tonneau. L'intérêt principal pour l'industrie robotique tient à la promesse de rompre avec le goulot d'étranglement classique du RL en locomotion quadrupède : la définition et l'ajustement itératifs de fonctions de récompense pour chaque nouvelle application, un processus chronophage qui limite le passage à l'échelle. En stabilisant l'exécution des contacts malgré l'incertitude dynamique et les erreurs de planification, GeCCo permet d'échanger ou de composer des planificateurs (codés à la main, appris ou basés sur de l'optimisation) sans réentraîner la couche de contrôle. Pour des intégrateurs cherchant à combiner locomotion et manipulation sur une même plateforme, cela suggère la possibilité de construire de nouveaux comportements en assemblant un planificateur spécifique à la tâche avec une politique pré-entraînée générique, plutôt qu'en repartant de zéro à chaque fois. L'article se positionne face aux méthodes dominantes de RL end-to-end en locomotion quadrupède, qu'il cherche explicitement à dépasser en généralité et en modularité. Aucune affiliation industrielle ni partenaire commercial n'est mentionné dans le résumé, ce qui situe ce travail comme une contribution de recherche plutôt qu'une annonce produit. Des démonstrations vidéo sont disponibles sur le site du projet, vassil-atn.github.io/gecco.github.io, mais l'article ne précise ni feuille de route de déploiement ni pilote industriel annoncé.

Recherche❖Paper

1 source

37

1340arXiv cs.RO 

SmoLSTM : un modèle vision-langage-action compact à mémoire récurrente persistante

Un modèle vision-langage-action baptisé SmoLSTM vise à résoudre un problème classique des politiques robotiques actuelles : lorsque l'action est prédite uniquement à partir de l'observation courante, une tâche impliquant un objet occulté ou plusieurs objets visuellement identiques devient ambiguë sans historique de l'épisode. La parade habituelle, élargir la fenêtre d'observation, transforme cet horizon en hyperparamètre et fait croître le coût de calcul à chaque pas de temps. L'équipe à l'origine du papier, publié le 22 septembre 2026 sur arXiv (2609.22854), propose à la place de stocker l'épisode dans un état récurrent. SmoLSTM associe un backbone SmolVLM gelé de 256 millions de paramètres à une couche de contrôle LSTM à mémoire matricielle, où jetons d'observation et requêtes d'action circulent dans un unique flux causal jamais réinitialisé sur toute la durée de l'épisode, ce qui rend le stockage de l'état en O(1) quelle que soit la longueur de l'épisode. Une tête d'action par flow-matching prédit à chaque pas des séquences de 10 deltas de pose de l'effecteur et des commandes de préhenseur. Entraînée conjointement sur 7 461 démonstrations couvrant 140 tâches, la politique unique atteint 85,1% de couverture de sous-objectifs et 77,5% de réussite complète sur le benchmark LIBERO-Mem, avec seulement 40 millions de paramètres entraînables, dépassant à la fois la baseline object-centric du benchmark et les approches à mémoire récentes. Cette architecture répond directement à une limite documentée des VLA en environnement industriel: la mémoire d'épisode conditionne la fiabilité en manipulation, notamment quand un capteur perd temporairement la vue d'un objet ou face à des pièces indiscernables sur une ligne. Pour les intégrateurs, l'intérêt tient surtout au ratio performance/coût: la quasi-totalité du réseau reste gelée, seuls 40 millions de paramètres sont ajustés, ce qui limite le coût d'entraînement sans faire exploser le calcul par pas comme le ferait un contexte élargi. Une expérience de contrôle renforce la démonstration: réinitialiser l'état récurrent à chaque pas de contrôle fait chuter le taux de réussite complète à 7,0%, preuve que les gains proviennent bien du contexte transporté entre décisions et non d'un artefact d'entraînement. L'architecture s'inscrit dans la lignée des VLA compacts dérivés de SmolVLM, en réaction aux modèles à fenêtre de contexte élargie qui dominent le paysage actuel, aux côtés d'approches comme Pi-0 ou GR00T N2. Les auteurs comparent leur méthode à la fois à la baseline object-centric propre à LIBERO-Mem et à d'autres approches à mémoire récentes, et valident sa généralité en obtenant aussi 79,6% de réussite moyenne sur le benchmark standard LIBERO, sans mémoire d'occlusion particulière à exploiter. Ces résultats restent toutefois obtenus en simulation, sur des tâches de manipulation de table type LIBERO, et non sur un déploiement robotique réel: il s'agit d'un travail de recherche fraîchement publié, sans annonce de portage matériel ni de calendrier de test physique à ce stade.

Recherche❧Opinion

1 source

37

1341arXiv cs.RO 

Apprentissage de la perception tactile à partir d'une détection mono-point haute fréquence

Un nouveau preprint mis en ligne sur arXiv en septembre 2026 (identifiant 2609.24621) présente SpectRobot, un framework qui convertit des signaux tactiles issus d'un capteur unique en spectrogrammes temps-fréquence compacts, sous forme d'images de taille fixe exploitables par des encodeurs de vision standards. Contrairement aux approches dominantes qui misent sur des réseaux de capteurs tactiles répartis spatialement sur la surface de contact, SpectRobot exploite la richesse dynamique d'une mesure ponctuelle à haute bande passante, avec des fréquences d'échantillonnage allant jusqu'à 100 kHz. Dans l'implémentation testée, les capteurs sont montés à distance de la surface de contact tout en restant couplés mécaniquement à elle, ce qui limite leur exposition directe à l'usure. Les auteurs rapportent trois résultats : un robot parvient à résoudre une tâche de manipulation visuellement occultée en s'appuyant uniquement sur des signaux de vibration ponctuels ; la profondeur de l'historique temporel utilisé influence fortement la performance de la politique apprise, tandis que la bande passante du capteur détermine l'information spectrale disponible ; et la même représentation en spectrogramme fonctionne indifféremment avec des capteurs mesurant l'accélération, la force ou la déformation. L'équipe précise avoir reproduit ces résultats avec du matériel disponible dans le commerce, sans instrumentation de laboratoire spécialisée. Ce travail répond à une limite concrète du secteur : les réseaux de capteurs tactiles denses restent coûteux, fragiles et difficiles à industrialiser sur des mains ou pinces robotiques destinées à un usage prolongé. En montrant qu'un unique point de mesure à haute fréquence, converti en image spectrale exploitable par les architectures de vision déjà utilisées dans les pipelines d'apprentissage de type VLA (vision-language-action), peut remplacer ou compléter la densité spatiale, SpectRobot ouvre une voie potentiellement moins chère et plus robuste pour intégrer le retour de contact dans des systèmes de manipulation appris de bout en bout. Pour les intégrateurs et les équipes R&D en robotique dextre, l'intérêt est double : le capteur, éloigné de la zone de friction, dure plus longtemps en environnement industriel exigeant, et la représentation en spectrogramme s'insère directement dans des pipelines de perception déjà construits pour la vision. Le résultat le plus significatif reste la démonstration qu'une tâche masquée visuellement peut être résolue par le seul canal tactile haute fréquence, ce qui appuie l'idée que la fusion de capteurs, plutôt que la seule vision, sera nécessaire pour la manipulation fine en conditions réelles. La démarche s'inscrit dans une tendance plus large de l'apprentissage robotique, où le tactile est de plus en plus intégré aux pipelines de manipulation, mais où la plupart des capteurs employés jusqu'ici privilégient la densité spatiale au détriment de la bande passante temporelle. SpectRobot prend le contrepied de cette course à la résolution spatiale, une direction que les auteurs présentent comme complémentaire, et non substitutive, aux approches à haute densité de capteurs. Le document reste à ce stade un preprint arXiv fraîchement publié, sans validation industrielle ni partenariat annoncé avec un fabricant de robots ou de mains manipulatrices, et sans calendrier de transfert vers un produit commercial. La suite évoquée par les auteurs consiste à étendre l'approche à davantage de tâches de manipulation dextre et à d'autres modalités de capteurs mediées par l'accélération, la force ou la déformation, afin de rendre le tactile haute fréquence accessible sans recourir à une instrumentation de recherche coûteuse.

Recherche❖Paper

1 source

37

1342arXiv cs.RO 

Exploration des espaces de préhension robotique tenant compte de la connectivité

Des chercheurs publient sur arXiv (arXiv:2609.22983v1, prépublication non encore évaluée par les pairs) une étude sur la structure spatiale des prises robotiques réussies dans l'espace SE(3), c'est-à-dire l'ensemble à six degrés de liberté des positions et orientations possibles d'un préhenseur. Plutôt que de traiter chaque pose de saisie comme un problème binaire isolé (valide ou non), les auteurs s'intéressent à la façon dont les prises réussies s'organisent entre elles au sein de cet espace. En exploitant un jeu de données de saisie à grande échelle, ils montrent que les ensembles de prises valides forment, pour un objet donné, une structure de connectivité hétérogène mais reproductible d'un objet à l'autre. Ils introduisent ensuite une stratégie d'échantillonnage dite « connectivity-aware », qui explore de façon incrémentale l'espace de prise observé en priorisant quatre types de candidats : les ponts potentiels entre composantes déconnectées, les frontières structurelles, les extensions de bordure et la nouveauté géométrique. Dans des expériences de reconstruction contrôlées, cette méthode retrouve la topologie des ensembles de prises réussies nettement plus vite que les deux références standard du domaine, l'échantillonnage aléatoire et le farthest-point sampling. Pour l'industrie de la manipulation robotique, bin-picking, pick-and-place industriel, l'enjeu est la réduction du nombre d'essais physiques ou simulés nécessaires pour cartographier les prises viables d'un nouvel objet, un poste de coût récurrent pour les intégrateurs. Les auteurs testent aussi si la structure de connectivité apprise sous viabilité partiellement masquée accélère la découverte de nouvelles prises, et si l'expérience structurelle acquise sur des objets déjà explorés se transfère à des objets inédits, une piste pertinente pour généraliser sans réentraîner à chaque nouvelle référence produit. Il s'agit toutefois de résultats de recherche en environnement contrôlé, pas d'un système déployé en usine. Ce travail s'inscrit dans la lignée des détecteurs de prise par apprentissage et des planificateurs par échantillonnage, qui évaluent traditionnellement des poses candidates indépendamment les unes des autres sans modéliser leur organisation géométrique collective. En pointant une structure exploitable au-delà de la viabilité individuelle de chaque pose, l'étude ouvre la voie à des méthodes d'exploration sensibles à la géométrie de l'espace d'action, avec des travaux futurs attendus sur le passage à des objets réels et des scènes de manipulation plus complexes.

Recherche❖Paper

1 source

37

1343arXiv cs.RO 

Intégrer des a priori physiques dans l'apprentissage robotique : une synthèse

Un identifiant arXiv daté du 22 septembre 2026 (2609.22319v1) référence une nouvelle revue de littérature consacrée à l'intégration de priors physiques dans l'apprentissage robotique. Le document ne décrit ni produit commercial ni robot déployé sur le terrain : il s'agit d'un travail de synthèse académique qui recense et classe les méthodes existantes selon une taxonomie unifiée en trois catégories, les entrées, données et représentations guidées par la physique, les architectures de modèles encodant directement des contraintes physiques, et les fonctions de perte d'entraînement informées par la physique. Cette classification couvre un spectre très large de modèles, du simple perceptron monocouche jusqu'aux modèles génératifs de fondation les plus récents en robotique, et s'applique à des tâches concrètes comme l'apprentissage de la dynamique des robots, la planification de trajectoires, la prédiction, le contrôle et l'estimation d'état, avec un inventaire des outils logiciels open source associés. L'enjeu que pointe cette revue concerne directement les intégrateurs et décideurs qui misent sur les modèles vision-langage-action (VLA) et les architectures fondation pour piloter des robots humanoïdes ou industriels. Contrairement à la vision par ordinateur ou au traitement du langage, où l'approche purement data-driven a démontré son efficacité à grande échelle, la robotique reste bridée par la rareté des données réelles, la complexité des interactions physiques et l'exigence de fiabilité opérationnelle. Les auteurs soutiennent que les priors physiques ne remplacent pas l'apprentissage par les données mais le complètent, en apportant un biais inductif spécifique à la robotique susceptible d'améliorer la généralisation, l'interprétabilité et l'efficacité d'apprentissage avec moins de données. C'est un signal utile face à l'hypothèse dominante selon laquelle l'accumulation de données suffirait à résoudre le transfert simulation-réel et la robustesse des politiques apprises. Le travail part d'un constat de fragmentation : la littérature sur l'apprentissage robotique informé par la physique s'est développée de façon dispersée, avec une terminologie, des méthodologies et des domaines d'application hétérogènes, rendant difficile toute évaluation d'ensemble du champ. La revue vise à combler ce vide en proposant un cadre de référence commun, tout en identifiant les défis ouverts et des pistes de recherche futures. Aucun calendrier de pilote industriel ni partenariat n'est annoncé à ce stade : il s'agit d'un jalon de recherche destiné à orienter les développements ultérieurs des modèles de fondation robotique plutôt que d'un produit prêt à déployer.

Recherche❖Paper

1 source

37

1344arXiv cs.RO 

NavDreamer : des modèles vidéo comme navigateurs 3D en zero-shot

Des chercheurs présentent NavDreamer, un framework de navigation robotique en 3D publié sur arXiv sous la référence 2602.09765 (version 2, révisée, papier initialement déposé début 2026). Le système utilise des modèles vidéo génératifs comme interface universelle entre des instructions en langage naturel et des trajectoires de navigation, plutôt que de s'appuyer sur les représentations statiques des modèles Vision-Language-Action (VLA) classiques. Pour gérer le caractère aléatoire des prédictions vidéo, les auteurs ajoutent une méthode d'optimisation par échantillonnage : un modèle de langage visuel (VLM) note et sélectionne les trajectoires générées. Un modèle de dynamique inverse convertit ensuite ces plans vidéo en points de passage exécutables par le robot. L'équipe a construit un benchmark maison couvrant cinq tâches, la navigation vers un objet, la navigation de précision, l'ancrage spatial, le contrôle par le langage et le raisonnement de scène, pour tester plusieurs modèles vidéo de base. Les expériences montrent une généralisation à des objets et environnements inédits. Sur le fond, le travail cible un problème central du secteur : la rareté des données de navigation, coûteuses à collecter par téléopération, et l'incapacité des représentations figées à capturer la dynamique temporelle et les lois physiques. En s'appuyant sur des modèles vidéo entraînés à l'échelle d'internet plutôt que sur des démonstrations robotiques dédiées, NavDreamer teste l'hypothèse selon laquelle la vidéo peut servir de modèle du monde généraliste pour la navigation, sans réentraînement spécifique par environnement. Une conclusion issue des études d'ablation nuance toutefois la portée de l'approche : la navigation se prête bien à ce type de planification vidéo parce qu'elle relève surtout de décisions de haut niveau, où aller, quoi éviter, et non de contrôle moteur fin. Rien n'indique que la méthode transfère aussi bien à des tâches de manipulation exigeant une précision articulaire élevée. Les scores de généralisation « zéro-shot » sont par ailleurs mesurés sur un benchmark conçu par les auteurs eux-mêmes, ce qui appelle une lecture prudente avant toute comparaison avec des déploiements industriels réels. Le papier s'inscrit dans la lignée des modèles VLA qui dominent la robotique généraliste depuis plusieurs années, dans la même famille conceptuelle que des systèmes comme Pi-0, GR00T N2 ou Helix, tous confrontés au même goulot d'étranglement : des jeux de démonstrations robotiques restreints et coûteux à produire. NavDreamer s'en distingue en déportant l'apprentissage vers des modèles vidéo génératifs pré-entraînés sur des corpus internet, une piste explorée en parallèle par plusieurs laboratoires de recherche en robotique et en vision par ordinateur. À ce stade, il s'agit d'une contribution académique : aucun déploiement sur robot physique, aucun partenaire industriel ni date de commercialisation n'apparaît dans la publication. Le benchmark introduit par les auteurs est présenté comme un outil de comparaison entre architectures vidéo, ce qui suggère que la prochaine étape sera une course de performance entre modèles de base avant tout passage à la production.

Recherche❖Paper

1 source

37

1345arXiv cs.RO 

AquaWorld : génération de mondes sous-marins structurellement cohérents pour la simulation robotique

Des chercheurs ont présenté AquaWorld, un framework de génération de mondes sous-marins pour la simulation robotique, détaillé dans un article publié sur arXiv (2609.22670v1). L'outil génère terrain 3D, placement d'assets, définition de tâches et champs de courants à partir d'un plan conditionné par le langage, tout en conservant la cohérence structurelle entre ces éléments grâce à une bibliothèque de plus de 10 000 assets compatibles milieu sous-marin et un modèle résiduel supervisé par CFD (mécanique des fluides numérique) qui prédit des champs de flux moyens réutilisables et conditionnés au terrain. Le système prend en charge aussi bien les véhicules sous-marins conventionnels que les robots-poissons bio-inspirés. Sur 24 paires de terrains testées, la randomisation structurée produit une consistance croisée nettement supérieure à une randomisation indépendante des facteurs, et dans une comparaison d'entraînement de politiques à budget égal, elle atteint un taux de succès en validation supérieur de 21%. En conditions physiques réelles, une politique de navigation visuelle entraînée uniquement en simulation réussit 95% des essais en bassin, sans mise à jour de ses modules de perception ou de contrôle. Pour l'industrie robotique sous-marine, ce résultat s'attaque à un goulot d'étranglement connu: contrairement aux robots terrestres ou aériens, les systèmes sous-marins doivent composer avec courants, visibilité dégradée et dynamique fluide complexe, ce qui limitait jusqu'ici la quantité de données synthétiques réellement exploitables pour l'entraînement. En montrant qu'une randomisation tenant compte de la structure du terrain améliore le transfert simulation-réalité jusqu'à un taux de réussite physique de 95% sans recalibrage, AquaWorld apporte une preuve empirique que le fossé sim-to-real, souvent pointé comme un obstacle majeur dans les publications robotiques, peut être réduit pour des tâches de navigation visuelle sous-marine. Pour les intégrateurs de véhicules sous-marins autonomes ou de robots d'inspection, cela ouvre une voie pour réduire coûts et risques des essais en mer en s'appuyant davantage sur l'entraînement simulé, à condition que les pipelines de génération respectent les contraintes physiques du domaine plutôt que de randomiser chaque facteur indépendamment. Ce travail s'inscrit dans une tendance plus large de la robotique où la génération procédurale de mondes à grande échelle est devenue un levier central de l'entraînement de politiques, un domaine longtemps dominé par les environnements terrestres et la manipulation. Le sous-marin restait en retard faute d'outils intégrant simultanément géométrie de terrain, dynamique des fluides et diversité d'assets de façon cohérente. À ce stade, il s'agit d'une contribution de recherche publiée sur arXiv, sans indication de produit commercial, de partenariat industriel ou de déploiement opérationnel annoncé, et les auteurs ne précisent ni affiliation ni feuille de route de diffusion publique du code ou des assets. Les suites attendues pour ce type de travaux passent généralement par l'extension du nombre de tâches et de robots supportés, ainsi que des essais en environnement réel au-delà du bassin contrôlé.

Recherche❖Paper

1 source

37

1346arXiv cs.RO 

Raisonnement cognitif pour l'action de robots proactifs à partir d'observations multimodales centrées sur l'humain

Des chercheurs publient sur arXiv (référence 2609.23486, avec pour type d'annonce "new", donc une première soumission datée de septembre 2026) un article qui formule ProRobo (Proactive Robot Action Reasoning), un nouveau problème de raisonnement cognitif pour robots d'assistance : déterminer quelle action entreprendre à partir d'indices humains et environnementaux multimodaux, sans instruction explicite. Pour l'étudier, l'équipe construit ProAction, un jeu de données réel de 10 000 échantillons combinant observations visuelles, signaux audio et texte, couvrant 12 scénarios de vie quotidienne répartis dans cinq scènes courantes. Les annotations d'action de haut niveau proviennent d'un pipeline en deux étapes associant humains et modèles : une génération de candidats guidée par une théorie de l'évaluation cognitive (appraisal), puis un raffinement humain informé par une théorie de l'esprit affective, qui intègre explicitement l'état de la personne, l'urgence, la faisabilité et le risque potentiel dans chaque annotation. Sur cette base, les auteurs évaluent plusieurs grands modèles de langage multimodaux (MLLM) généralistes et présentent MMC2Act, un modèle de référence entraîné à faire correspondre observations multimodales et actions cognitives de haut niveau, testé sur différents réglages de modalités, une généralisation à des sujets non vus à l'entraînement, un transfert inter-jeux de données et une évaluation humaine. Le résultat central est que les MLLM généralistes peinent à raisonner de façon proactive à partir d'indices multimodaux, tandis qu'un entraînement sur ProAction améliore nettement les performances. Pour l'industrie robotique, ce travail cible un maillon encore peu documenté : la couche de décision en amont de l'action, celle qui doit repérer qu'une personne a besoin d'aide avant même qu'elle ne formule une demande, une capacité clé pour les robots d'assistance domestique ou de service vendus comme "autonomes". L'article souligne aussi l'écart entre les modèles de fondation génériques, entraînés sur des corpus web, et les exigences d'un contexte social et physique réel : sans données annotées selon un cadre affectif et contextuel explicite, ces modèles restent de mauvais juges de l'urgence ou du risque. Pour les intégrateurs et décideurs B2B évaluant des plateformes d'assistance, le papier rappelle que la promesse d'autonomie proactive dépend moins de la puissance brute d'un MLLM que de la qualité et de la structure des données liées au contexte humain, un point souvent minimisé dans les discours commerciaux. Ce travail s'inscrit dans la lignée des efforts récents sur l'assistance robotique proactive, un axe encore marginal comparé aux grands jeux de données orientés instructions explicites ou contrôle bas niveau qui dominent l'apprentissage robotique actuel. Les auteurs positionnent ProAction comme comblant un manque : les ressources existantes couvrent soit d'autres contextes, soit d'autres niveaux d'action, sans traiter la prise de décision multimodale humaine en conditions réelles. Il s'agit à ce stade d'une contribution de recherche en prépublication sur arXiv, sans lien mentionné avec un déploiement robotique physique, un partenaire industriel ou un calendrier de commercialisation : le jeu de données et MMC2Act sont évalués sur des benchmarks de raisonnement, pas sur un robot exécutant physiquement ces actions. La suite logique, non détaillée dans l'article, serait d'intégrer ce raisonnement cognitif en amont dans une pile robotique complète couplée à des modules d'exécution physique, à l'image des approches VLA comme Pi-0 ou GR00T N2 qui traitent la partie aval du problème.

Recherche❖Paper

1 source

37

1347arXiv cs.RO 

TACIT : la supervision par contact tactile guide l'attention spatiale en manipulation dextérique

Une équipe de recherche publie TACIT (Tactile Contact Informs Attention), une méthode qui utilise les contacts tactiles mesurés pendant des démonstrations téléopérées pour superviser l'attention spatiale de politiques visuomotrices de manipulation, sans annotation de points supplémentaire. Décrite dans un article déposé sur arXiv (2609.24507v1), la méthode place des cibles gaussiennes sur les nuages de points de caméra précédant le contact pour entraîner une tête d'attention, dont la sortie agrégée conditionne une politique de diffusion visuotactile ; ces cibles ne servent qu'à l'entraînement, le signal tactile restant une entrée au moment de l'inférence. Sur le banc d'essai principal, avec dix démonstrations par tâche et cinq zones de placement différentes, TACIT atteint 66,7% de réussite sur une tâche de placement de balle et 73,3% sur une tâche d'insertion de goupille, contre respectivement 10,0% et 20,0% pour une fusion visuotactile 3D à entrées équivalentes, et 20,0% et 43,3% pour la politique vision seule DP3. Sur les 30 essais de chaque tâche, TACIT atteint systématiquement la zone d'approche à 150 mm de l'objet en moins de 12 secondes, tous les échecs restants survenant après cette arrivée. Ce résultat cible un problème connu de l'apprentissage par imitation à partir de peu de démonstrations : les politiques entraînées sur un faible nombre d'exemples ont tendance à rejouer des trajectoires figées plutôt qu'à suivre réellement la position changeante des objets. En s'appuyant sur un signal déjà présent dans les données de téléopération plutôt que sur des annotations humaines ou des modèles de vision externes pour définir les priors spatiaux, TACIT réduit le coût de collecte de données pour les intégrateurs travaillant sur des piles de manipulation few-shot. Le fait que les échecs surviennent après l'arrivée sur zone, et non pendant l'approche, indique que la méthode résout spécifiquement le ciblage spatial, pas la saisie ou la manipulation fine elle-même. L'étude s'inscrit dans le champ des politiques de diffusion et de l'apprentissage visuomoteur par imitation, confronté à la généralisation à partir de peu de démonstrations. Les comparaisons incluent DP3, une politique de diffusion 3D vision seule, une fusion visuotactile à entrées équivalentes, et un contrôle à architecture identique sans supervision d'attention explicite, afin d'isoler la contribution propre du signal tactile. Les tests, menés sur robot réel pour la tâche de balle et en simulation pour l'insertion de goupille sur trois graines d'entraînement, restent un travail de recherche académique sans déploiement commercial ni plateforme nommée, les auteurs limitant eux-mêmes leurs conclusions à l'espace de travail évalué.

Recherche❖Paper

1 source

37

1348arXiv cs.RO 

Devenir un ninja des fruits : planification cinodynamique probabiliste en temps réel pour l'interception de projectiles par un bras manipulateur

Des chercheurs présentent FRUITNINJA, un planificateur de trajectoire en temps réel conçu pour intercepter en vol des objets lances vers un bras robotique, sur le principe du jeu vidéo Fruit Ninja. Decrit dans un preprint publie sur arXiv le 22 septembre 2026 (référence 2609.22608), le système construit par lots, sur GPU, un arbre de trajectoires candidates dont chaque branche est une courbe cubique exacte : le temps de parcours de chaque segment est calcule par une recherche parallèle qui vérifie en continu le respect des limites de couple et de vitesse des actionneurs du bras. La cible n'est pas un point fixe mais une "variété d'interception" mouvante, définie par la position, la vitesse et l'orientation que doit avoir la lame au moment du contact, et qui se déplace au rythme de la chute de l'objet. Les trajectoires générées sont ensuite classées selon un critère intégrant l'incertitude sur la position réelle de l'objet et sur le temps d'arrivée du bras. Teste en simulation temps réel calibrée sur un bras Franka Research 3, face a six méthodes concurrentes, FRUITNINJA tranche 96,7% des lancers en espace dégage et 68,3% lorsque cinq obstacles sont ajoutes a la scene, contre respectivement 68,3% et 35,0% pour la meilleure des méthodes de référence. L'intérêt pour le secteur tient moins au geste spectaculaire de découpe qu'a la classe de problème visée : la manipulation dynamique réactive, ou le bras doit réagir en quelques millisecondes a une trajectoire imprévisible, un régime très différent du pick-and-place quasi statique qui domine la robotique industrielle actuelle. Une approche qui tient les contraintes d'actionneurs en temps réel sur GPU pourrait, au delà du tranchage, s'appliquer au tri sur convoyeur d'objets en mouvement rapide ou a la préhension collaborative homme-robot. Le résultat reste toutefois un benchmark en simulation, non une démonstration sur matériel physique : le passage au réel, avec ses erreurs de perception et de calibration, n'est pas encore documente. La manipulation dynamique, jonglage, frappe de balle de ping-pong, capture d'objets lances, est un axe de recherche robotique de longue date, et la planification kinodynamique par échantillonnage (dérivée des familles RRT) une technique établie. L'apport ici est de faire tourner cette recherche d'arbre a l'échelle du GPU pour des décisions en quelques millisecondes. Les auteurs ne précisent pas de calendrier de validation matérielle ni de partenaire industriel ; les prochaines étapes attendues sont des essais sur bras physique et l'extension a des scènes encombrées plus réalistes.

Recherche❖Paper

1 source

37

1349arXiv cs.RO 

AC-DC : communication adaptative pour un consensus moyen dynamique évolutif dans la recherche ergodique multi-robots

Un article publié sur arXiv en septembre 2026 présente AC-DC (Adaptive Communication for Dynamic Average Consensus), un algorithme de consensus moyen dynamique pair-à-pair pour flottes de robots communiquant sous contraintes de portée finie, de débit limité et d'interférences. AC-DC décide simultanément qui communique avec qui, quand, et sur quelle partie de l'état de consensus, en s'appuyant uniquement sur les entrées locales et les informations effectivement reçues des voisins. Chaque robot estime en continu la moyenne courante des entrées locales de toute l'équipe, et les paires de robots mettent à jour leurs estimations sans attendre qu'un tour de communication complet soit bouclé par l'ensemble de la flotte. Appliqué à la recherche ergodique multi-robots à priorités dynamiques, un flux de consensus coordonnant les visites de zones et un second fusionnant les mesures régionales pour mettre à jour les cartes d'incertitude, AC-DC a été testé sur douze configurations allant jusqu'à 80 robots, avec 20 essais appariés par configuration. Il obtient la plus faible aire sous la courbe de la trace de covariance normalisée et le plus faible volume de communication modélisé parmi les méthodes décentralisées comparées, avec une réduction moyenne de 27,5% de cette métrique d'erreur et un trafic réseau divisé par 8,7 par rapport aux meilleures références existantes. Dans un test de passage à l'échelle à 120 robots sur une zone fixe de 600 sur 600 mètres, AC-DC consomme 19,3 Mo de bande passante, contre 19,2 Mo pour une base centralisée idéale où une seule station au sol communique directement avec tous les robots, tout en restant purement pair-à-pair. Ce résultat répond à un problème structurant pour les flottes de robots opérant hors connectivité centralisée stable, en recherche et sauvetage, exploration environnementale ou surveillance de zones étendues: maintenir un consensus distribué fiable sans que le coût de communication n'explose avec le nombre d'agents. En approchant les performances d'une architecture centralisée idéale tout en restant décentralisé, AC-DC supprime le point de défaillance unique et la dépendance à une station sol, un compromis que les méthodes de consensus dynamique existantes ne tenaient pas à cette échelle. Pour les concepteurs de systèmes multi-robots, cela repousse la limite pratique du nombre d'agents coordonnables sous contraintes réelles de bande passante et de portée radio. Ce travail s'inscrit dans le champ du consensus moyen dynamique, utilisé depuis plusieurs années pour la coordination distribuée de robots, et vise à corriger sa limite principale: la croissance du trafic de communication avec la taille de la flotte. Les auteurs comparent AC-DC à plusieurs méthodes décentralisées de l'état de l'art sur des scénarios de recherche ergodique, sans annoncer de transfert vers des plateformes robotiques réelles ni de calendrier de pilote. Il s'agit à ce stade d'une contribution algorithmique validée en simulation, non d'un produit ou d'un déploiement industriel.

Recherche❖Paper

1 source

37

1350arXiv cs.RO 

SAIL : le passage à l'échelle au moment du test pour l'apprentissage par imitation en contexte avec VLM

Des chercheurs présentent SAIL, un framework qui reformule l'apprentissage par imitation en contexte (in-context imitation learning) comme un problème de raffinement itératif capable de tirer parti du calcul disponible au moment de l'inférence, ou "test-time compute". SAIL s'appuie sur une recherche arborescente Monte Carlo (MCTS) où chaque nœud représente une trajectoire complète et chaque arête correspond à un raffinement de cette trajectoire. Le système repose sur trois composants : une archive automatisée des trajectoires réussies pour la récupération contextuelle pertinente, un mécanisme de notation basé sur un modèle vision-langage (VLM) pour évaluer les trajectoires, et un retour au niveau de chaque étape (step-level feedback) qui fournit des scores alignés sur la trajectoire pour guider le raffinement itératif. Testé sur six tâches de manipulation distinctes, en simulation et en conditions réelles, SAIL montre qu'augmenter le calcul au moment du test améliore de manière constante le taux de réussite, atteignant jusqu'à 95 % sur les tâches les plus complexes. Le papier est publié sur arXiv sous une version révisée (arXiv:2603.08269v2, type "replace"). Ce résultat intéresse les équipes qui travaillent sur les modèles vision-langage-action (VLA) et l'apprentissage par imitation en manipulation robotique, un domaine où la génération de trajectoire en un seul essai reste fragile dès que l'environnement s'écarte des démonstrations d'entraînement. En transposant au bras robotique la logique de "test-time scaling" déjà démontrée dans les grands modèles de langage, où davantage de calcul à l'inférence améliore la qualité des réponses, SAIL suggère qu'une partie du problème de généralisation en robotique peut se traiter en allouant plus de calcul par tâche à l'exécution, via recherche, notation et raffinement, plutôt qu'en entraînant des modèles toujours plus gros. Pour les intégrateurs et décideurs B2B, cela pointe vers un compromis latence-fiabilité : accepter un temps de cycle plus long contre un taux de réussite plus élevé sur des tâches complexes, un arbitrage pertinent pour des applications où l'échec d'une manipulation coûte cher. Le travail reste toutefois académique : les 95 % de réussite portent sur six tâches définies en laboratoire, sans indication de temps de cycle ni de surcoût de calcul lié aux itérations MCTS, deux données déterminantes pour toute application industrielle. Cette publication s'inscrit dans un courant de recherche sur l'apprentissage par imitation en contexte, où un robot reproduit une tâche à partir d'un petit nombre de démonstrations sans réentraînement complet du modèle, une approche distincte des politiques VLA entraînées de bout en bout à la manière de Pi-0 ou GR00T N2. L'usage d'un VLM comme juge de qualité de trajectoire rejoint aussi une tendance récente consistant à mobiliser des modèles multimodaux généralistes comme mécanisme d'évaluation plutôt que comme contrôleur direct du robot. Aucun acteur européen n'apparaît dans ces travaux, qui n'annoncent ni partenariat industriel, ni pilote de déploiement, ni calendrier de commercialisation : la "validation monde réel" décrite correspond à des essais de laboratoire, pas à un déploiement en production.

Recherche❖Paper

1 source