Actualités robotique — page 31

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

46

1501Robohub 

Repenser la robotique pour la durabilité

Aude Billard, directrice du Learning Algorithms and Systems Lab à l'École polytechnique fédérale de Lausanne (EPFL) et directrice académique du Robotics Center de l'école, a publié en 2025 un article dans la revue Science pointant la tension entre performance robotique et durabilité. Elle y prend l'exemple d'un robot capable d'installer des panneaux solaires plus vite et plus précisément qu'un humain, mais construit avec des matériaux coûteux et alimenté par une batterie lourde nécessitant une recharge toutes les quelques heures, un bilan qui peut annuler le bénéfice écologique de l'énergie propre produite. Dans la foulée, Mirko Kovač, qui dirige le Laboratory of Sustainability Robotics, un laboratoire conjoint entre l'institut de recherche Empa et l'École d'architecture, de génie civil et environnemental de l'EPFL, a publié avec ses coauteurs un article de couverture dans Nature Machine Intelligence proposant un manifeste pour une nouvelle discipline baptisée Sustainability Robotics, à ne pas confondre avec la « robotique durable » au sens classique. Le texte définit trois principes directeurs pour les systèmes robotiques : minimalement invasifs, universellement accessibles et symbiotiques, c'est-à-dire créant de la valeur pour les populations, les économies et les écosystèmes. Plusieurs laboratoires de l'EPFL illustrent déjà cette approche, comme Envirobot, un robot en forme d'anguille développé depuis 2017 par le Biorobotics Lab d'Auke Ijspeert pour surveiller de façon autonome la qualité de l'eau, ou un robot aquatique conçu par le Laboratory of Intelligent Systems de Dario Floreano à partir de nourriture pour poissons, également destiné au monitoring environnemental. Cette prise de position marque un changement de critère d'évaluation pour l'ensemble du secteur robotique : la performance technique brute (vitesse, précision, autonomie) ne suffit plus à justifier le déploiement d'un système si son coût énergétique, matériel ou son empreinte en fin de vie dépasse le bénéfice apporté. Pour les intégrateurs et décideurs industriels, ce cadre invite à intégrer des critères d'impact environnemental, social et économique dès la conception, plutôt qu'en correctif a posteriori, une logique qui pourrait à terme peser sur les cahiers des charges d'achat public ou industriel dans des secteurs comme l'agriculture de précision, la surveillance de la biodiversité ou la maintenance d'infrastructures critiques (ponts, bâtiments, réseaux électriques). Le manifeste inverse aussi une hypothèse implicite du secteur en présentant les contraintes de durabilité, changement climatique, perte de biodiversité, raréfaction des ressources, non comme des freins à l'innovation robotique mais comme des moteurs de nouvelles pistes d'ingénierie. Le mouvement s'inscrit dans une double tradition de recherche à l'intersection robotique et durabilité, qui distinguait jusqu'ici les robots rendant possible un usage plus sobre des ressources et les robots eux-mêmes plus sobres, via l'efficacité énergétique, la biodégradabilité ou la recyclabilité des matériaux. Le manifeste de Kovač et ses coauteurs cherche à dépasser cette dichotomie en appelant le monde académique, l'industrie et les gouvernements à adopter un cadre d'évaluation commun. L'EPFL, via son Robotics Center et plusieurs laboratoires (Learning Algorithms and Systems Lab, Laboratory of Sustainability Robotics, Biorobotics Lab, Laboratory of Intelligent Systems), positionne ainsi la Suisse comme un pôle de recherche actif sur cette question, aux côtés d'Empa comme partenaire institutionnel. L'article ne mentionne pas de calendrier de déploiement industriel ni de partenariat commercial annoncé ; il s'agit à ce stade d'un positionnement scientifique et programmatique destiné à orienter les priorités de recherche et, potentiellement, les futurs standards d'évaluation des robots dans l'industrie.

Recherche❖Paper

1 source

37

1502Pandaily 

Le modèle incarné Lexiang Aether pilote un livestream de plus d'une heure d'un robot faisant du barbecue en extérieur

Le 16 septembre, dans le district de Minhang à Shanghai, l'entreprise chinoise Lexiang Technology (JoyIn Technology dans ses documents en anglais) a fait tourner deux robots humanoïdes pendant plus d'une heure sur un stand de restauration en plein air, en diffusion continue et non montée. Les robots ont pris les commandes, coordonné la cuisine, dressé les assiettes et géré des changements en temps réel, l'un assurant l'accueil et le service tandis que l'autre s'occupait du grill. Les deux machines tournent sur Aether, modèle "cross-embodiment" d'environ 4 milliards de paramètres, que Lexiang dit avoir entraîné avec environ 200 heures de vidéos humaines et zéro donnée de démonstration réelle sur robot, via une évaluation d'état par énergie, une mémoire en flux et un modèle explicite du corps du robot. Un précédent test sous le nom de code MVP montrait déjà deux robots collaborant pour ranger une pièce. Ce test en extérieur, où éclairage, foule et aléas ne se scriptent pas, vise à répondre au scepticisme du secteur sur l'écart entre démonstration en studio et usage réel. Si l'entraînement quasi sans données robotiques et le partage d'une même politique entre morphologies se confirment à plus grande échelle, cela étaierait l'hypothèse d'un apprentissage par imitation vidéo réduisant la dépendance aux données télé-opérées coûteuses, un enjeu suivi de près par intégrateurs et investisseurs dans la course aux modèles VLA face à Pi-0, GR00T N2 ou Helix. Lexiang n'a toutefois publié aucun rapport technique vérifiable, ni détaillé ses taux de réussite en zero-shot. Lexiang s'inscrit dans la vague de start-up chinoises de robotique humanoïde multipliant les démonstrations publiques pour crédibiliser leurs modèles fondation, face à des concurrents comme Figure (Figure 03), Tesla avec Optimus Gen 3, ou les laboratoires derrière Pi-0 et GR00T N2. Après le clip MVP consacré au rangement domestique, ce test de restauration en extérieur élargit le périmètre revendiqué à un service client dynamique. L'entreprise n'a communiqué ni calendrier de déploiement pilote ni partenaire commercial, laissant la validation indépendante comme prochaine étape attendue par le secteur.

Chine/Asie⚡Actu

1 source

43

1503arXiv cs.RO 

JEPA-WAM : relier instructions visuelles générées aux modèles d'action du monde via les représentations latentes JEPA

Des chercheurs ont publié sur arXiv (2609.20277v1) JEPA-WAM, un système qui améliore les World Action Models (WAM), ces architectures de manipulation robotique combinant modèles génératifs vidéo pré-entraînés et experts d'action. Le constat de départ : les WAM actuels suivent mal les instructions textuelles seules, car les données d'apprentissage associent des trajectoires riches à des annotations linguistiques pauvres et répétitives, ce qui pousse les modèles à reconnaître la tâche par le contexte visuel plutôt que par l'instruction elle-même. JEPA-WAM génère pour chaque instruction une banque d'images de "tâche accomplie" via un générateur texte-image du commerce non ré-entraîné, encodées par un modèle V-JEPA 2.1 figé puis compressées en tokens d'objectif qui conditionnent, par cross-attention, les experts vidéo et action. Sur un benchmark robotique réel couvrant des cas en distribution, des scènes hors distribution et des instructions hors distribution, JEPA-WAM atteint 87,3%, 74,5% et 80,9% de réussite, dépassant Pi-0 et Fast-WAM d'au moins 10, 27,3 et 14,5 points selon les cas. Ce travail cible un point de friction central des modèles vision-langage-action : la capacité à réellement comprendre une instruction plutôt qu'à reconnaître une tâche par des raccourcis visuels appris à l'entraînement, biais fréquent quand les données combinent peu de variété linguistique et beaucoup de répétition. Pour les équipes qui déploient des bras manipulateurs en logistique ou en usine, un robot capable de généraliser à des scènes ou formulations inédites demande moins de reprogrammation et de données spécifiques par tâche. L'écart entre le taux en distribution (87,3%) et les taux hors distribution (74,5% et 80,9%) montre toutefois que la généralisation reste un problème réel, même si JEPA-WAM le réduit nettement face aux références testées. La méthode s'inscrit dans la lignée des WAM, qui augmentent des générateurs vidéo pré-entraînés avec des têtes d'action pour piloter des robots, approche déjà incarnée dans l'écosystème vision-langage-action par des modèles comme Pi-0. JEPA-WAM se positionne explicitement face à Pi-0 et Fast-WAM comme références sur son propre benchmark. Il s'agit à ce stade d'une publication de recherche en preprint sur arXiv, sans nom d'entreprise, de produit commercial ni de déploiement industriel associé : aucun calendrier de mise en œuvre n'est communiqué, et la méthode reste à valider par la communauté et sur des plateformes robotiques plus variées.

IA physique⚡Actu

1 source

42

1504arXiv cs.RO 

Accélérer l'apprentissage de politiques visuelles grâce au contrôle prédictif par échantillonnage

Une équipe de recherche a publié le 20 septembre 2026 sur arXiv (2609.20575) une méthode baptisée Sampling-Guided Policy Search (SGPS), destinée à l'apprentissage de politiques visuelles pour la locomotion et la manipulation de robots. Le système combine un contrôle prédictif par échantillonnage (sampling-based model-prédictive control) avec des gradients de politique de premier ordre (FoPG) issus de simulation différentiable, une technique reconnue pour réduire le coût de calcul mais sujette à converger vers des schémas de contact non désirés entre le robot et son environnement. La politique est d'abord initialisée par clonage de comportement à partir d'actions échantillonnées, puis l'entraînement alterne raffinement par échantillonnage et mises à jour FoPG à court horizon, sous états initiaux perturbés et dynamiques randomisées. Une formulation FoPG découplée exclut le rendu du graphe de calcul, ce qui permet d'apprendre directement à partir d'observations de profondeur (depth) sans passer par un professeur basé sur l'état complet du système. L'entraînement tient sur un seul GPU et couvre locomotion, franchissement d'obstacles, poussée de caisse et portage bimanuel, testés en simulation sur les robots quadrupèdes et humanoïdes Unitree Go2 et G1. La politique distillée a ensuite été transférée en zero-shot sur un Go2 réel, capable de trotter, ramper, franchir des haies et alterner entre ces comportements de façon autonome grâce à sa caméra de profondeur embarquée. Pour l'industrie robotique, ce travail répond à deux contraintes concrètes : le coût prohibitif en GPU et mémoire de l'apprentissage de politiques visuelles, et le fossé persistant entre simulation et réel pour les comportements de contact. En démontrant qu'une politique fondée uniquement sur la profondeur, entraînée sur un seul GPU, transfère sans réentraînement sur un robot physique, l'étude nuance l'idée reçue selon laquelle les politiques vision-langage-action à grande échelle nécessitent systématiquement des infrastructures massives ou un professeur privilégié à état complet. Cela intéresse directement les intégrateurs travaillant sur AMR et quadrupèdes à budget de calcul limité. Ce résultat s'inscrit dans la lignée des travaux combinant simulation différentiable (type Isaac Gym) et contrôle prédictif pour la locomotion de robots à pattes, un axe de recherche actif face aux approches par distillation professeur-élève à partir d'état privilégié. Il s'agit d'un preprint académique sans annonce de déploiement commercial ni de partenaire industriel ; les prochaines étapes attendues concernent l'extension à d'autres plateformes et tâches de manipulation bimanuelle.

Recherche❖Paper

1 source

42

1505arXiv cs.RO 

StarVLA-α : réduire la complexité des systèmes vision-langage-action

Une équipe de recherche présente StarVLA-α, un modèle de référence pour les systèmes Vision-Language-Action (VLA) en robotique, dans une preprint arXiv (2604.11757, version 2) accompagnée d'un code annoncé sur github.com/starVLA/starVLA. Le modèle réduit volontairement la complexité architecturale et applique le même pipeline minimal sur quatre benchmarks standards du secteur : LIBERO, SimplerEnv, RoboTwin et RoboCasa. Sa version généraliste unique dépasse de 20 % le modèle Pi-0.5 (π0.5) sur RoboChallenge, un benchmark public évalué en conditions réelles et non en simulation. Les auteurs ont réévalué plusieurs choix de conception clés : stratégie de modélisation de l'action, pré-entraînement spécifique au robot et ingénierie d'interface. Ce résultat contredit une hypothèse répandue dans la course aux VLA, selon laquelle la performance exige un empilement d'astuces d'ingénierie et des architectures toujours plus complexes. En montrant qu'un backbone VLM (vision-language model) solide combiné à un design minimal suffit à dépasser un modèle reconnu comme Pi-0.5 sur un test en conditions réelles, l'étude remet en question la course à la complexité qui domine le secteur. Pour les intégrateurs et les laboratoires de recherche, l'intérêt est concret : une base simple, reproductible et compétitive réduit le coût d'entrée pour tester de nouvelles idées sans reproduire des pipelines propriétaires. Cela suggère aussi que le goulot d'étranglement des VLA tient moins à l'architecture qu'à la qualité du backbone et des données d'entraînement. Le champ des VLA s'est fragmenté depuis l'arrivée de modèles comme Pi-0 de Physical Intelligence, GR00T N2 de NVIDIA ou Helix de Figure AI, associé au robot Figure 03, chacun avec ses propres choix d'architecture et de données, rendant les comparaisons difficiles. StarVLA-α se positionne en contrepoint académique, en isolant les axes de conception pour permettre une analyse contrôlée plutôt qu'une surenchère d'ingénierie propre à chaque benchmark. Il s'agit d'une contribution de recherche et non d'un produit commercial ou d'un déploiement industriel : le code n'était pas encore public au moment de la publication, seule une adresse GitHub était annoncée. Les auteurs présentent StarVLA-α comme un point de départ pour de futurs travaux sur les VLA, sans partenariat industriel ni calendrier de déploiement annoncé.

Recherche❧Opinion

1 source

41

1506arXiv cs.RO 

Au-delà du retrait du patch : effets adversariaux persistants dans les politiques vision-langage-action

Des chercheurs publient le 19 septembre 2026 sur arXiv (2609.19669) un protocole permettant de mesurer si un robot piloté par un modèle Vision-Language-Action (VLA) se rétablit réellement une fois qu'un patch adversarial visuel a été retiré. Leur méthode retire le patch à des frontières précises de segments d'action et mesure la récupération avec le même budget de pas restant, en comparant contre des contrôles patch aléatoire, déviation équivalente et direction fixe pour isoler l'effet adversarial pur de la simple occlusion ou de l'ampleur de l'erreur. Sur OpenVLA-OFT attaqué par la méthode EDPA, seulement 36,2% des épisodes du benchmark de manipulation LIBERO-Long restent récupérables cinq segments après le retrait du patch, contre 89,9% pour le contrôle à déviation équivalente et 87,0% pour le contrôle à direction fixe. Des effets similaires sont observés sur la variante autorégressive d'OpenVLA. Un adaptateur de récupération, entraîné spécifiquement sur les états induits par l'attaque, fait passer le taux de récupération de 7,7% à 47,4% quand il intervient après un seul segment d'action, mais ce bénéfice s'effondre nettement dès que l'intervention est retardée. Ce résultat pèse sur les hypothèses de sécurité des systèmes VLA à mesure qu'ils se rapprochent du déploiement industriel, sur des bras manipulateurs comme sur des humanoïdes. La plupart des évaluations actuelles supposent implicitement qu'arrêter une attaque suffit à restaurer un comportement normal ; ce papier montre qu'un patch physique retiré peut laisser le robot dans un état corrompu durablement, indépendamment de l'attaque elle-même. Pour les intégrateurs et décideurs qui envisagent des VLA en environnement industriel, la conclusion opérationnelle est que la fenêtre d'intervention après détection d'une attaque devient un paramètre de sécurité critique, et non un simple détail d'ingénierie. Le travail s'appuie sur OpenVLA, modèle open source de référence pour le contrôle de manipulateurs à partir d'images et d'instructions en langage naturel, évalué sur le benchmark LIBERO-Long. Il s'inscrit dans un corpus grandissant de recherches sur la robustesse adversariale des VLA, jusqu'ici concentré sur les attaques continues plutôt que sur la phase de récupération post-attaque. Les auteurs proposent leur protocole à quatre contrôles comme méthode reproductible pour de futurs benchmarks de sécurité incluant explicitement cette phase de récupération.

Recherche⚡Actu

1 source

41

1507arXiv cs.RO 

OmniCalib : auto-étalonnage sans cible, structuré par tâches, pour robots humanoïdes

Un preprint arXiv (2609.19582, mi-septembre 2026) présente OmniCalib, une méthode de calibration sans cible pour robots humanoïdes qui recalibre en un seul workflow les 14 zéros articulaires des deux bras, les extrinsèques des caméras des poignets et du thorax, les jambes et le rig multi-caméra de la tête, à partir des seuls mouvements natifs du robot et de ses capteurs embarqués. Une approche ICP sur nuage de points de profondeur récupère ces 14 zéros et corrige les caméras RGB-D, avec des écarts par rapport au modèle CAD de 10,56 mm et 1,74° au poignet gauche, 6,33 mm et 1,25° au poignet droit, et 9,81 mm et 0,929° pour la caméra du thorax. Sur un humanoïde AGIBOT A3 Ultra, quatre postures statiques suffisent à corriger les 12 décalages articulaires des jambes avec une erreur de 0,063°, et le module de tête, combinant odométrie visuelle multi-caméra et odométrie de marche, atteint une erreur moyenne de 1,061° en marche plane, contre 0,902° pour la méthode de référence iKalibr, qui nécessite une excitation à six degrés de liberté bien plus riche. Pour les intégrateurs industriels, l'enjeu est la dérive continue de calibration en exploitation: assemblage, usure et remplacement de pièces désalignent en permanence capteurs et zéros articulaires fixés par le CAD, ce qui dégradé la précision de manipulation au fil du temps. Les méthodes existantes ne couvrent généralement qu'une paire de capteurs à la fois ou exigent des mires externes de type ArUco, ce qui alourdit la maintenance d'une flotte d'humanoïdes en usine. En approchant la précision d'ArUco tout en restant compétitif avec iKalibr sans cible ni excitation dédiée, OmniCalib pointe vers une auto-calibration purement embarquée susceptible de réduire les temps d'arrêt et le besoin de personnel spécialisé, un frein connu à l'industrialisation des humanoïdes, même si la validation reste limitée à une seule plateforme et publiée sous forme de simple preprint non encore relu par les pairs. Ce travail s'inscrit dans la multiplication des pilotes industriels menés par des acteurs comme Figure AI (Figure 03), Tesla (Optimus), Unitree ou AGIBOT (Zhiyuan Robotics), constructeur chinois de l'A3 Ultra utilisé pour les tests, en forte expansion depuis 2024-2025 aux côtés d'UBTech. La recalibration récurrente reste un point faible connu des humanoïdes face aux bras robotiques industriels fixes, réglés une fois en usine puis rarement retouchés. Les auteurs présentent leur méthode comme complémentaire aux approches par cible plutôt que substitutive, puisque ICP et ArUco affichent des performances comparables sur les zéros articulaires des bras. Aucun partenariat industriel, calendrier de transfert produit ni déploiement en flotte n'est annoncé à ce stade: il s'agit pour l'instant d'une contribution méthodologique académique.

Recherche❖Paper

1 source

40

1508arXiv cs.RO 

Apprentissage d'une locomotion adaptative à la pente pour robots humanoïdes sur chantiers de couverture

Un article publié sur arXiv (référence 2609.20558v1) présente un cadre logiciel permettant à un robot humanoïde Unitree G1 d'exécuter des tâches de couvreur sur toitures en pente : marche en montée, utilisation d'une cloueuse pneumatique, martelage et mouvements de flexion. La méthode capture des démonstrations humaines par un système de suivi de mouvement, les retranscrit sur le robot, puis s'appuie sur un modèle métrique 3D du toit pour ancrer précisément les points de contact des pieds et des mains ainsi que les relations de travail (distance à l'outil, zones de dégagement) à la surface réelle. Une optimisation au niveau de la trajectoire fixe ces contraintes, tandis qu'un apprentissage par renforcement sensible à l'exécution maintient ces relations malgré les erreurs de suivi en conditions dynamiques. Les auteurs évaluent l'approche via une étude de suivi multi-mouvements, une matrice couvrant différentes pentes de toit, une ablation à cinq configurations sur la tâche de cloueuse, des tests croisés sur le martelage et la poussée latérale, ainsi que des comparaisons avec un apprentissage par renforcement pur et une téléopération sans apprentissage préalable. Résultats obtenus : des erreurs de dégagement de travail comprises entre 0,256 et 0,531 cm, un taux de réussite de 3 sur 3 pour chaque tâche testée, et des erreurs moyennes de position du tronc inférieures à 80 mm lors des expériences physiques. L'intérêt de ces travaux tient au problème qu'ils ciblent : les surfaces inclinées et irrégulières du bâtiment restent l'un des terrains les plus difficiles pour les humanoïdes, bien plus exigeants que les sols plats des entrepôts où la plupart des démonstrations commerciales sont tournées. L'étude illustre aussi un écueil classique de l'apprentissage par imitation : retranscrire fidèlement un geste humain capturé ne garantit pas un placement correct des appuis par rapport à l'environnement réel, d'où l'ajout d'un ancrage explicite à un modèle de scène. Pour les intégrateurs et décideurs du BTP, ce résultat reste un signal de recherche amont plutôt qu'une preuve de déploiement : il indique une piste méthodologique crédible pour doter les humanoïdes de compétences de chantier extérieur, sans annoncer de produit ni de pilote commercial. Le travail s'appuie sur le Unitree G1, plateforme humanoïde chinoise largement utilisée par les laboratoires de recherche en robotique incarnée pour son coût réduit face à des concurrents comme Boston Dynamics ou Tesla Optimus. Il s'inscrit dans une vague plus large de recherches combinant apprentissage par imitation et renforcement pour le contrôle corps entier des humanoïdes, dans la lignée conceptuelle de projets industriels comme Helix de Figure AI ou GR00T N2 de NVIDIA, sans toutefois émaner d'un acteur commercial identifié : il s'agit d'une prépublication arXiv non encore validée par relecture par les pairs. Les auteurs présentent leur approche comme une base pour de futures primitives de mouvement humanoïde dédiées au bâtiment, sans calendrier de pilote ni partenariat annoncé à ce stade.

Recherche❖Paper

1 source

40

1509arXiv cs.RO 

Quantifier l'intelligence mécanique des robots à pattes grâce à la théorie de l'information

Des chercheurs proposent un cadre mathématique fondé sur la théorie de l'information pour mesurer ce qu'ils appellent l'intelligence mécanique des robots à pattes, c'est-à-dire la part du contrôle que la structure physique du robot assume à la place du logiciel. L'étude, publiée sur arXiv sous la référence 2609.19588v1, traite la dynamique du corps du robot à la fois comme un processus de calcul et comme un canal de communication, et développe des métriques quantifiant en bits la façon dont l'information circule à travers les modes mécaniques et les coordonnées articulaires. Les auteurs comparent deux approches de conception très répandues dans l'industrie des robots à pattes : les actionneurs série-élastiques, qui intègrent une compliance explicite, et les transmissions proprioceptives à faible rapport de réduction, qui transmettent plus directement les forces au sol. Le cadre est validé sur trois systèmes de complexité croissante : un modèle linéaire simplifié de la transmission d'une jambe, une simulation non linéaire d'une seule patte, puis des quadrupèdes simulés pilotés par une politique de contrôle apprise, confrontés à un terrain accidenté. Pour les ingénieurs et intégrateurs qui conçoivent des robots à pattes, ce travail offre un outil quantitatif là où le choix entre compliance mécanique et contrôle logiciel relevait jusqu'ici largement de l'intuition ou de règles empiriques. En chiffrant combien de "calcul" une transmission élastique ou une jambe à faible réduction retire effectivement à la politique de commande, l'étude permet d'objectiver un arbitrage central dans la conception des actionneurs de robots à pattes et, potentiellement, humanoïdes : jusqu'où déléguer l'intelligence du mouvement au matériel plutôt qu'à l'algorithme. Ce n'est pas une démonstration produit ni une annonce commerciale mais un travail de fond méthodologique, qui s'inscrit dans les débats actuels sur le calcul incarné et sur la part réelle jouée par le corps physique dans des politiques apprises censées gérer l'essentiel du contrôle. Le concept d'intelligence mécanique circule depuis plusieurs années dans la robotique bio-inspirée, la robotique souple et les essaims de robots, mais il est resté jusqu'à présent largement qualitatif, faute de mesure rigoureuse. Cette publication s'attaque directement à ce manque en s'appuyant sur les robots à pattes modernes comme banc d'essai, du fait de la richesse de leur littérature technique sur la compliance et les transmissions. Les auteurs présentent ce travail comme une base pour des études plus larges sur les mécanismes robotiques et leur rôle dans le calcul incarné, sans annoncer à ce stade d'application matérielle, de partenaire industriel ni de calendrier de déploiement.

Recherche❖Paper

1 source

40

1510arXiv cs.RO 

Agents de codage avec harnais conscient des obstacles pour une manipulation robotique sûre

Une étude publiée sur arXiv (2609.20822, 18 septembre 2026) évalue la sécurité des "coding agents", ces systèmes où un modèle de langage écrit directement le code du contrôleur robotique, sans entraînement spécifique au robot. Testés sur des tâches associant un objectif de manipulation à un obstacle interdit de contact, ces agents le heurtent dans la majorité des cas, alors même que leurs traces de raisonnement mentionnent l'obstacle et que le prompt en interdit explicitement le contact: ni la perception ni la consigne ne sont en cause, c'est la planification qui échoue à prioriser la contrainte de sécurité. En décomposant la manipulation en une phase de trajet et un moment de contact, les auteurs identifient deux manques: aucune notion de route dégagée ni de replanification pendant le trajet, aucune prise en compte de la contrainte pendant le geste de contact lui-même. Leur solution, SafeHarness, ajoute une planification de trajet par boîtes englobantes et séquences de points de passage vérifiées avant exécution, plus un choix de position de contact évitant l'obstacle. Résultat: 71,9% de réussite de tâche et 87,5% d'évitement de collision, soit respectivement 6,5 et 27,0 points de plus que le précédent état de l'art, et 2,3 et 1,5 fois les scores du même agent sans ces harnais. Ce résultat nuance l'idée qu'un modèle capable de verbaliser une contrainte de sécurité et de recevoir une consigne explicite s'y conforme automatiquement lors de l'exécution, une hypothèse implicite chez les promoteurs des coding agents comme voie rapide vers des robots généralistes sans données spécifiques. Pour les intégrateurs et décideurs qui envisagent de déployer des agents pilotés par LLM en environnement partagé avec des humains, l'étude montre qu'un bon prompt ne suffit pas: il faut séparer explicitement planification de trajectoire et exécution du contact dans l'architecture. Elle rappelle aussi qu'un taux de réussite de tâche élevé peut masquer un comportement dangereux tant que le taux de collision n'est pas mesuré séparément. Ces travaux s'inscrivent dans la lignée des approches "code as policy", où un LLM génère un programme de contrôle plutôt que d'être entraîné de bout en bout sur des données robotiques, une piste prisée car elle évite la collecte de données propre à chaque robot. SafeHarness se positionne face à un état de l'art antérieur non nommé dans le résumé, qu'il dépasse nettement sur les deux métriques de sécurité et de performance. Publiée le 18 septembre 2026, l'étude reste un travail de recherche évalué sur des tâches de benchmark, sans plateforme robotique commerciale ni déploiement pilote mentionnés, ni calendrier annoncé pour une éventuelle mise en œuvre au-delà du laboratoire.

Recherche❖Paper

1 source

40

1511arXiv cs.RO 

Filtrage de sécurité en temps réel des dangers bipolaires dans le recyclage robotisé des batteries

Des chercheurs publient sur arXiv (référence 2609.19665v1, mise en ligne le 18 septembre 2026) une étude sur le filtrage de sécurité en temps réel pour des politiques de manipulation robotique appliquées au recyclage de batteries. Le problème visé est un risque dit "à deux bornes" : une charge conductrice ne provoque un court-circuit sur une cellule chargée que si elle s'approche simultanément des deux terminaux, contrairement aux zones d'exclusion classiques définies objet par objet. Les auteurs testent des politiques OpenVLA figées (non réentraînées) dans l'environnement de simulation LIBERO, sur trois cellules de travail (workcells) distinctes. Ils décomposent le filtre de sécurité en trois choix de conception : la structure du prédicat (conjonctif, exclusion classique à deux sites, ou composite des deux), sa marge géométrique, et l'action de repli déclenchée quand une commande est rejetée. Quatre stratégies de repli sont comparées : l'arrêt (holding), le retrait (retreat), une recherche échantillonnée, et une projection barrière en action continue. Résultat central : les trois familles de prédicats produisent des compromis sécurité/performance quasi identiques une fois chacune évaluée sur sa propre marge, mais la stratégie de repli a un effet bien plus marqué, l'arrêt réduisant le taux de réussite de la tâche jusqu'à 0,302 par rapport au retrait, sans pour autant réduire le risque résiduel. Pour les intégrateurs et décideurs en robotique industrielle, ce travail renverse une intuition répandue : ce n'est pas la sophistication de la modélisation géométrique du danger qui détermine la sécurité effective d'un système, mais le comportement de repli programmé lorsqu'une action est bloquée. Autrement dit, un filtre de sécurité mal conçu au niveau du "que faire ensuite" peut dégrader lourdement la productivité sans gain de sécurité mesurable, un enseignement directement applicable aux lignes de désassemblage de batteries de véhicules électriques où les architectures VLA (vision-language-action) commencent à être envisagées pour l'automatisation de tâches dangereuses. Il s'agit d'une contribution académique, testée uniquement en simulation via le benchmark LIBERO et le modèle ouvert OpenVLA, sans déploiement industriel ni partenaire commercial identifié, ce qui limite pour l'instant la portée aux résultats simulés. Les auteurs indiquent que l'ordre de performance des stratégies de repli se maintient avec une seconde politique et un second jeu de tâches, et que le filtrage par retrait reste robuste face à des erreurs de mesure des distances, sauf lorsque l'erreur porte de façon corrélée sur la taille estimée de la charge transportée, plus dommageable que des erreurs indépendantes sur la position des terminaux. Aucun calendrier de validation en conditions réelles n'est annoncé.

Recherche❖Paper

1 source

40

1512arXiv cs.RO 

Autonomie partagée affective : dynamique temporelle des émotions et évaluation subjective en téléopération bimanuelle

Un article publié le 19 septembre 2026 sur arXiv (arXiv:2609.19802v1) décrit un système de téléopération robotique bimanuelle qui ajuste l'assistance apportée à l'opérateur en fonction de son état émotionnel estimé en temps réel, à partir de vidéo faciale, de signaux cardiaques et de la cinématique des deux bras. Le système produit une distribution sur sept états affectifs, ramenée à trois catégories opérationnelles neutre, productif ou adverse, et ne déclenche une assistance renforcée que lorsque l'opérateur reste durablement en état adverse, afin de ne pas interrompre un opérateur déjà efficace. Une étude menée auprès de 30 participants montre une hausse allant jusqu'à 39,7% du temps passé en état productif, sans dégradation mesurée du sentiment d'autonomie de l'opérateur. Les auteurs publient également ce qu'ils décrivent comme le premier jeu de données combinant simultanément vidéo, signaux physiologiques et suivi cinématique bimanuel pendant des tâches de téléopération. Leur modèle de fusion multimodale devance deux modèles vision-langage généralistes testés en zero-shot, Qwen et MiniCPM-V, sur le suivi temporel des états affectifs. L'enjeu dépasse le confort de l'opérateur: les paradigmes classiques d'autonomie partagée reposent sur des règles géométriques, comme le franchissement de limites d'erreur spatiale, qui ignorent l'état cognitif réel de la personne aux commandes et peuvent déclencher des interventions robotiques mal calibrées qui aggravent la frustration plutôt qu'elles ne la résorbent. Pour les secteurs qui dépendent fortement d'une téléopération fine, chirurgie robotique, désamiantage ou nucléaire, manipulation spatiale, logistique bimanuelle en entrepôt, un système qui détecte la charge cognitive avant l'échec de la tâche ouvre une piste concrète pour réduire les taux d'échec et l'épuisement des opérateurs. Le résultat touche aussi un point sensible du secteur: l'autonomie partagée est censée aider sans faire perdre à l'opérateur le sentiment de contrôle, et l'étude affirme que l'assistance ciblée n'a pas dégradé cette perception. Il faut toutefois noter que le terme de déploiement en conditions réelles employé dans le résumé recouvre une étude contrôlée à 30 participants, et non un déploiement industriel à grande échelle, ce qui appelle à la prudence sur la portée de ces chiffres. Cette approche se distingue de la trajectoire actuelle des politiques génératives de robotique généraliste de type VLA, telles que Pi-0, GR00T N2 ou Helix, qui visent à retirer progressivement l'humain de la boucle de contrôle; ici, l'humain reste au centre, et le système cherche seulement à mieux doser son assistance, une piste complémentaire pour les tâches où l'autonomie complète reste hors de portée. Elle prolonge des travaux d'informatique affective appliqués à l'interaction homme-robot, en remplaçant des seuils fixes par une estimation continue de l'état de l'opérateur. Les auteurs n'annoncent aucun calendrier de déploiement industriel ni de partenaire commercial; la contribution la plus durable pourrait être la mise à disposition du jeu de données multimodal, qui offre aux équipes de recherche un nouveau matériau pour entraîner des modèles de reconnaissance d'état affectif en contexte de téléopération, un terrain encore peu couvert par les jeux de données existants.

Recherche❖Paper

1 source

40

1513arXiv cs.RO 

Modèles du monde vidéo pour la robotique : applications, défis de recherche et perspectives d'avenir

Une équipe de chercheurs affiliée au laboratoire IRoM de l'université de Princeton publie une revue de littérature sur les "video world models" (modèles de monde vidéo) appliqués à la robotique, mise à jour en version 2 sur arXiv sous l'identifiant 2601.07823. Le papier recense l'état de l'art sur l'usage de générateurs vidéo comme modèles de monde incarnés couvrant cinq usages principaux : la génération de données d'entraînement, l'apprentissage de politiques, la modélisation de la dynamique et des récompenses pour l'apprentissage par renforcement, l'évaluation de politiques et la planification visuelle. Les auteurs soulignent la capacité de ces modèles à produire des simulations de corps déformables photoréalistes et physiquement cohérentes sans les simplifications lourdes des simulateurs physiques classiques, tout en documentant des limites persistantes : mauvais suivi des instructions, hallucinations se traduisant par des violations des lois de la physique, génération de contenu non sûr, et coût de calcul et de données prohibitif. Une bibliographie organisée et ouverte à la communauté est mise à disposition sur GitHub, à l'adresse irom-princeton/awesome-robotics-vidéo-world-model-papers. Pour l'industrie robotique, ce travail synthétise un argument structurant : les modèles vidéo pourraient remplacer, ou compléter, les simulateurs physiques traditionnels comme brique de génération de données synthétiques et d'évaluation de politiques, réduisant la dépendance coûteuse à la collecte de données réelles ou au réglage fin d'environnements simulés, un enjeu direct pour l'entraînement des modèles vision-langage-action (VLA) dont le goulot d'étranglement reste la quantité et la diversité des démonstrations disponibles. Mais la revue tempère l'enthousiasme ambiant autour des "foundation world models" : les hallucinations physiques documentées par les auteurs montrent que ces générateurs, aussi impressionnants visuellement, ne garantissent pas encore la cohérence physique nécessaire à un usage fiable dans des boucles d'entraînement ou d'évaluation critiques pour la sécurité. Pour les intégrateurs et décideurs B2B, le message est de traiter ces outils comme prometteurs mais encore expérimentaux plutôt que comme des remplaçants prêts à l'emploi des pipelines de simulation existants. Cette synthèse s'inscrit dans la vague de recherche déclenchée par les progrès des modèles de diffusion et de génération vidéo appliqués hors du divertissement, où plusieurs laboratoires explorent, dans le sillage de l'essor des modèles vision-langage-action, leur usage comme substituts ou compléments aux moteurs physiques classiques pour la robotique. En consolidant la littérature existante sous forme de taxonomie des usages et de liste structurée de défis ouverts, les auteurs visent moins à annoncer un produit qu'à orienter les efforts de recherche à venir vers des solutions plus fiables pour les déploiements en environnements critiques pour la sécurité. Le projet reste académique, sans produit commercial ni partenariat industriel annoncé, mais la base bibliographique collaborative hébergée sur GitHub, ouverte aux contributions, indique que le sujet est appelé à structurer les prochains travaux sur les modèles de fondation en robotique.

Recherche❖Paper

1 source

40

1514arXiv cs.RO 

ULOHA : un système robotique bimanuel sous-marin pour l'apprentissage robotique

Une équipe de recherche présente ULOHA, une plateforme robotique bimanuelle sous-marine dédiée à l'apprentissage de politiques par imitation, décrite dans un article publié sur arXiv (référence 2609.19200, septembre 2026). Le système associe du matériel maison en configuration leader-suiveur pour la téléopération à des extensions logicielles du framework open source LeRobot, couvrant toute la chaîne : téléopération, capture vidéo multi-angles, collecte de démonstrations, entraînement de politiques et déploiement autonome. Les expériences sur robot réel montrent des comportements bimanuels coordonnés sous l'eau, dont le transfert d'objet entre les deux bras, la manipulation partagée d'un même objet et l'interception d'objets mis en mouvement par la flottabilité. Trois méthodes d'apprentissage ont été testées sur la plateforme : ACT, Diffusion Policy et le modèle vision-langage-action SmolVLA. Une étude complémentaire à un seul bras a par ailleurs examiné le transfert de politiques entre l'air et l'eau, montrant que des démonstrations mélangeant les deux milieux permettent l'exécution dans les deux, dans les conditions testées. Pour le secteur, ULOHA comble un angle mort : la quasi-totalité des travaux sur l'apprentissage visuomoteur par imitation et sur les modèles VLA a été développée et validée en air, pour la manipulation domestique comme industrielle, alors que la robotique bimanuelle sous-marine restait peu étudiée. Le papier documente les perturbations propres au milieu aquatique, comme les bulles, les mouvements d'objets induits par la flottabilité, les horizons d'exécution d'action et le chunking temps réel, qui dégradent les politiques conçues pour l'air. C'est un test de robustesse notable pour des architectures qui, jusqu'ici, avaient surtout prouvé leur généralisation en environnement sec et contrôlé. Pour les intégrateurs concernés par l'inspection sous-marine, la maintenance offshore, l'aquaculture ou la robotique marine scientifique, cela suggère qu'un apprentissage par démonstration déjà mature en air pourrait être transposé sous l'eau moyennant des adaptations ciblées, plutôt qu'un retour au contrôle classique. ULOHA s'appuie sur LeRobot, le framework open source de robotique publié par Hugging Face, que les auteurs étendent à un scénario bimanuel immergé non couvert nativement. Le projet se présente comme un outil expérimental partagé avec la communauté de recherche plutôt que comme un produit commercial : l'article ne mentionne ni volume de déploiement, ni prix, ni partenaire industriel. Le matériel, le code et les données de démonstration sont annoncés comme disponibles via une page dédiée, ce qui laisse présager une adoption par d'autres laboratoires travaillant sur la manipulation sous-marine ou le transfert de politiques entre domaines physiques distincts. Les suites logiques, non détaillées dans l'article, porteraient vraisemblablement sur l'élargissement du jeu de démonstrations et le passage à des tâches plus complexes.

Recherche❖Paper

1 source

40

1515arXiv cs.RO 

Agile-WAM : un modèle d'action-monde tactile agile pour le contrôle robotique en contact riche

Des chercheurs ont présenté Agile-WAM, un "world action model" (WAM) tactile pour le contrôle robotique en manipulation à contact riche, détaillé dans un preprint arXiv (2609.20761) et sur une page de projet dédiée portant le nom de code TARO. Le modèle encode vision et tactile dans un espace latent partagé, exploité par un processus de flow-matching direct vision-tactile-vers-action qui génère à la fois des séquences d'actions et les latents visuels/tactiles futurs. Sa particularité est une prédiction multimodale à horizons multiples : supervision visuelle à décalage temporel large, les images voisines étant peu différentes, mais prédiction tactile image par image pour capter les changements brusques au moment du contact. Testé sur neuf tâches simulées et cinq tâches réelles de manipulation, Agile-WAM obtient un gain relatif de 29,4% en taux de succès sur les cinq essais réels, pour une latence d'inférence de 11,9 millisecondes. Ce résultat répond à une limite concrète des WAM tactiles existants, qui s'appuient souvent sur de lourds backbones génératifs pré-entraînés au détriment de la latence et du déploiement temps réel. En affichant une inférence à un chiffre de millisecondes tout en dépassant sa meilleure baseline, Agile-WAM suggère qu'un contrôle précis et à haute fréquence, nécessaire dès que le contact évolue plus vite que l'image, ne requiert pas forcément les architectures massives des VLA généralistes type Pi-0 ou GR00T N2. Pour les équipes de recherche et les intégrateurs travaillant sur l'insertion de pièces, l'assemblage ou la préhension fine, l'apport principal est méthodologique : traiter vision et tactile à des échelles temporelles distinctes améliore à la fois précision et efficacité, plutôt qu'une simple fusion multimodale. Le travail s'inscrit dans la lignée des world models robotiques, qui étendent les politiques visuomotrices classiques en apprenant conjointement la dynamique du monde et l'action à produire, une piste déjà suivie par des VLA comme Pi-0 (Physical Intelligence) ou GR00T N2 (NVIDIA), rarement avec un signal tactile aussi fin. Les auteurs positionnent Agile-WAM contre des WAM tactiles antérieurs jugés trop coûteux en calcul, sans les nommer précisément dans le résumé. Il s'agit à ce stade d'un preprint de recherche non encore revu par les pairs, appuyé par des démonstrations en simulation et cinq essais réels, sans partenaire industriel ni calendrier de déploiement annoncé.

IA physique❧Opinion

1 source

40

1516arXiv cs.RO 

Préhension par interconnexion : des mouvements de fermeture robustes à partir de gabarits d'objets grossiers

Des chercheurs ont détaillé, dans un article publié sur arXiv (2609.19228, septembre 2026), un planificateur de mouvement permettant à une main robotique dextre de saisir des objets sans modèle 3D précis de leur forme, taille ou position. Le système combine quatre principes : un gabarit grossier de l'objet, des types de préhension calqués sur la main humaine, une logique centrée sur l'objet, et des contacts glissants et compliants plutôt que des points de contact fixés à l'avance. Implémenté via un contrôle par modèle virtuel, il a été testé sur une main Shadow Dexterous Hand. Sans aucun retour sensoriel, les mouvements de fermeture ont toléré des erreurs de taille d'environ 1 cm et des erreurs de position de plusieurs centimètres et de dizaines de degrés, une marge plus large qu'un planificateur concurrent piloté par apprentissage sur données dans 25 des 27 conditions testées. Le système a saisi 82,5% d'un panel de 80 objets du quotidien et a fonctionné correctement dans un pipeline entièrement autonome. Ce résultat contredit une hypothèse répandue en robotique de préhension, selon laquelle la fiabilité d'une saisie dépend nécessairement d'une perception précise de l'objet ou d'une correction active pendant le mouvement. En montrant qu'une tolérance aux erreurs peut être intégrée directement dans la trajectoire de fermeture, sans capteur supplémentaire ni recalcul en temps réel, l'étude ouvre une voie potentiellement moins coûteuse pour les intégrateurs confrontés à des objets mal identifiés ou mal positionnés, un scénario courant en logistique, tri ou manipulation en environnement non structuré, susceptible de réduire la dépendance à des systèmes de vision 3D ou à des modèles CAO complets. Les planificateurs de préhension classiques exigent des modèles d'objets fidèles ou des boucles de correction par retour sensoriel, sans que l'on sache clairement jusqu'où une simple trajectoire de fermeture peut absorber seule ces incertitudes ; c'est cette question que l'étude tranche, en comparant explicitement son approche à un planificateur de référence entraîné sur données. Les auteurs indiquent vouloir poursuivre ces travaux en associant leur planificateur à un contrôle par retour adaptatif sur la main physique, afin de combiner robustesse intrinsèque du mouvement et correction active, une étape vers une manipulation fiable en environnement incertain.

Recherche❖Paper

1 source

40

1517arXiv cs.RO 

FunArt : décoder la structure fonctionnelle et l'articulation à partir de latents 3D génératifs

Des chercheurs ont publié en septembre 2026 sur arXiv (2609.20673v1) un framework baptisé FunArt, conçu pour permettre à des robots d'identifier des objets articulés (portes, tiroirs, couvercles) à partir d'une seule prise de vue RGB-D statique, sans interaction physique préalable. Le système reconstruit la géométrie des objets observés, la convertit dans la représentation O-Voxel du modèle génératif 3D TRELLIS.2, et exploite le VAE figé à compression parcimonieuse de ce dernier comme a priori structurel. Un décodeur léger à base de requêtes combine ensuite des latents compacts au niveau de l'objet avec des caractéristiques denses alignées sur la surface, pour segmenter conjointement les parties mobiles et les éléments fonctionnels interactifs (poignées, boutons) tout en estimant le type de mouvement, l'axe, l'origine et l'amplitude de rotation ou translation. Évalué sur le jeu de données Articulate3D, FunArt établit un nouvel état de l'art sur trois tâches (segmentation des parties mobiles, estimation de l'articulation, segmentation des éléments fonctionnels), avec ou sans connaissance préalable de l'objet. En configuration de bout en bout, les gains rapportés atteignent 1,5 point d'AP50 sur les parties mobiles, 2,8 points sous contrainte conjointe d'origine et d'axe, et 6,7 points sur les éléments fonctionnels par rapport aux meilleures méthodes concurrentes. Cette approche cible une limite persistante de la perception robotique: la plupart des représentations de scènes articulées actuelles infèrent la cinématique à partir d'interactions observées, le robot devant pousser, tirer ou ouvrir un objet pour en apprendre le fonctionnement, tandis que les méthodes travaillant sur des scans statiques dissocient généralement l'articulation des éléments fonctionnels qui permettent de la déclencher. FunArt montre qu'un modèle génératif 3D pré-entraîné pour la synthèse d'objets encode déjà des indices structurels exploitables pour déduire, à partir d'un seul scan, comment un objet peut être manipulé et par où le saisir. Pour les équipes de perception et de planification robotique, cela ouvre la voie à une initialisation de la compréhension de la scène avant tout contact physique, réduisant potentiellement les essais-erreurs lors de la manipulation d'objets inconnus dans des environnements humains, et alimente le débat sur la réutilisation de latents génératifs 3D comme briques de perception plutôt que sur l'entraînement d'encodeurs dédiés pour chaque tâche. FunArt s'appuie sur TRELLIS.2, modèle génératif 3D existant dont le VAE sert ici de squelette structurel figé, une stratégie qui s'inscrit dans une tendance plus large à recycler des modèles génératifs entraînés sur de vastes corpus 3D comme briques de perception plutôt qu'à concevoir des architectures dédiées from scratch. Le benchmark Articulate3D, utilisé pour l'évaluation, sert de référence standard dans la communauté vision 3D et robotique pour comparer segmentation et estimation d'articulation via la métrique AP50. L'article ne mentionne ni partenariat industriel, ni déploiement sur robot physique, ni acteur européen comme Wandercraft, Exotec, Pollen Robotics ou Enchanted Tools: il s'agit à ce stade d'une contribution de recherche en vision par ordinateur publiée en preprint, dont l'intégration dans une pile de perception robotique complète, avec planification de mouvement et exécution, reste une étape à venir.

Recherche❖Paper

1 source

40

1518arXiv cs.RO 

INSPECT : apprendre à un robot à choisir son point de vue grâce à l'usage d'un assistant

Un article publié le 18 septembre 2026 sur arXiv (2609.20615) présente INSPECT, une méthode qui apprend à un robot à choisir ses points de vue d'inspection à partir d'enregistrements d'un assistant porté sur des lunettes connectées, utilisé par des opérateurs humains pour vérifier la présence de pièces et la bonne installation d'un assemblage. Le système combine trois mécanismes: PI-TwinSwap (Presence-Invariant TwinSwap), qui calibre l'évidence visuelle des objets via des interventions d'identité appariées; une supervision indexée sur les confirmations vocales de l'opérateur, qui distingue ce qui relève d'une vraie preuve de ce qui n'est qu'un changement de cadrage caméra; et un calibrage centré sur l'objet qui adapte les préférences de vue relative à la pose du robot, complété par un filtrage au niveau des clauses. Le robot sélectionne sa prochaine vue uniquement à partir de son observation courante et des poses connues, sans comparer d'images candidates. Sur des assemblages physiques de boîtes de vitesses, INSPECT obtient la meilleure utilité de vue parmi les politiques non-oracle testées et fait passer le taux de vérifiabilité complète, jugé par des évaluateurs humains, de 34,8% à 41,7% par rapport à un robot qui conserverait sa vue actuelle. Transféré sans réentraînement à des enregistrements commerciaux de meuleuses d'angle du jeu de données IMPACT, avec une tête de perception gelée, le sélecteur de vue relative fait passer le taux de décision correcte de 50,6% à 54,3%. Le code source est publié sur GitHub (Kratos-Wen/INSPECT). L'intérêt pour les intégrateurs et les équipes de contrôle qualité industriel tient moins au produit, il s'agit d'un travail de recherche académique et non d'un système commercialisé, qu'à la méthode d'apprentissage: entraîner une politique de sélection de vue sans étiquettes de vue coûteuses dans le domaine cible, en réutilisant les traces d'usage d'un assistant d'assemblage déjà déployé. C'est un signal utile dans le débat sur le passage à l'échelle des politiques de perception robotique, mais les gains rapportés restent modestes, autour de sept points de pourcentage dans les deux évaluations, ce qui laisse un taux d'erreur encore substantiel et invite à la prudence avant toute extrapolation à d'autres tâches d'inspection. Le travail s'inscrit dans la lignée des recherches qui exploitent des interactions égocentriques homme-machine, ici les vidéos et confirmations vocales issues d'un assistant à lunettes intelligentes, comme signal d'apprentissage supervisé indirect plutôt que comme simples journaux d'usage. Aucun acteur français ou européen du secteur robotique n'est mentionné dans cette publication. Les auteurs comparent leur approche à des politiques oracle et non-oracle existantes et valident sa capacité de transfert entre deux domaines très différents, l'assemblage mécanique de précision et la maintenance d'outillage industriel, ce qui constitue le principal argument de généralisation avancé. Aucun pilote industriel ni calendrier de déploiement n'est annoncé; la contribution reste, à ce stade, une preuve de concept méthodologique accompagnée d'un code source ouvert.

Recherche❖Paper

1 source

40

1519arXiv cs.RO 

DexTouch-WM : des modèles du monde tactiles conditionnés par l'action, appris du toucher humain pour la manipulation dextérique

DexTouch-WM, publié en preprint sur arXiv (2609.20649v1), est un modèle du monde conditionné par l'action qui prédit conjointement les images RGB futures et la dynamique tactile bilatérale pour la manipulation dextre robotique. Il s'appuie sur des réseaux de capteurs piézorésistifs flexibles montés selon un schéma identique sur des mains humaines et robotiques, rendant leurs signaux tactiles directement comparables. Le mouvement humain est retranscrit dans l'espace d'action du robot, permettant à des démonstrations tactiles humaines de superviser le même modèle de dynamique que celui utilisé sur robot réel. L'architecture associe un vidéo expert pré-entraîné à un tactile expert léger via des tokens tenant compte de l'anatomie de la main. Les auteurs fixent cinq heures de données robot réel et font varier les données tactiles humaines de zéro à cent heures. Les tâches humaines et robotiques utilisées à l'entraînement étant disjointes, l'amélioration observée sur les prédictions visuelles, géométriques et de contact en domaine robot suggère un transfert réel des dynamiques de contact entre les deux embodiments. Cela vise le principal goulot d'étranglement de la manipulation dextre en contact riche: la collecte de données tactiles reste lente, coûteuse et liée à un capteur et un robot spécifiques. En montrant qu'une supervision tactile humaine, bien plus facile à collecter en volume, complète un budget de données robot limité, les auteurs proposent un axe de données alternatif à la téléopération ou à la simulation pure, utile pour entraîner des politiques de manipulation à plus grande échelle. Ce travail prolonge les modèles du monde vidéo déjà employés en robotique comme substituts de simulation, en y ajoutant une dynamique tactile bilatérale explicite, un axe encore peu exploité face à la vision et au langage dans la manipulation dextre. Il se positionne face aux approches misant uniquement sur la téléopération robot ou la simulation physique pour générer des données de contact. Publié comme preprint arXiv sans annonce de déploiement, de partenariat industriel ou de calendrier commercial, il reste une contribution de recherche: les auteurs présentent l'évaluation en environnement de substitution et la génération de trajectoires synthétiques pour l'apprentissage de politiques comme des pistes ouvertes plutôt que comme un système prêt à l'emploi.

Recherche❖Paper

1 source

40

1520arXiv cs.RO 

Votre robot a appris sur un mensonge » : attaques par empoisonnement du maillage de collision en manipulation robotique

Une équipe de recherche publie sur arXiv (arXiv:2609.18122, catégorie croisée, septembre 2026) un article intitulé "Your Robot Was Trained on a Lie", qui met au jour une nouvelle faille dans les pipelines d'entraînement des robots manipulateurs fondés sur l'apprentissage automatique. Les auteurs décrivent le Collision Mesh Poisoning (CMP), présenté comme la première attaque par empoisonnement visant la chaîne d'approvisionnement des assets 3D utilisés pour entraîner et évaluer des politiques de manipulation en simulation. Le mécanisme exploite un écart légitime et répandu entre deux géométries distinctes que contient tout asset 3D dans un simulateur robotique : le maillage visuel (visual mesh), utilisé pour le rendu graphique, et le maillage de collision (collision mesh), une approximation volontairement grossière destinée à alléger le calcul physique. Les chercheurs baptisent cet écart le Visual-Collision Gap (V-C Gap). Dans l'attaque, seul le maillage de collision est altéré ; le maillage visuel et le reste de l'asset restent intacts, donc indétectables à l'inspection visuelle. Une politique entraînée et évaluée avec un asset ainsi corrompu se comporte normalement tout au long des tests en simulation, mais se dégrade, échoue ou crée des risques physiques une fois déployée dans le monde réel. Cette découverte importe car l'industrie s'appuie de plus en plus sur la simulation, notamment pour entraîner des politiques de manipulation de type vision-langage-action, avant tout déploiement réel, sur l'hypothèse implicite qu'une validation réussie en simulation garantit un comportement sûr sur du matériel physique. Le CMP contredit directement cette hypothèse et révèle un angle mort dans les pratiques actuelles de revue des assets 3D, qui contrôlent les malwares, les droits d'auteur et la conformité de format, mais jamais la cohérence entre maillage visuel et maillage de collision. Des assets ainsi piégés peuvent donc circuler via des canaux d'approvisionnement parfaitement légitimes, ce qui en fait un risque de sécurité pour tout intégrateur ou laboratoire réutilisant des bibliothèques d'assets tierces. Cette étude s'inscrit dans une littérature émergente sur la sécurité adversariale des pipelines d'IA robotique, en écho aux travaux sur l'empoisonnement de données d'entraînement pour les grands modèles de langage et de vision, mais appliquée pour la première fois à la chaîne d'approvisionnement des assets 3D en manipulation robotique. Les auteurs testent plusieurs défenses existantes contre le CMP et montrent qu'aucune n'est suffisante, ce qui souligne selon eux la nécessité de concevoir de nouveaux mécanismes de détection spécifiques à cette classe de menace. Le papier ne mentionne ni déploiement réel ni acteur industriel concerné : il s'agit à ce stade d'une démonstration de vulnérabilité au niveau recherche, sans produit ni pilote annoncé.

Recherche❖Paper

1 source

39

1521arXiv cs.RO 

De la collecte de dialogues humain-robot en magicien d'Oz à une taxonomie des décisions de réponse robotique : analyse rétrospective d'interactions avec un pilote d'assistance

Des chercheurs ont publié le 18 septembre 2026 sur arXiv (référence 2609.19447v1) une analyse rétrospective d'une étude pilote menée selon le protocole du Magicien d'Oz, où un opérateur humain simule les réponses d'un robot avant qu'un système autonome ne le fasse réellement. Cinq participants ont réalisé des tâches domestiques courantes (ouvrir une porte, ouvrir un tiroir, s'alimenter, boire, nettoyer) à l'aide d'un manipulateur mobile monté sur un fauteuil roulant, l'opérateur répondant sans politique de communication formelle prédéfinie. À partir de 40 épisodes de dialogue collectés, les auteurs ont construit une taxonomie hiérarchique de six modes de réponse du robot (répondre, signaler une tâche accomplie, refuser, confirmer, demander une clarification, agir) et quatre types d'ambiguïté (intention, référence, position spatiale, intelligibilité de l'énoncé). Deux annotateurs humains et un annotateur automatique basé sur un modèle d'IA ont appliqué cette grille: les taux d'étiquetage jugés propres atteignent 91% et 89%, avec un coefficient kappa de Cohen compris entre 0,72 et 0,95 selon le niveau considéré, pour les comparaisons humain-humain comme humain-IA. Un modèle vision-langage LLaVA-1.6-7B a ensuite été affiné sur les étiquettes issues de cette taxonomie pour les catégories agir et clarifier. Ce travail cible un angle mort connu du secteur: les robots suivant des instructions en langage naturel doivent gérer des consignes humaines incomplètes (objet hors champ, destination non précisée, but implicite), alors que les jeux de données existants contiennent peu de dialogues réels situés et offrent peu de critères ancrés dans la pratique pour décider quand un robot doit agir, confirmer, clarifier ou refuser. Pour la robotique assistive et pour les équipes qui entraînent des modèles vision-langage-action, cette taxonomie fournit un cadre d'annotation reproductible plutôt qu'une preuve de concept isolée: elle rend mesurable la cohérence des décisions de dialogue, un maillon souvent négligé derrière les démonstrations de manipulation pure. Le fait qu'un modèle comme LLaVA-1.6-7B puisse être entraîné sur ces étiquettes ouvre une voie concrète vers une gestion plus systématique de l'ambiguïté, mais il s'agit d'une étude pilote à échelle réduite (cinq participants, 40 épisodes), non d'un système déployé. La démarche part d'un constat de terrain: l'étude Magicien d'Oz initiale, menée sans politique de communication formelle pour préserver un comportement utilisateur authentique, a produit des décisions robot incohérentes d'un épisode à l'autre, ce qui a motivé a posteriori un schéma de décision explicite. Les auteurs signalent des cas limites persistants, notamment dans l'identification du point de décision et dans la catégorie "tâche accomplie", et appellent à un protocole de collecte plus contraint pour des dialogues plus cohérents. L'étude ne cite aucun fournisseur commercial ni plateforme robotique nommée: elle s'inscrit dans la recherche académique sur l'interaction humain-robot assistive, avec un manipulateur mobile monté sur fauteuil destiné à des utilisateurs à mobilité réduite, et prépare le terrain pour des collectes de données plus larges et des modèles VLA mieux capables d'arbitrer entre agir immédiatement et engager une clarification.

Recherche❖Paper

1 source

39

1522arXiv cs.RO 

GPT-6-Astra dans un flux de navigation : analyse comportementale en navigation vision-langage zéro-shot dans des environnements continus

Des chercheurs ont évalué GPT-6-Astra comme agent de navigation dans un système zero-shot de Vision-and-Language Navigation en environnements continus (VLN-CE), où le modèle interprète des instructions en langage naturel, observe son environnement et propose des actions de déplacement. Le système s'appuie sur un cycle observation-décision-exécution avec des appels directs à l'API du modèle, sans harnais d'agent package ni fine-tuning spécifique à la navigation : chaque requête reçoit un sous-ensemble d'observations visuelles, un retour d'exécution des actions précédentes et un historique de progression conservé. L'étude, publiée sur arXiv (2609.20116), porte sur 50 des 100 épisodes val-unseen du benchmark R2R-CE utilisés par le système de référence Open-Nav. Résultats obtenus : taux de réussite de 52,0 %, SPL (Success weighted by Path Length) de 48,9 % et nDTW (normalized Dynamic Time Warping) de 70,8 %. À l'arrêt, 36,0 % des épisodes réussissent via un signal STOP validé par le workflow, et 16,0 % supplémentaires atteignent seulement le critère de distance, à la limite du nombre de pas autorisés. Cette évaluation illustre à la fois le potentiel et les limites d'un grand modèle multimodal utilisé tel quel comme agent de navigation, sans entraînement dédié à la tâche. L'analyse des réponses montre que le modèle relie correctement repères visuels et actions passées aux instructions fournies, et qu'il sait demander des vues supplémentaires ou revenir sur un jugement incertain, un comportement de raisonnement explicite rarement documenté avec ce niveau de détail. Mais l'écart mis en évidence entre compréhension locale et achèvement autonome de la tâche, par exemple un franchissement reconnu comme inachevé alors que le modèle continue de pivoter sur lui-même, pointe une faiblesse structurelle : savoir qu'une action est correcte ne suffit pas à produire un comportement cohérent jusqu'à l'arrêt. Pour les intégrateurs qui envisagent des LLM généralistes pour piloter des robots mobiles ou des AMR, ce résultat tempère l'idée que les modèles zero-shot actuels suffisent en production, d'autant que l'échantillon reste limité à 50 épisodes. Le protocole reprend le sous-ensemble d'épisodes de validation R2R-CE (Room-to-Room en environnements continus) déjà utilisé par Open-Nav, système de navigation antérieur servant de point de comparaison implicite. L'approche se distingue des architectures VLA spécialisées, entraînées de bout en bout sur des données de navigation, en testant directement les capacités générales d'un modèle multimodal via son API, sans fine-tuning ni harnais logiciel dédié. Les auteurs présentent ce travail comme une analyse comportementale plutôt qu'une revendication de performance record, en documentant précisément où le raisonnement du modèle réussit et où il échoue à se traduire en actions physiques cohérentes jusqu'à l'arrêt. Aucun déploiement réel ni produit commercial n'est annoncé : il s'agit d'une évaluation de recherche en preprint, dont les résultats invitent à des travaux futurs sur le contrôle de la terminaison des épisodes et sur l'articulation entre jugement local et planification de trajectoire à plus long terme.

Recherche⚡Actu

1 source

39

1523arXiv cs.RO 

VABench : mesurer l'intelligence spatiale incarnée par démonstrations visuelles, perception active et contrôle métrique

VA-Bench évalue la boucle observer-raisonner-agir-réviser de modèles multimodaux généralistes (MLLM) appliqués à des tâches de manipulation robotique, sans pose d'objet oracle, trajectoire pré-calculée ni tête d'action apprise : les modèles apprennent le contexte procédural depuis des démonstrations en RGB seul, choisissent activement leurs points de vue caméra, émettent des commandes cartésiennes métriques et les corrigent selon le retour d'exécution, un contrôleur fixe et agnostique au modèle n'exécutant que les cibles qu'ils spécifient. Le benchmark couvre 14 familles de tâches de base (11 à bras unique, 3 à double bras), sept variantes de géométrie et de disposition inédites, et une piste longue durée combinant cinq objets ; 12 configurations de modèles ont été testées sur trois runs indépendants avec les mêmes 20 graines physiquement vérifiées par tâche. Le meilleur modèle atteint 100% de réussite en localisation de cible et 78,9% en relations spatiales sur le run annoté, mais son taux de réussite moyen sur trois runs tombe à seulement 53,93 ± 3,17%. Le contrôle actif de la caméra fait passer la réussite de 27,86% à 57,50% dans une comparaison appariée, le transfert vers des géométries inédites la fait chuter de plus de 30 points, et aucun modèle ne termine un épisode long horizon strict malgré une progression partielle substantielle. Ce résultat pèse directement sur le débat autour des modèles vision-langage-action (VLA) : l'écart entre 100% de précision en localisation pure et 54% de réussite de tâche complète confirme que les MLLM généralistes décrivent une scène nettement mieux qu'ils n'agissent dessus de façon fiable, même sans tête d'action spécialisée à apprendre. Le quasi-doublement du taux de réussite obtenu par le seul contrôle actif de la caméra suggère que la perception passive multi-vue, souvent utilisée par défaut dans les pipelines actuels, sous-exploite la capacité des modèles à combler eux-mêmes leurs angles morts. La chute de plus de 30 points sur des géométries jamais vues expose une fragilité de généralisation qui contredit les annonces de robustesse "sim-to-real" avancées par plusieurs acteurs du secteur, un signal utile pour les intégrateurs et décideurs B2B évaluant des solutions robotiques pilotées par des VLA, puisque le protocole fournit une méthode reproductible pour distinguer une démonstration convaincante d'une compétence réellement transférable. VA-Bench s'inscrit dans une vague récente de benchmarks cherchant à mesurer rigoureusement les capacités des modèles fondation appliqués à la manipulation robotique, alors que plusieurs laboratoires publient des systèmes VLA comme Pi-0, GR00T N2 ou Helix revendiquant des capacités de généralisation en zero-shot ou few-shot. En imposant un contrôleur agnostique au modèle et en interdisant tout raccourci tel que les poses oracle ou les têtes d'action pré-entraînées, les auteurs cherchent à isoler la contribution réelle du raisonnement spatial du modèle plutôt que celle de l'ingénierie du pipeline robotique qui l'entoure. L'article, référencé arXiv:2609.19554, décrit une évaluation en environnement contrôlé, sans partenariat industriel, déploiement matériel réel ni acteur français ou européen mentionné dans le texte. Les auteurs soulignent que la piste longue durée à cinq objets reste un échec total pour tous les modèles testés, ce qui ouvre la voie à des travaux futurs sur la composition de sous-tâches et la robustesse géométrique avant d'envisager un déploiement fiable de bras robotiques pilotés par des MLLM généralistes en environnement non contrôlé.

Recherche❖Paper

1 source

39

1524arXiv cs.RO 

Amélioration du transfert inter-incarnations dans les modèles d'action latente par supervision de similarité d'action

Une équipe de chercheurs propose une nouvelle méthode d'entraînement pour les modèles d'actions latentes (latent action models, LAM), décrite dans un article publié le 18 septembre 2026 sur arXiv (référence 2609.19846v1) et intitulé "Improving Cross-embodiment Transfer in Latent Action Models with Action-Similarity Supervision". Les LAM apprennent des représentations d'actions à partir de vidéos sans étiquette de commande motrice, ce qui permettrait en théorie de partager des données d'entraînement entre robots différents. Problème identifié: ces modèles restent sensibles au bruit visuel de l'arrière-plan et encodent souvent un même mouvement physique avec des latents différents selon le robot qui l'exécute. Plutôt que d'ajouter une perte auxiliaire qui prédit directement l'action réelle du robot à partir du latent (méthode existante), les auteurs entraînent la similarité entre deux actions latentes à correspondre à la similarité entre les séquences d'actions réelles correspondantes, sans jamais faire prédire ces actions par le modèle. Testée sur le benchmark de simulation RoboTwin 2.0, avec deux robots bimanuels démontrant des tâches disjointes et une politique unique évaluée en boucle fermée sur les tâches que seul l'autre robot a démontrées, cette approche double plus que le taux de succès en transfert cross-embodiment par rapport à une politique entraînée sur les actions réelles. La supervision par similarité surpasse aussi la perte auxiliaire classique à données égales, et calculer les similarités sur le mouvement de l'effecteur terminal plutôt que dans l'espace articulaire donne les meilleurs résultats. Ce résultat vise un goulot d'étranglement central des politiques vision-language-action (VLA): la démonstration téléopérée reste coûteuse et généralement liée à une plateforme robotique précise, ce qui freine le passage à l'échelle des politiques génériques face à des flottes hétérogènes (bras industriels, humanoïdes, robots mobiles). En montrant qu'un signal de similarité, plutôt qu'une prédiction directe d'action, réduit la fuite d'informations spécifiques au robot dans l'espace latent, l'étude apporte une preuve de concept utile aux équipes de recherche travaillant sur le transfert de compétences entre embodiments, sans prétendre résoudre le problème en conditions réelles. Il s'agit à ce stade d'un résultat de recherche en simulation, non d'un produit ou d'un déploiement industriel: RoboTwin 2.0 est un environnement de test standardisé pour robots bimanuels, et l'évaluation porte sur deux plateformes simulées avec des tâches contrôlées, un cadre plus restreint que des conditions de terrain réelles. Le travail s'inscrit dans la lignée des efforts récents sur les LAM entraînés à partir de vidéos non annotées (dans la veine de travaux comme Genie ou LAPA côté recherche), une piste explorée en parallèle par des laboratoires développant des modèles VLA à grande échelle tels que Pi-0 ou GR00T. Les auteurs ne annoncent pas de suite commerciale ni de calendrier de transfert vers du matériel physique.

Recherche❖Paper

1 source

39

1525arXiv cs.RO 

Planification de trajectoire résiliente pour robots spatiaux en vol libre en cas de panne d'actionneur

Un article publié sur arXiv (référence 2609.20407v1, mis en ligne le 18 septembre 2026) présente un cadre de planification de trajectoire destiné aux robots volants libres ("free-flying robots") utilisés dans l'espace, conçu pour rester fonctionnel en cas de panne de propulseur. Ces robots se déplacent grâce à plusieurs thrusters; si un ou plusieurs tombent en panne, l'engin perd son autorité de contrôle, mais sa nature de corps libre en microgravité fait qu'il continue, même sans poussée active, sur une trajectoire localement rectiligne plutôt que de s'arrêter. La méthode proposée modélise les modes de défaillance des actionneurs sous forme de chaîne de Markov et propage, tout au long de l'horizon de planification, la probabilité d'atteindre effectivement l'objectif fixé. Des ensembles atteignables précalculés évaluent la capacité du robot à rallier chaque point de passage sous différents scénarios de panne, et un planificateur basé sur l'algorithme RRT (une variante optimisée du Rapidly-exploring Random Tree) relie ensuite ces points entre eux pour maximiser la probabilité globale de succès. Les auteurs ont validé l'approche expérimentalement sur une plateforme physique de robot volant libre, avec des pannes d'actionneurs injectées artificiellement. Cette approche répond à un problème critique pour l'astronautique robotique: en orbite, aucune réparation immédiate n'est possible, et la perte de contrôle d'un engin peut compromettre une mission de service satellite, de retrait de débris ou d'assemblage en orbite valant plusieurs millions de dollars. L'intérêt de ce travail tient au fait que la résilience est traitée de façon proactive, dès la phase de planification, plutôt que par une simple reconfiguration réactive après la panne, et surtout que la méthode a été testée sur du matériel physique et non seulement en simulation, un point souvent négligé dans ce type de publication académique et qui réduit l'écart entre démonstration en laboratoire et robustesse réelle. Les robots volants libres sont étudiés depuis plusieurs années dans le contexte des stations spatiales, notamment pour des tâches d'inspection ou d'assistance autonome en apesanteur, et l'intérêt croissant pour les missions de maintenance en orbite et de désorbitation de débris accroît la demande pour des systèmes de navigation tolérants aux pannes. Le recours à RRT, un algorithme de planification par échantillonnage largement utilisé en robotique terrestre et aérienne, illustre un transfert de méthodes éprouvées vers le domaine spatial. Il s'agit à ce stade d'une publication de recherche fraîchement annoncée sur arXiv, sans partenaire industriel ni calendrier de déploiement mentionné, et non d'un produit ou d'un pilote commercial.

Recherche❖Paper

1 source

39

1526arXiv cs.RO 

Conformité gratuite : apprentissage de l'impédance identifiable par téléopération bilatérale

Des chercheurs publient sur arXiv (2609.19976v1, prépublication non encore relue par les pairs) une méthode baptisée "Compliance for Free", testée sur un bras robotique Franka Research 3 lors d'une tache d'essuyage de surface. Le système s'appuie sur une téléopération bilatérale a quatre canaux: le bras "leader" manipule par l'opérateur sert de mesure indépendante de l'équilibre de position vise, ce qui permet d'identifier par régression la raideur (stiffness) souhaitée sur chaque axe, en n'utilisant que les capteurs de couple articulaire déjà présents sur le manipulateur, sans capteur de force ni tactile dédié. Cette méthode génère automatiquement, a chaque pas de temps et sans cout d'annotation, des étiquettes de compliance dépendantes de la direction du mouvement, utilisées ensuite pour affiner un modèle vision-langage-action (VLA) afin qu'il produise une consigne de raideur en plus de la trajectoire. Sur la tache testée, ce modèle est le seul parmi cinq politiques comparées dont la force de contact varie réellement selon que l'instruction demande un essuyage "normal" ou "ferme": 6,4 newtons RMS contre 9,1 newtons, un écart statistiquement significatif (d de Cohen 0,89, p = 0,023). Le problème cible est structurel: les modèles VLA actuels indiquent au robot ou se déplacer mais pas avec quelle force appuyer, alors que les taches a contact riche (assemblage, polissage, insertion, essuyage) dépendent justement de ce réglage de raideur. Jusqu'ici, aucune interface de démonstration courante, joystick VR, SpaceMouse ou pince manuelle, ne pouvait capturer cette information, car il est mathématiquement impossible de séparer, a partir de la seule pose et de la seule force mesurée, le point d'équilibre vise par l'opérateur de sa raideur voulue. Si les résultats se confirment sur d'autres taches et d'autres bras, cela ouvrirait une voie pour affiner des VLA existants a moduler la force de contact via l'instruction textuelle, sans capteurs supplémentaires ni structuration manuelle de la tache, un enjeu concret pour les intégrateurs déployant des bras collaboratifs sur des lignes d'assemblage ou de finition. Les approches précédentes pour obtenir des politiques capables de moduler la compliance reposaient soit sur une structuration manuelle de la tache, soit sur un état de contact privilégié disponible seulement en simulation, soit sur du matériel force ou tactile dédié et coûteux. Ce travail s'inscrit dans le sillage des modèles vision-langage-action généralistes (dans la veine de Pi-0, GR00T N2 ou Helix), majoritairement évalués jusqu'ici sur leur capacité a prédire des trajectoires plutôt que des forces. Le papier ne mentionne ni pilote industriel ni calendrier de déploiement: il s'agit pour l'instant d'un résultat de recherche limite a une seule tache et un seul bras, a confirmer avant toute généralisation.

IA physique❖Paper

1 source

39

1527arXiv cs.RO 

Conception et validation expérimentale d'un actionneur élastique série en torsion imprimé en 3D pour une interaction homme-robot sécurisée

Une équipe de recherche décrit, dans un article publié le 19 septembre 2026 sur arXiv (2609.19367v1), la conception et la validation expérimentale d'un ressort de torsion à faible raideur destiné aux actionneurs élastiques série (SEA), entièrement fabriqué par impression 3D en polyuréthane thermoplastique (TPU). L'élément flexible affiche une réponse couple-déformation linéaire avec une raideur mesurée de 0,066 Nm par degré, un résultat qui colle aux prédictions obtenues par analyse par éléments finis (FEA) à moins de 3% d'écart près, la différence étant attribuée à l'anisotropie structurelle propre au dépôt de fil fondu (FDM). Pour exploiter cette compliance avec des servomoteurs standards limités en position, les chercheurs ont mis en place un contrôleur hybride qui bascule entre asservissement en position et en couple selon un seuil défini. Les essais montrent que le système suit fidèlement des trajectoires non stationnaires tout en cédant de façon sûre face à des perturbations externes, et que l'amortissement intrinsèque du TPU agit comme un filtre passe-bas passif limitant les oscillations haute fréquence lors des changements de mode de contrôle. Le résultat répond à un point de friction concret dans l'interaction physique homme-robot (pHRI) : les SEA métalliques classiques, bien qu'efficaces pour absorber les chocs et sécuriser le contact avec un humain, imposent des assemblages multi-pièces coûteux et complexes à produire, freinant leur adoption sur des robots sociaux ou de service à budget serré. En remplaçant l'élément élastique métallique par une pièce TPU imprimée en une fois, l'approche promet de réduire nettement le coût et la complexité de fabrication sans sacrifier la linéarité ni la fiabilité mécanique attendues d'un ressort de torsion. Pour les intégrateurs, l'intérêt pratique est de pouvoir ajouter de la compliance de sécurité à des servomoteurs génériques limités en position, sans concevoir une chaîne d'actionnement dédiée ni des capteurs de couple sophistiqués. Cela touche à une problématique plus large du secteur : la difficulté de rendre les robots collaboratifs à la fois sûrs, abordables et faciles à fabriquer en petite série, un compromis que les architectures SEA traditionnelles peinaient à tenir. Le concept d'actionneur élastique série remonte aux travaux de Pratt et Williams dans les années 1990, pensés à l'origine pour la robotique de marche et l'interaction physique, mais longtemps limités par des designs métalliques lourds à usiner. La montée en puissance de l'impression 3D et des matériaux thermoplastiques flexibles a ouvert la voie, ces dernières années, à des composants élastiques low-cost fabriqués en interne par des laboratoires et de petites équipes robotiques, une tendance dans laquelle s'inscrit ce travail. Aucun acteur industriel ou commercial n'est cité dans la publication, qui reste à ce stade une preuve de concept académique validée en laboratoire, sans partenaire industriel annoncé ni feuille de route de déploiement. Les auteurs présentent leur architecture comme une base reproductible et peu coûteuse pour équiper de futurs robots sociaux et de service en compliance de sécurité, ouvrant la voie à des travaux ultérieurs sur l'intégration de ce ressort TPU dans des articulations complètes de robots humanoïdes ou collaboratifs.

Recherche❖Paper

1 source

39

1528arXiv cs.RO 

V2-STRep : représentations structurées de tâches ancrées dans un VLM pour des compétences robotiques réutilisables issues de vidéos générées

Un article publié sur arXiv (référence 2609.20582v1, mis en ligne le 18 septembre 2026) présente V2-STRep, un framework de recherche "zero-shot" qui transforme des vidéos de manipulation générées par IA en compétences robotiques réutilisables. Le principe consiste à remplacer l'enregistrement de démonstrations physiques par un robot pour chaque tâche par une vidéo synthétique, produite par un modèle de génération vidéo à partir d'une image de scène initiale et d'une instruction textuelle. Les auteurs relèvent que cette vidéo générée ne capture qu'une seule réalisation, propre à une scène donnée, sans expliciter la structure de la tâche ni ses contraintes géométriques. V2-STRep corrige ce manque en s'appuyant sur un modèle vision-langage (VLM) pour bâtir une représentation structurée : phases de mouvement, références et contraintes, décrites via des structures géométriques minimales (points, points-normales, axes, plans, poses 6D complètes). Les indices 2D fournis par le VLM sont ensuite reprojetés en 3D à partir d'observations RGB-D, pour reconstruire la géométrie de la tâche et les poses de prise candidates. Des règles propres à chaque type de géométrie transfèrent ensuite le mouvement vers de nouvelles scènes, tandis qu'une optimisation de trajectoire sous contraintes couple sélection de prise et planification complète du mouvement, en exploitant la liberté de rotation restante pour respecter les limites articulaires. Sur six tâches de manipulation réelles, la méthode affiche un taux de réussite supérieur aux méthodes de référence testées, un transfert fiable entre scènes différentes, et une capacité d'adaptation à de nouvelles instructions compatibles sans régénérer de vidéo. Pour les intégrateurs et laboratoires de robotique, l'intérêt tient moins à un produit qu'à une piste méthodologique : contourner le goulot d'étranglement de la collecte de démonstrations téléopérées, coûteuse et lente à faire passer à l'échelle, en s'appuyant sur des modèles de génération vidéo déjà entraînés sur des vidéos humaines. Le travail répond directement à une limite connue de cette approche, à savoir qu'une vidéo générée reste ancrée dans la scène où elle a été produite et ne se généralise pas telle quelle. En démontrant un transfert entre scènes et une adaptation à de nouvelles instructions sans nouvelle génération vidéo, l'étude nuance l'idée reçue que les modèles vidéo-vers-action ne fonctionnent qu'en circuit fermé, scène par scène. Ce travail s'inscrit dans une tendance de recherche plus large visant à exploiter des vidéos humaines ou générées comme substitut aux démonstrations robotiques réelles, en complément des approches VLA entraînées sur des données massives de téléopération comme Pi-0, GR00T N2 ou Helix. Il ne s'agit ici que d'un article de recherche à l'état de preprint, validé sur six tâches en laboratoire, sans annonce de produit, de partenariat industriel ni de déploiement chez un intégrateur. Aucun acteur français ou européen n'est cité dans ces travaux. Les prochaines étapes attendues, classiques pour ce type de publication, sont l'élargissement du nombre de tâches testées, la comparaison avec davantage de baselines, puis une éventuelle reprise par des équipes industrielles cherchant à réduire leurs coûts de collecte de données.

Recherche❖Paper

1 source

39

1529arXiv cs.RO 

HOPHY : une représentation hiérarchique par hypergraphe pour la planification hors route et de mission

Des chercheurs présentent HOPHY, une représentation hiérarchique réutilisable du terrain publiée sur arXiv en septembre 2026 (2609.20694), pour planifier trajectoires et missions de véhicules terrestres sans pilote hors route. La carte est découpée en régions sémantiques connectées, zones critiques préservant la connectivité, et hyperarcs typés pour le terrain, l'agent et la météo, dont les intersections mettent à jour localement les coûts sans reconstruire toute la hiérarchie. Sur des cartes réelles à l'échelle kilométrique, HOPHY atteint 100% de réussite de planification, un écart de coût médian inférieur à 0,01% face à l'oracle A pixel, et une latence bien plus faible que les méthodes comparées; appliqué à l'allocation de tâches multi-robots, il divise le calcul par 79 face à A pixel et par 7,2 face à la meilleure abstraction. Sur le terrain, un robot Clearpath Jackal a exécuté une mission de 1,5 km en huit tâches sur surfaces mixtes, avec replanification après un blocage. Pour les intégrateurs de robotique terrestre et les responsables d'intervention en gestion de catastrophe, recherche-sauvetage ou missions tactiques, la planification pixel devient prohibitive dès qu'il faut re-planifier répétitivement sur des zones kilométriques, tandis que les abstractions sémantiques existantes peinent à garantir des coûts et une connectivité valides quand terrain, agents ou météo changent. En ne mettant à jour que les régions affectées plutôt qu'en reconstruisant toute la hiérarchie, HOPHY vise la précision d'un calcul pixel à la vitesse d'une abstraction. Le facteur 79 obtenu en contexte multi-robots ouvre une piste vers des flottes coordonnées plus réactives, et la démonstration sur robot physique, même limitée à un seul engin, dépasse le simple benchmark logiciel. HOPHY s'inscrit dans la planification hiérarchique pour la robotique hors route, où l'A* en grille de pixels sert d'oracle de référence face à des abstractions plus rapides mais historiquement moins fiables sur la validité des coûts. Le papier compare HOPHY à plusieurs bases pixel et abstraction sans nommer de concurrent commercial; le choix du Clearpath Jackal, plateforme UGV courante en recherche, situe la démonstration côté validation de faisabilité plutôt que déploiement opérationnel en conditions réelles d'intervention. Aucun essai pilote ni calendrier de commercialisation n'est évoqué au-delà de cette publication académique.

Recherche❖Paper

1 source

39

1530arXiv cs.RO 

Exploration sémantique consciente de la posture par un robot à pattes à perception omnidirectionnelle en environnements confinés inconnus

Une équipe de chercheurs présente POSE, un système d'exploration sémantique conscient de la posture pour robots à pattes, décrit dans un preprint arXiv publié le 19 septembre 2026 (arXiv:2609.19460v1). Le système exploite la capacité intrinsèque d'un robot à pattes à incliner son corps en tangage et en roulis, combinée à une perception omnidirectionnelle caméra-LiDAR, pour observer les surfaces supérieures d'objets normalement invisibles depuis un point de vue plan au sol. Un module d'échantillonnage de points de vue sélectionne les postures corporelles selon le gain de couverture attendu à partir de cartes partielles d'objets, tandis qu'une exécution alignée sur la cible limite les réorientations inutiles du corps. Une stratégie d'élagage des points de vue, assistée par un modèle vision-langage (VLM) et des cartes en vue aérienne (bird's-eye-view), réduit les visites d'inspection redondantes en s'appuyant sur l'historique d'observation. En simulation, POSE améliore la couverture finale des surfaces cibles de 8 à 10 points de pourcentage par rapport à une planification planaire classique, tout en réduisant le temps d'exploration de 17 à 32 %, et obtient le meilleur score moyen de couverture d'objets (AUC) parmi les méthodes comparées. Une validation réelle a été menée avec un robot à pattes équipé de la suite caméra-LiDAR omnidirectionnelle dans un atelier d'usinage. Le résultat cible un problème concret pour les intégrateurs de robots à pattes en inspection industrielle : les capteurs montés au niveau du sol ont un champ de vue vertical limité et une distance de recul contrainte, ce qui laisse des zones d'objets non inspectées si le robot reste dans une posture fixe. En montrant qu'exploiter la mobilité corporelle native du robot, plutôt que d'ajouter des capteurs ou des arrêts d'inspection supplémentaires, améliore simultanément couverture et rapidité, les auteurs apportent un argument méthodologique en faveur d'une planification adaptative de posture pour l'exploration sémantique, plutôt que la seule addition de capteurs ou de temps de mission. Le travail se positionne comme une alternative à l'exploration planaire classique utilisée en robotique mobile terrestre, en s'appuyant sur les capacités récentes des VLM pour le raisonnement sémantique embarqué. Il reste toutefois au stade de preprint non revu par les pairs, avec des résultats chiffrés majoritairement issus de simulation et une seule démonstration réelle limitée à un atelier d'usinage. Les auteurs indiquent prévoir de publier le code en open source, sans calendrier précis.

Recherche❖Paper

1 source

39

1531arXiv cs.RO 

ViLoMan : apprentissage de compétences de loco-manipulation du corps entier par vision et proprioception pour robots humanoïdes

Le laboratoire à l'origine du projet ViLoMan, publié en preprint sur arXiv (arXiv:2609.19340, soumission anonyme en relecture en double aveugle, page projet viloman-anonymous.pages.dev), présente un système d'apprentissage pour la loco-manipulation autonome des robots humanoïdes. La méthode transforme des démonstrations humaines partielles, capturées de façon cinématique lors d'interactions homme-objet, en trajectoires robotiques complètes et physiquement exécutables. Ces trajectoires alimentent ensuite un entraînement par distillation enseignant-élève, qui produit une politique unique convertissant des observations de profondeur en vision égocentrique et des mesures proprioceptives directement en commandes articulaires pour l'ensemble du corps. Une fois déployée, cette politique ne nécessite ni mouvement de référence ni commande intermédiaire. Les auteurs l'ont testée sur des tâches de fermeture de porte, avec des configurations de porte et des positions de départ variées, en simulation puis sur un robot réel Unitree G1, montrant qu'une seule politique suffit à accomplir la tâche uniquement à partir des capteurs embarqués. Ce travail s'attaque à deux obstacles centraux du secteur : la rareté de données d'interaction robot-objet physiquement réalisables, et la difficulté d'apprendre un contrôle unifié du corps entier à partir des seules observations embarquées, sans capture de mouvement externe ni téléopération lourde. En démontrant un transfert simulation-réel fonctionnel avec un capteur de profondeur et la proprioception seuls, l'étude apporte un contre-exemple concret à l'hypothèse selon laquelle les politiques de loco-manipulation humanoïde exigent nécessairement de vastes jeux de données téléopérées coûteux à constituer. Pour les intégrateurs et décideurs robotique, l'intérêt réside surtout dans la méthode de conversion des démonstrations humaines en données d'entraînement robot exploitables, une piste alternative aux pipelines de collecte par téléopération utilisés par des acteurs comme Figure ou Physical Intelligence. ViLoMan s'inscrit dans la compétition croissante autour des politiques vision-langage-action et des architectures de contrôle whole-body pour humanoïdes, aux côtés d'approches commerciales comme Helix de Figure, GR00T N2 de Nvidia ou Pi-0 de Physical Intelligence, qui reposent largement sur des données de téléopération à grande échelle. Ici, l'origine académique et le statut anonyme de la soumission signalent une contribution de recherche encore au stade du laboratoire, validée sur une seule tâche restreinte de fermeture de porte plutôt que déployée en conditions industrielles. Les prochaines étapes attendues concernent l'extension à d'autres tâches de manipulation et à des environnements plus variés avant toute perspective de déploiement réel.

Recherche❖Paper

1 source

39

1532arXiv cs.RO 

Interface de navigation universelle : données sans robot pour la navigation des robots à roues

Un article arXiv (2609.20114v1) présente Universal Navigation Interface (UNI), une méthode de collecte de données de navigation pour robots à roues sans robot cible ni téléopération. Le dispositif est un déambulateur à quatre roues (rollator) équipé d'un smartphone, poussé par un opérateur humain ; incapable de monter des escaliers, de franchir des bordures non abaissées ou de passer par des espaces étroits, il biaise naturellement les trajectoires vers des itinéraires praticables en roues. Les auteurs ont collecté 37,2 km de données réelles, converties en trajectoires métriques pour entraîner des modèles de navigation conditionnés par objectif. Le fine-tuning sur ces données réduit l'erreur de prédiction de trajectoire de 17,4 à 24,8 % sur le jeu de test UNI, avec des gains plus inégaux sur d'autres datasets, et un transfert en boucle fermée vers un fauteuil roulant motorisé a été validé sur des scénarios de bordures et d'escaliers. Cette approche s'attaque à un goulot d'étranglement connu de la robotique mobile : la collecte de données de navigation exige d'ordinaire une téléopération spécifique à chaque plateforme, coûteuse et difficile à faire passer à l'échelle. En montrant qu'un objet du quotidien, sans robot cible ni capteurs sophistiqués, peut produire des trajectoires exploitables pour l'entraînement, UNI ouvre une piste de réduction de coûts pour les intégrateurs de robots à roues, qu'il s'agisse d'AMR industriels, de robots de livraison ou d'aides à la mobilité comme les fauteuils roulants. Le résultat appuie l'idée que des proxys physiques bon marché peuvent fournir une supervision réelle sans simulation ni robot final, même si les gains ne se généralisent pas uniformément aux jeux de données externes testés, un rappel que la méthode reste sensible au domaine d'entraînement. UNI prolonge une lignée d'outils de collecte "robot-free" popularisée en manipulation par des dispositifs comme Universal Manipulation Interface, qui enregistrait des démonstrations via une pince portative sans bras robotique ; UNI transpose cette logique à la navigation à roues en exploitant les contraintes physiques d'un objet grand public, un déambulateur pour personnes à mobilité réduite. Il s'agit d'un travail de recherche publié en preprint sur arXiv, sans lien annoncé avec un produit commercial ou un déploiement industriel. Les prochaines étapes évoquées par les auteurs portent sur l'élargissement des tests à d'autres jeux de données et plateformes robotiques, au-delà du fauteuil roulant motorisé utilisé pour la validation en boucle fermée.

Recherche❖Paper

1 source

39

1533arXiv cs.RO 

Améliorer la perception de sécurité et de confort lors des poignées de main homme-robot grâce à des éléments flexibles dans un bras robotique

Une équipe de recherche a publié sur arXiv (2609.19375) une étude expérimentale évaluant l'effet d'actionneurs élastiques en série, ou SEA, sur la perception de sécurité et de confort lors d'une poignée de main entre un humain et un bras robotique. Dix volontaires, six hommes et quatre femmes, ont chacun testé deux versions du même bras robotique : une à articulations rigides, l'autre équipée de SEA absorbant les impacts au niveau des articulations. Chaque participant a réalisé une interaction avec chaque configuration. Les chercheurs ont recueilli deux types de données : des mesures objectives des trajectoires de l'effecteur terminal pendant le contact, et des réponses à un questionnaire de perception portant sur trois axes, la sécurité ressentie, le naturel du geste et la confiance accordée au robot. Les résultats montrent une perception de sécurité et de confort plus élevée avec le bras à actionneurs élastiques qu'avec le bras rigide. Cette étude touche un enjeu concret pour l'industrie robotique : au-delà de la puissance de calcul ou des modèles vision-langage-action qui pilotent aujourd'hui les bras humanoïdes, l'acceptabilité sociale d'un robot en contact physique direct dépend aussi de choix mécaniques simples, comme la rigidité des articulations. Pour les intégrateurs concevant des robots de service, d'accueil ou d'assistance amenés à toucher des humains, ce résultat conforte l'usage des SEA, une technologie de compliance mécanique déjà répandue en robotique collaborative, comme argument de sécurité perçue, distinct des seuils de force de contact déjà encadrés par les normes. L'étude reste toutefois un travail pilote portant sur un échantillon restreint de dix personnes, ce qui limite la portée statistique des conclusions malgré leur cohérence. Les SEA, qui introduisent un élément élastique entre le moteur et l'articulation pour absorber les chocs et mesurer le couple, sont utilisées depuis plusieurs années dans des robots à pattes et des cobots industriels pour améliorer la sécurité physique. Cette recherche transpose le principe à un cas d'usage social précis, la poignée de main, geste de contact volontaire jugé particulièrement sensible en interaction humain-robot. L'article ne mentionne ni suite annoncée ni partenaire industriel ; il s'agit d'un travail académique destiné à alimenter la conception future de bras robotiques sociaux, sans lien indiqué avec des acteurs commerciaux du secteur humanoïde.

Recherche❖Paper

1 source

39

1534arXiv cs.RO 

Conception de pinces souples par graphes : optimisation multi-objectifs qualité-diversité

Une équipe de recherche en robotique propose une nouvelle méthode de conception pour les préhenseurs souples (soft grippers), détaillée dans un article publié sur arXiv le 18 septembre 2026 (arXiv:2609.20087v1). L'approche repose sur deux éléments combinés : un espace de conception représenté sous forme de graphe, capable de décrire des structures et mécanismes en mécanique des milieux continus, et un algorithme génétique multi-objectif dit de "quality-diversity", conçu pour maintenir une variété de solutions tout au long du processus d'optimisation plutôt que de converger vers un seul design optimal. Les chercheurs ont testé leur méthode en faisant varier le nombre et la nature des scénarios de préhension utilisés pendant l'optimisation, afin d'observer si l'exposition à des tâches diversifiées permet aux préhenseurs générés de généraliser à des objets et conditions de contact inédits. Résultat rapporté : les designs optimisés sur un ensemble suffisamment diversifié de cas de préhension font émerger une capacité de généralisation, avec une robustesse supérieure sur des scénarios nouveaux comparée à des préhenseurs conçus pour une tâche unique. Ce travail s'attaque à un problème central pour l'industrialisation de la robotique souple : la difficulté à produire des préhenseurs qui ne soient pas simplement performants sur le cas d'usage pour lequel ils ont été calibrés, mais réutilisables sur une gamme large d'objets, un enjeu direct pour l'automatisation agricole, la manipulation en laboratoire ou les applications domestiques. Si les résultats se confirment à plus grande échelle, cela suggère une voie méthodologique pour concevoir des organes terminaux plus polyvalents sans multiplier les designs sur mesure, un point clé pour les intégrateurs qui cherchent à réduire les coûts d'ingénierie liés au changement de tâche. Le papier s'inscrit dans la lignée des recherches sur la robotique souple, où la compliance mécanique intrinsèque des matériaux facilite la préhension d'objets variés mais complique la conception rationnelle, faute de modèles simples pour un espace de solutions en mécanique des milieux continus jugé très vaste. En structurant cet espace via des graphes et en pilotant l'optimisation par la diversité plutôt que par la seule performance, les auteurs positionnent leur méthode comme une alternative aux approches de conception spécifiques à une tâche, ouvrant la voie à des travaux futurs sur la validation physique de ces préhenseurs générés algorithmiquement.

Recherche❖Paper

1 source

39

1535arXiv cs.RO 

Sentir le terrain avant de le franchir : des modèles du monde pour la navigation tout-terrain

Une équipe de chercheurs présente, dans un article déposé sur arXiv (référence 2609.19863v1, catégorie "new"), Feel-WM, un modèle de monde ("world model") de navigation conçu pour les terrains accidentés hors piste. Contrairement aux modèles de navigation urbaine, qui se contentent de prédire la scène visuelle à venir, Feel-WM prédit en plus l'état proprioceptif futur du robot, c'est-à-dire son glissement, son inclinaison et ses vibrations le long d'une trajectoire envisagée, ainsi qu'un risque d'échec associé, le tout appris directement à partir de l'expérience du robot sans étiquetage humain. Le planificateur simule ce futur physique en parallèle de la scène visuelle et pondère le risque d'échec prédit face à la proximité avec l'objectif dans un score de décision séparé. Les auteurs ont testé le système sur des données réelles de terrain accidenté et en simulation, sur des plateformes à la fois à roues et à pattes, puis l'ont déployé en embarqué sur un robot à roues Husky lancé sur des sentiers de montagne, où il a anticipé les zones de sol difficile, les a contournées, et a terminé des parcours qu'une politique de bout en bout classique échouait à compléter. L'apport revendiqué est de démontrer que la seule prédiction visuelle ne suffit pas dès que l'interaction robot-terrain devient le facteur dominant, ce qui est le cas hors des environnements urbains structurés où circulent la plupart des robots mobiles commerciaux actuels. En ajoutant la proprioception comme donnée d'entrée, Feel-WM améliore la prédiction du futur physique et surpasse les modèles de navigation purement visuels, aussi bien en planification en boucle ouverte qu'en navigation en boucle fermée sur terrain difficile. Pour les intégrateurs de robots mobiles destinés à l'agriculture, la défense, la sylviculture ou le secours en zone non structurée, ce travail suggère une piste concrète pour réduire les échecs de navigation sans dépendre uniquement de caméras ou de lidars, un enjeu de fiabilité central pour les flottes autonomes en extérieur. Il nuance aussi l'idée reçue selon laquelle les modèles de monde visuels suffiraient à généraliser la planification robotique à tous les environnements. Ce travail s'inscrit dans la tendance de recherche consistant à planifier par anticipation, en simulant les conséquences de chaque action candidate plutôt qu'en associant directement observation et commande, une approche qui concurrence les politiques de bout en bout entraînées par imitation ou apprentissage par renforcement. La quasi-totalité des modèles de monde publiés jusqu'ici ciblait des environnements urbains ou structurés, où l'image seule constitue un proxy suffisant du futur pertinent pour la navigation. Feel-WM comble ce manque pour la robotique tout-terrain en exploitant des signaux proprioceptifs, issus par exemple de centrales inertielles ou d'encodeurs de roues et de jambes, appris de façon autonome. L'article ne mentionne à ce stade ni affiliation industrielle ni partenaire de déploiement commercial : il s'agit d'une validation expérimentale sur robot Husky et en simulation, sans calendrier de mise en production ni pilote industriel annoncé.

Recherche❖Paper

1 source

39

1536arXiv cs.RO 

HIL-UMI : intégrer le post-entraînement supervisé par l'humain des modèles vision-langage-action à l'interface universelle de manipulation

Des chercheurs présentent HIL-UMI, un framework de post-entraînement en boucle humaine pour les modèles vision-langage-action (VLA), décrit dans une prépublication arXiv (2609.20659). Contrairement aux méthodes interactives classiques qui exigent d'exécuter la politique sur un robot réel avec intervention humaine, HIL-UMI s'appuie sur l'Universal Manipulation Interface (UMI), un dispositif de démonstration portatif, sans robot. Pendant que l'humain manipule l'objet, le système interroge silencieusement la politique VLA en cours sur le même flux d'observations, sans exécuter ses prédictions. Un "Energy Score" compare la trajectoire humaine à l'inférence de la politique pour repérer les régions hors distribution et déclencher une collecte ciblée. En parallèle, un estimateur d'avantage basé sur la progression identifie les segments les plus utiles, qui alimentent ensuite un clonage comportemental conditionné par l'avantage, mêlant démonstrations de base et nouvelles données. Testé sur quatre tâches réelles de manipulation, longues ou de précision, HIL-UMI améliore systématiquement les résultats par rapport au simple fine-tuning supervisé (SFT), et bat HG-DAgger sur la tâche "Clean Up Table" avec un temps de collecte par image plus faible. L'enjeu est le goulot d'étranglement du post-entraînement des VLA: le SFT sur données statiques ne couvre pas les états rencontrés en déploiement réel, et les méthodes interactives comme HG-DAgger monopolisent robot et opérateur, ce qui freine leur passage à l'échelle. En découplant la collecte interactive du déploiement robotique, HIL-UMI laisse entrevoir une spécialisation de politiques génériques (type Pi-0, GR00T) réalisable hors ligne, avec un matériel de capture portable bien moins coûteux qu'une cellule robotique complète. Les résultats restent toutefois limités à quatre tâches de laboratoire, sans données de coûts ni de volumes, ce qui invite à la prudence avant d'y voir une preuve de scalabilité industrielle. Le travail s'inscrit dans la lignée d'UMI, outil déjà utilisé pour collecter des démonstrations sans robot, et répond aux limites connues du fine-tuning supervisé des grands VLA. Il se positionne explicitement face à HG-DAgger, référence de l'apprentissage interactif nécessitant un robot physique. Aucune affiliation industrielle ni calendrier de déploiement n'est précisé: il s'agit d'une publication de recherche, pas d'un produit ni d'un pilote annoncé, les suites logiques étant une validation sur davantage de tâches et de plateformes.

Recherche⚡Actu

1 source

39

1537arXiv cs.RO 

L'actionnement autoexcité permet un vol adaptatif et résilient à ailes battantes

Des chercheurs ont mis au point le premier robot volant à ailes battantes fonctionnant avec un actionnement dit asynchrone, une architecture qui reproduit le mécanisme des muscles asynchrones des insectes. Chez ces insectes, deux familles de muscles pilotent le vol : les muscles synchrones, contrôlés directement par des signaux nerveux à chaque battement, et les muscles asynchrones, qui possèdent une réponse intrinsèque à l'étirement leur permettant de générer spontanément des battements d'ailes sans commande du cerveau. Jusqu'ici, la quasi-totalité des robots volants à ailes battantes reposaient sur une actionnement synchrone, piloté en continu par un système de contrôle électronique. Publié sur arXiv (2609.19480v1), le travail démontre en vol que l'actionnement asynchrone permet aux ailes de s'ajuster automatiquement aux changements de mécanique résonante du corps du robot, sans intervention du système de contrôle, et de réagir instantanément à une collision avec un obstacle sans capteur externe dédié. Des essais en environnement encombré montrent une stabilité et des performances nettement supérieures à celles obtenues avec un actionnement synchrone classique. Pour l'ingénierie robotique, la démonstration est significative parce qu'elle déplace une partie de la charge de contrôle du logiciel vers la mécanique elle-même : la réactivité aux obstacles ne dépend plus d'une boucle de perception-décision-actionnement, mais d'une propriété physique intrinsèque de l'actionneur, plus rapide qu'aucun système de contrôle ne pourrait l'être. C'est une piste concrète pour des drones à ailes battantes plus robustes et moins gourmands en calcul embarqué, un enjeu pour les micro-drones destinés à des environnements confinés ou encombrés, où le GPS et les capteurs classiques sont peu fiables. Le résultat nuance aussi une hypothèse implicite du secteur des robots bio-inspirés, selon laquelle la sophistication du contrôle logiciel prime sur la conception de l'actionneur pour obtenir un vol agile. Ce travail s'inscrit dans un champ de recherche plus large qui tente depuis des années de reproduire l'agilité du vol des insectes, historiquement à l'aide d'actionneurs pilotés en continu, à l'image de plateformes bio-inspirées connues comme RoboBee ou DelFly. Il s'agit ici d'une preuve de concept en laboratoire, testée en vol contrôlé, et non d'un produit commercialisé ni d'un déploiement opérationnel ; les auteurs présentent cette approche comme un modèle de répartition du contrôle entre dynamique d'actionnement bas niveau et système sensorimoteur haut niveau, ouvrant la voie à de nouvelles architectures de robots volants.

Recherche❖Paper

1 source

38

1538arXiv cs.RO 

Incertitude spatiale et sémantique dans la recherche de cible par VLM : équilibrer exploration et identification

Une équipe de recherche a publié en septembre 2026 sur arXiv (arXiv:2609.20443) une formulation qui distingue deux sources d'incertitude jusqu'ici souvent confondues dans les systèmes de recherche de cibles pilotés par des modèles vision-langage (VLM) : l'incertitude spatiale, sur la localisation des candidats observés, et l'incertitude sémantique, sur la correspondance entre un candidat et la description en langage naturel de la cible. La méthode maintient des croyances probabilistes séparées pour chacune, intégrées dans une distribution globale sur l'identité de la cible incluant une masse de probabilité réservée aux cibles non encore découvertes. Un planificateur fondé sur la théorie de l'information arbitre ensuite entre explorer davantage et statuer plus tôt, via deux mesures de gain d'information attendu (EIG), l'une spatiale, l'autre sémantique. Testée sur six interfaces d'estimation d'incertitude par VLM et 500 cibles synthétiques, l'étude montre que des taux de reconnaissance similaires peuvent masquer des écarts importants de calibration et de fausse confiance. En conditions d'observation dégradée, les planificateurs basés sur l'EIG atteignent une décision fiable dans 75,0% à 92,5% des essais, contre seulement 20,0% pour une recherche aléatoire. Pour les concepteurs de piles vision-langage-action, qu'elles s'inspirent de Pi-0, GR00T N2 ou Helix, ce travail pointe une faiblesse rarement traitée explicitement : mêler incertitude de localisation et incertitude d'identification dans un score de confiance unique pousse un robot soit à explorer inutilement, soit à valider trop vite un mauvais candidat. En séparant les deux signaux, l'étude réduit le nombre de requêtes au VLM et le temps d'exploration sans perte de précision, un enjeu concret dès qu'un appel à un modèle vision-langage a un coût de calcul et de latence en environnement embarqué. Elle rappelle aussi qu'une accuracy identique entre deux systèmes peut cacher des comportements de décision très différents selon leur calibration, un point que les intégrateurs évaluant des modèles de perception devraient garder en tête plutôt que de se fier au seul chiffre de précision annoncé. Ce travail s'inscrit dans la recherche plus large sur l'ancrage du langage naturel dans les tâches robotiques, portée ces dernières années par la multiplication des modèles VLA généralistes censés interpréter des instructions humaines en environnement réel. Il reste un preprint arXiv non encore revu par les pairs, évalué sur des scènes synthétiques et un jeu de cibles simulées plutôt que sur un robot physique en conditions réelles, sans calendrier de validation matérielle annoncé par les auteurs. Aucun acteur industriel n'est cité dans l'étude : il s'agit d'une contribution méthodologique, à surveiller par les équipes qui cherchent à fiabiliser la recherche et l'identification d'objets par des robots dotés de modèles de perception au langage.

Recherche❖Paper

1 source

38

1539arXiv cs.RO 

StageGuard : apprentissage des transitions d'étapes pour tâches robotiques longues par distillation à base d'agents

Une équipe de recherche a publié le 18 septembre 2026 sur arXiv (référence 2609.20791v1) StageGuard, un framework baptisé "distillation agentique" destiné à résoudre un problème précis des architectures robotiques hiérarchiques : déterminer à quel moment une compétence de contrôle doit s'arrêter pour laisser place à la suivante dans une tâche longue composée de plusieurs sous-étapes. La méthode combine le raisonnement d'un grand modèle vision-langage "enseignant", nourri de trajectoires de démonstration, pour produire des explications structurées sur la complétion d'une sous-tâche et le déclenchement du changement de politique. Ces explications servent ensuite à entraîner par apprentissage supervisé un modèle vision-langage "élève" beaucoup plus léger, capable de générer ses propres explications compactes pour décider en temps réel du passage d'une étape à l'autre. Les auteurs évaluent la prédiction de transition sur des trajectoires issues de deux benchmarks, testent le comportement en boucle fermée en intégrant StageGuard dans un système de contrôle hiérarchique sur BEHAVIOR-1K, et complètent la validation par des essais sur robots physiques. L'enjeu dépasse le détail technique : dans les architectures VLA (vision-language-action) hiérarchiques qui empilent plusieurs politiques de contrôle spécialisées, à la manière des approches derrière Pi-0, GR00T N2 ou Helix, la fiabilité de l'enchaînement des compétences conditionne directement la capacité à transformer une démonstration isolée en système autonome exploitable. Les solutions existantes s'appuient soit sur des vérificateurs de complétion codés à la main, difficiles à généraliser hors laboratoire, soit sur de gros modèles vision-langage déportés dans le cloud, dont la latence de raisonnement interdit un monitoring en temps réel et dont les critères de décision ne correspondent pas toujours à la vraie fin d'une sous-tâche. En démontrant qu'un modèle allégé, entraîné par distillation, peut approcher la qualité de décision d'un modèle massif tout en tournant localement, StageGuard s'attaque à un verrou concret pour les intégrateurs qui cherchent à déployer des piles de contrôle hiérarchiques sans dépendre d'une inférence cloud coûteuse et lente. Le papier s'inscrit dans la lignée des travaux sur les architectures hiérarchiques combinant plusieurs politiques de contrôle robotique, un axe de recherche actif depuis l'essor des modèles VLA génériques. Aucun partenaire industriel ni acteur français ou européen n'est cité dans l'abstract, et il s'agit à ce stade d'une contribution de recherche évaluée en simulation et en tests robots réels limités, non d'un produit commercialisé ni d'un déploiement à grande échelle.

Recherche❖Paper

1 source

38

1540arXiv cs.RO 

TacSushi : modélisation monde-action ancrée dans le tactile pour la manipulation dextérique de sushis

Une équipe de recherche présente TacSushi, une politique robotique world-action ancrée dans le toucher, bâtie sur un modèle de monde Cosmos3, destinée à la manipulation dextre d'aliments déformables comme le sushi. Le système encode l'image RGB courante, une consigne en langage naturel et l'état de la main, puis fusionne par un mécanisme de gating feature-wise les signaux tactiles des bouts de doigts dans la représentation d'action ; pendant l'entraînement seulement, un décodeur conditionné par les segments d'action démontrés prédit les observations visuelles futures, la progression de la tâche et le risque de contact, avant d'être retiré au déploiement. Entraîné sur 340 essais réussis et 50 essais échoués sur robot réel, TacSushi a été testé sur 600 rollouts couvrant trois tâches en distribution et deux variantes d'ingrédients hors distribution, la qualité du plat final étant jugée par un protocole mêlant à parts égales cinq notations humaines et trois notations de modèles vision-langage. Résultat : 68,3% de réussite moyenne en distribution et 37,5% hors distribution, contre 36,7%/10,0% sans la supervision par conséquences futures et 25,0%/17,5% avec une simple concaténation tactile au lieu de la fusion gated. Ces chiffres valident surtout deux choix d'architecture plutôt qu'une performance spectaculaire : la fusion tactile gated par caractéristique apporte un gain net face à une concaténation brute, et la supervision prédictive, entraînée mais jamais exécutée en production, améliore la généralisation sans coût au déploiement. Pour les équipes de manipulation dextre et les intégrateurs, l'écart entre réussite en distribution et hors distribution illustre une nouvelle fois le fossé persistant entre démonstration contrôlée et généralisation réelle des politiques vision-langage-action, un problème que le secteur peine encore à résoudre malgré les annonces. Évaluer la qualité perçue de l'aliment via des juges humains et des modèles vision-langage, plutôt qu'un seuil géométrique binaire, répond aussi à une limite méthodologique connue des benchmarks de manipulation alimentaire, où texture et présentation comptent autant que le succès du geste. TacSushi s'inscrit dans la lignée des politiques robotiques bâties sur des backbones de modèles de monde ou vision-langage-action, comme Pi-0 de Physical Intelligence ou GR00T N2 de NVIDIA, mais cible un terrain nettement moins couvert, la manipulation d'aliments fragiles, plutôt que la préhension d'objets rigides. Publié en prépublication sur arXiv sans affiliation industrielle mentionnée, le travail reste une évaluation de laboratoire sur rollouts contrôlés, sans partenaire commercial ni calendrier de déploiement annoncés, et son jeu d'entraînement de 340 démonstrations réussies pour seulement 50 échecs demeure modeste au regard des efforts de VLA à grande échelle menés par les grands laboratoires. La suite logique, non précisée par les auteurs, consisterait à élargir les tâches culinaires et les variantes d'ingrédients testées pour vérifier si les gains observés hors distribution résistent à une variabilité alimentaire encore plus large.

Recherche❖Paper

1 source

38

1541arXiv cs.RO 

Co-entraînement simulation-humain pour une manipulation bimanuelle efficace en données et généralisable aux scènes

Une équipe de recherche présente SimHum, une méthode d'entraînement combinant simulation et démonstrations humaines pour la manipulation bimanuelle par robots, décrite dans une version mise à jour d'un article publié sur arXiv (2601.19406v2). Le constat de départ : les démonstrations réelles sur robot sont coûteuses à collecter, tandis que la simulation offre des actions valides pour le robot mais souffre d'un écart visuel avec le réel, et les vidéos de démonstrations humaines offrent des observations réalistes mais souffrent d'un écart d'incarnation entre humain et robot. SimHum extrait des priors cinématiques depuis la simulation et des priors visuels depuis les observations humaines, puis affine le modèle sur un petit jeu de données réel. Avec seulement 80 épisodes réels par tâche, la méthode atteint 62,5% de réussite sur des scènes inédites (hors distribution) sur quatre tâches bimanuelles de manipulation sur table, soit 53,7 points de pourcentage de plus qu'un entraînement uniquement sur données réelles. Dans une étude à temps de collecte égal, SimHum dépasse de 35 points de pourcentage la meilleure méthode de pré-entraînement mono-source. Ce résultat s'attaque à l'un des principaux goulots d'étranglement de l'apprentissage robotique : le coût de la collecte de démonstrations réelles, souvent cité comme le facteur limitant de la généralisation des modèles vision-langage-action (VLA). Plutôt que d'opposer simulation et données humaines comme des substituts concurrents aux démonstrations réelles, l'étude les traite comme complémentaires, chacune comblant une lacune spécifique de l'autre. Pour les intégrateurs et les équipes de recherche en robotique, cela suggère qu'une stratégie hybride de données peut réduire fortement le volume de collecte réelle nécessaire pour atteindre une généralisation à de nouvelles scènes, un enjeu central pour tout déploiement hors laboratoire. Il faut toutefois noter que les résultats portent sur quatre tâches de manipulation sur table en environnement contrôlé, et non sur un déploiement en conditions réelles ou en usine, ce qui limite pour l'instant la portée des conclusions. Ce travail s'inscrit dans un champ de recherche très actif où plusieurs approches rivalisent pour réduire la dépendance aux démonstrations réelles, entre pré-entraînement sur données vidéo humaines à grande échelle et apprentissage par simulation massive, des stratégies déjà explorées par des modèles VLA comme Pi-0 de Physical Intelligence, GR00T N2 de NVIDIA ou Helix de Figure. SimHum se distingue en combinant explicitement les deux sources plutôt qu'en misant sur une seule. Il s'agit ici d'un article de recherche académique, sans produit ni robot commercial associé : aucune entreprise ni plateforme matérielle spécifique n'est mise en avant, et le travail est accompagné d'une page projet dédiée. Les prochaines étapes, non précisées dans cette version de l'article, porteraient logiquement sur l'extension à davantage de tâches, de robots et de scénarios au-delà de la manipulation sur table.

Recherche❖Paper

1 source

38

1542arXiv cs.RO 

LIFD : diffusion ancrée pour une mémoire de scène 3D dans la manipulation robotique

Un article de recherche publié sur arXiv (arXiv:2609.19796v1) présente LIFD (Look, Imagine, Focus, and Do), un système de mémoire de scène tridimensionnelle persistante destiné à la manipulation robotique en conditions d'observabilité partielle, c'est-à-dire lorsque des zones vues par le robot sortent du champ de la caméra à mesure qu'il ou la scène se déplace. Le système apprend une représentation en tokens de scène à partir d'un accord multi-vues, puis la complète en déploiement à partir d'une seule image RGB et d'une mémoire récurrente, grâce à un modèle de rectified-flow combiné à un mécanisme d'attention croisée guidée par des ancrages géométriques. Sur les bancs d'essai de simulation LIBERO et MetaWorld, la version dite "Staged" de LIFD atteint respectivement 91,6% et 79,8% de taux de réussite moyen, avec un gain de 3,1 points de pourcentage sur LIBERO par rapport à un entraînement joint classique. Sur un bras robotique réel UR5e, testé sur quatre familles de tâches avec seulement dix démonstrations par famille, LIFD obtient 56,0% de réussite moyenne contre 40,5% pour OpenVLA-7B, un modèle vision-langage-action de référence dans le secteur. Ce résultat s'attaque à une limite connue des politiques de manipulation actuelles: la plupart des architectures VLA raisonnent sur la vue courante et perdent la trace des objets ou surfaces qui sortent du cadre, ce qui fragilise les tâches nécessitant de se souvenir d'un état antérieur de la scène. En montrant qu'une mémoire de scène compacte peut être inférée à partir d'une unique caméra RGB et de la proprioception au moment du déploiement, sans capteurs multi-vues ni LIDAR embarqués, LIFD répond à une contrainte très concrète pour les intégrateurs: le coût et la complexité du capteur. L'écart de performance avec OpenVLA-7B en régime few-shot (dix démonstrations) est aussi un signal pour les décideurs B2B, car il suggère qu'une mémoire spatiale explicite peut compenser en partie le besoin de données massives, un frein habituel à l'adoption des VLA en environnement industriel réel. Sur le plan méthodologique, LIFD s'appuie sur un entraînement en deux temps: une phase de représentation supervisée par des signaux multi-vues et géométriques, suivie d'une politique de manipulation reliée à cette représentation via des "slot features" compactes. Les auteurs comparent explicitement deux régimes d'entraînement, "Staged" et "Joint", le premier se révélant supérieur, et positionnent leur approche face à OpenVLA-7B comme référence VLA open-source établie. Il s'agit à ce stade d'un travail de recherche publié en preprint, validé sur des simulateurs standards du domaine (LIBERO, MetaWorld) et un unique bras collaboratif UR5e en laboratoire, sans annonce de pilote industriel ni de calendrier de déploiement à plus grande échelle.

Recherche❖Paper

1 source

38

1543arXiv cs.RO 

Modèles d'espace de travail : mémoire robotique légère via supervision guidée par la saillance

Un article déposé sur arXiv sous la référence 2609.20820v1 propose une nouvelle méthode de mémoire pour les robots manipulateurs, baptisée « workspace token ». Le constat de départ : les tâches de manipulation complexes exigent de se souvenir d'actions et d'événements passés, mais conditionner une politique de contrôle sur l'historique complet des observations dégrade ses performances en introduisant des corrélations parasites. Les méthodes existantes compressent cet historique en interrogeant un modèle vision-langage (VLM) en boucle, au moment même de l'exécution, ce qui reste coûteux en calcul. Les auteurs déplacent ce coût vers la phase d'entraînement : un VLM identifie d'abord les informations passées et présentes utiles à la tâche, puis les distille dans un token latent léger via une fonction de perte de reconstruction d'ensemble. Ce token remplace ensuite directement les observations au moment du déploiement, une approche validée à la fois en simulation et sur robot physique. Le résultat notable, présenté par les auteurs eux-mêmes comme une surprise, est que ce token compressé n'allège pas seulement le calcul nécessaire au déploiement : il améliore aussi les performances sur des tâches à mémoire longue, sans compromis de précision. Pour les équipes de recherche robotique et les intégrateurs travaillant sur des politiques vision-language-action, l'enjeu est concret : le raisonnement VLM en boucle fermée est une source connue de latence et de coût de calcul embarqué, un frein direct au déploiement à cadence industrielle. Ces travaux suggèrent qu'une mémoire compacte apprise hors ligne peut remplacer ce raisonnement coûteux sans perte de performance, à rebours de l'hypothèse selon laquelle compresser le contexte se paie toujours en précision. Cette contribution s'inscrit dans un courant de recherche plus large sur la gestion du contexte et de la mémoire dans les politiques robotiques pilotées par des modèles vision-langage-action, un champ où réduire la dépendance à des requêtes de modèles lourds pendant l'exécution constitue une préoccupation partagée par les laboratoires développant ce type de systèmes à grande échelle. À ce stade, il s'agit d'un article de recherche sans lien annoncé avec un produit commercial, un partenaire industriel ou un robot précis : ni l'institution des auteurs ni de calendrier de suite ne sont précisés dans le résumé disponible. La validation matérielle évoquée reste limitée aux expériences décrites dans l'article, sans indication de volume de déploiement ni de robot commercial identifié.

Recherche❖Paper

1 source

38

1544arXiv cs.RO 

CoRef-GS : Splatting gaussien de référence coopératif pour la compréhension multi-agents de scènes

CoRef-GS, un framework de cartographie Gaussienne coopérative pour robots, a été décrit dans un article publié sur arXiv en septembre 2026 (référence 2609.20586). Le système répond à un cas concret : plusieurs robots construisent chacun une carte Gaussienne sémantique locale de leur environnement, et une fois ces cartes fusionnées, il faut pouvoir localiser un objet désigné en langage naturel même s'il n'a été observé que par un autre agent, tout en gardant les relations spatiales interprétées depuis le point de vue du robot qui pose la question. CoRef-GS construit d'abord des cartes Gaussiennes locales à vocabulaire ouvert et conscientes des instances, les aligne via un module d'alignement inter-agents combinant cohérence géométrique et sémantique, puis effectue le grounding grâce à un graphe de relations conditionné par la vue. Les auteurs introduisent aussi CoQuad-Ref, un benchmark reposant sur deux robots quadrupèdes et couvrant des scènes d'intérieur réelles et simulées : en simulation, l'erreur de rotation passe de 2,58 degrés après initialisation grossière à 0,15 degré après raffinement, et en conditions réelles le mIoU de référencement grimpe de 52,6% avec la méthode existante ReferSplat à 68,8% avec CoRef-GS. Code et benchmark doivent être publiés sur GitHub. Ce travail cible un verrou peu traité mais central pour les flottes de robots mobiles : faire coopérer plusieurs agents sur une carte sémantique commune sans perdre la capacité à traiter des instructions en langage naturel relatives et ambiguës. Les méthodes existantes de cartographie Gaussienne consciente du langage se limitent à l'interrogation d'une carte unique, tandis que les techniques de recalage Gaussien optimisent l'alignement géométrique ou photométrique sans préserver la compatibilité sémantique nécessaire au grounding, ce que CoRef-GS cherche justement à combiner. Les gains rapportés, une erreur de pose divisée par plus de quinze en simulation et un mIoU en hausse de seize points sur données réelles, restent issus d'un seul benchmark défini par les auteurs et demandent confirmation sur d'autres plateformes avant généralisation. Pour les intégrateurs qui déploient des flottes de robots mobiles ou quadrupèdes en entrepôt ou en bâtiment, l'enjeu démontré est réel : plusieurs unités doivent partager une compréhension cohérente de l'espace pour exécuter des instructions humaines sans recartographier chaque zone individuellement. CoRef-GS s'inscrit dans la lignée des cartes Gaussiennes sémantiques, ces représentations 3D Gaussian Splatting enrichies de features de langage développées pour le grounding dans des scènes reconstruites par un seul agent, limite que les auteurs identifient explicitement chez des approches comme ReferSplat, utilisée ici comme référence de comparaison. L'apport revendiqué est de déplacer ce paradigme vers un cadre multi-agent, testé sur des robots quadrupèdes plutôt que sur des humanoïdes ou des AMR à roues. Les auteurs annoncent la publication prochaine, en open source, du code et du benchmark CoQuad-Ref sur GitHub, ce qui permettra à la communauté de reproduire les résultats et de comparer d'autres méthodes de fusion de cartes sur le même protocole. Aucun calendrier de déploiement industriel n'est mentionné : le travail reste à ce stade une contribution de recherche académique, sans lien annoncé avec un acteur commercial.

Recherche❖Paper

1 source

38

1545arXiv cs.RO 

Apprentissage sim-vers-réel par vision pour l'insertion robotique face aux variations géométriques : application au ferraillage du béton armé

RebarSim est un système d'apprentissage visuel sim-to-real pour automatiser l'insertion de barres d'armature sur chantier, tâche répétitive et physique exigeant 1,4 mm de précision. Décrit dans un article arXiv du 18 septembre 2026 (2609.20477), il entraîne par renforcement un enseignant sur des géométries de rebar générées procéduralement, puis distille ce savoir dans un élève multi-vue qui transforme images RGB et proprioception en actions, sous randomisation de domaine intensive. Transférée sans donnée réelle supplémentaire, cette politique positionne des barres issues d'une vraie production d'usine dans 91,3% des essais sur robot réel. Diversifier les designs d'entraînement améliore le taux de réussite zero-shot, et un élève pré-entraîné s'adapte à un nouveau design avec 4 à 6 fois moins d'échantillons; retirer la randomisation d'apparence ou le mélange DAgger fait chuter nettement les résultats. Le résultat cible un problème concret du BTP: le ferraillage varie selon la conception de chaque élément structurel et selon les tolérances de fabrication propres à chaque lot, ce qui oblige normalement à recollecter des données réelles à chaque changement, un coût lourd pour une tâche à cycle court. En dépassant 91% de réussite sur des pièces réelles sans aucun fine-tuning sur site, RebarSim démontre que le sim-to-real peut tenir sur des tâches à contact riche et tolérance millimétrique, un registre où l'écart simulation-réalité reste généralement bloquant. Pour les intégrateurs et décideurs de la construction automatisée, la généralisation à des designs non vus réduit la recalibration par chantier, et les ablations isolent explicitement les leviers responsables du transfert plutôt que de s'appuyer sur une démonstration vidéo sélective. La tâche s'inscrit dans la recherche sur l'apprentissage sim-to-real pour la manipulation robotique de précision, où l'insertion à faible jeu mécanique sert de banc d'essai avant toute application industrielle. L'article, purement académique et sans partenariat industriel ni calendrier de déploiement annoncés, valide le système en conditions de laboratoire sur des pièces prélevées sur une véritable ligne de production, ce qui en fait une preuve de faisabilité technique plutôt qu'un produit prêt pour le chantier. Vidéos, code et ressources de la tâche sont publiés sur rebarsim.github.io. La suite logique, non annoncée par les auteurs, serait une validation en conditions de chantier réelles, moins contrôlées qu'en laboratoire, et une extension à d'autres tâches d'assemblage structurel à tolérances comparables.

Recherche❖Paper

1 source

38

1546arXiv cs.RO 

Apprentissage d'une navigation sûre pour humanoïdes à partir de modèles d'ordre réduit

Des chercheurs ont publié le 18 septembre 2026 sur arXiv (référence 2609.19272) une méthode de navigation autonome pour robots humanoïdes baptisée RoM-Nav, testée sur un Unitree G1. Le problème de départ est concret: un pipeline d'apprentissage par renforcement (RL) classique à un seul étage échoue à monter en échelle sur des terrains multi-niveaux et multi-étages, freiné par la difficulté des interactions pied-terrain complexes comme les escaliers. La solution proposée décompose la navigation en deux étapes. D'abord, une politique entraînée sur une dynamique d'ordre réduit (reduced order model) mais alimentée par des observations LiDAR 3D complètes apprend à se repérer dans un terrain complexe à plusieurs étages. Cette connaissance sert ensuite à amorcer une seconde politique opérant sur la dynamique complète du robot, avec une politique de locomotion déjà entraînée et figée intégrée dans la boucle. Un filtre de sécurité dit de Poisson est ajouté en sortie de la politique de navigation pour garantir la sécurité face à des obstacles inédits, sans dégrader le taux de réussite. Sur le G1, les essais ont couvert une navigation sans carte préalable (mapless) avec plus de 10 mètres de dénivelé vertical cumulé et plus de 100 mètres de trajet parcouru. L'intérêt pour le secteur tient à ce que ce travail s'attaque directement à un angle mort connu de la robotique humanoïde: la locomotion pure a beaucoup progressé, mais l'autonomie de navigation en environnement bâti réel, avec escaliers et changements d'étage, reste un goulot d'étranglement pour tout déploiement industriel ou logistique. En montrant qu'une décomposition hiérarchique (modèle réduit puis politique complète) permet de dépasser les limites du RL monolithique, et qu'un filtre de sécurité formel peut être ajouté sans sacrifier la performance, l'étude apporte un argument concret dans le débat sur la fiabilité des humanoïdes hors des démonstrations scénarisées. Ce résultat s'inscrit dans une recherche académique en cours plutôt que dans un produit commercial: il s'agit d'un preprint arXiv, non encore validé par relecture par les pairs, mais démontré sur du matériel réel plutôt qu'en simulation seule. Le choix du Unitree G1, plateforme largement utilisée par les laboratoires universitaires pour son accessibilité, souligne aussi que ce type d'expérimentation reste pour l'instant du ressort de la recherche plutôt que du déploiement en flotte. Les auteurs mettent à disposition une page projet avec vidéos (wdc3iii.github.io/rom-nav) mais n'annoncent pas de calendrier de transfert vers l'industrie.

Recherche❖Paper

1 source

38

1547arXiv cs.RO 

Contrôle prédictif de modèle distribué avec contrats basés sur la connectivité

Des chercheurs proposent une nouvelle approche de commande prédictive distribuée (DMPC) pour garantir que des équipes de robots mobiles restent connectées en réseau pendant leurs déplacements, un problème jusqu'ici mal résolu par les schémas existants. Publiee sur arXiv (arXiv:2609.19912), l'étude introduit le concept de "contrat de connectivité" : chaque robot se voit attribuer une région locale définissant ou ses positions prédites peuvent se situer sur son horizon de prédiction. Tant que chaque agent respecte son propre contrat, construit a partir d'un seul echange d'informations avec ses voisins immédiats, l'ensemble de l'équipe reste garanti connecte, sans qu'aucun agent n'ait besoin de connaitre l'état global du réseau. Chaque robot résout ensuite son problème d'optimisation de manière totalement indépendante. Les auteurs démontrent mathématiquement que le système en boucle fermée maintient la connectivité, évite les collisions et respecte les contraintes locales d'état et de commande. L'approche a été validée en simulation et sur du matériel réel, avec des robots miniatures autonomes de type voiture. Le résultat s'attaque a une limite structurelle connue des flottes de robots distribuées : la condition mathématique usuelle de connectivité réseau est non convexe et relie chaque agent a tous les autres, ce qui la rend incompatible avec un contrôleur temps réel scalable. La plupart des schémas DMPC actuels supposent simplement que le réseau reste connecte sans le garantir activement, une hypothèse fragile des que le nombre de robots augmente ou que l'environnement est contraint. Pour les intégrateurs de flottes de robots mobiles autonomes (AMR), en entrepôt, en logistique ou en inspection industrielle, disposer d'une garantie formelle de connectivité calculable localement et en temps réel représente une avancée pratique : elle permet d'envisager des essaims plus larges sans dépendre d'une infrastructure de communication centralisée ni d'une supervision globale couteuse en calcul. Ce travail s'inscrit dans la lignée des recherches en commande prédictive distribuée appliquée a la robotique multi-agents, domaine ou la tension entre scalabilité et garanties de sûreté reste une difficulté centrale. Contrairement aux approches précédentes qui imposaient des contraintes de connectivité globales et couteuses en calcul, la méthode des contrats locaux ne nécessite qu'un echange unique entre voisins avant que chaque agent optimise indépendamment sa trajectoire. Les auteurs ne précisent aucun industriel partenaire ni calendrier de déploiement commercial ; il s'agit a ce stade d'une contribution académique validée sur une plateforme expérimentale réduite, dont la prochaine étape naturelle serait un passage a l'échelle sur des flottes plus nombreuses et des environnements moins contrôles.

Recherche❖Paper

1 source

38

1548arXiv cs.RO 

REACT : un modèle d'état entièrement à impulsions pour la perception temporelle événementielle en temps réel

Des chercheurs présentent REACT, un modèle d'état spiking (state-space model) entièrement neuromorphique pour la perception événementielle en temps réel, dans un preprint arXiv (2609.19204v1) publié le 18 septembre 2026. À la différence des méthodes qui agrègent les événements captés par une caméra événementielle en images ou en fenêtres temporelles, ce qui introduit un délai d'intégration, REACT traite chaque événement individuellement via un neurone spiking à valeurs complexes baptisé C-SiLIF, dont la dynamique continue suit l'intervalle physique entre deux événements. Testé sur la reconnaissance de gestes et sur l'estimation du temps avant collision (TTC) à partir de flux événementiels complets, sans boîte englobante ni information de localisation de la cible, REACT atteint sur le jeu de données EvTTC une erreur relative de TTC de 9,59% avec 4,6 ms de latence d'inférence de bout en bout, à seulement 0,15 point de pourcentage de la meilleure méthode apprise existante. À la vitesse d'approche moyenne du jeu de données, cette latence correspond à 4 cm de déplacement du véhicule, contre 1 mètre pour la méthode concurrente la plus rapide. Une quantification INT8 ramène la consommation énergétique estimée de 18,5 à 2,8 millijoules pour 32 768 événements. Pour les systèmes robotiques évoluant en environnement dynamique (véhicules autonomes, robots mobiles, évitement de collision), ce travail s'attaque au goulot d'étranglement des caméras événementielles: leur résolution temporelle microseconde est aujourd'hui neutralisée par des pipelines d'apprentissage qui rebinnent les événements en trames, réintroduisant la latence que ces capteurs étaient censés éliminer. En égalant quasiment la précision des meilleures méthodes apprises classiques tout en réduisant d'un facteur 25 environ la distance parcourue pendant l'inférence, REACT apporte un argument concret en faveur des réseaux à impulsions pour la perception embarquée temps réel, un terrain longtemps cantonné à des démonstrations peu compétitives face au deep learning conventionnel. Le gain énergétique via quantification INT8 (facteur 6,6 environ) intéresse directement les intégrateurs de drones, d'AMR ou de systèmes ADAS contraints en puissance de calcul. Ce travail prolonge les recherches sur la vision événementielle, portée depuis plus d'une décennie par des capteurs asynchrones de type DVS, et sur les réseaux de neurones à impulsions, approche neuromorphique censée rapprocher le calcul du fonctionnement de la rétine biologique. Les auteurs pointent que l'essentiel des méthodes actuelles ignore l'asynchronie native des événements en les regroupant artificiellement en fenêtres temporelles; le neurone C-SiLIF vise justement à la préserver. Publié comme preprint arXiv de type "new", donc pas encore évalué par les pairs, le travail reste au stade de validation sur benchmarks (EvTTC, reconnaissance de gestes) comparés à des méthodes apprises existantes, sans partenaire industriel, déploiement réel ni calendrier de commercialisation mentionnés à ce stade.

Recherche❖Paper

1 source

38

1549arXiv cs.RO 

Apprentissage de l'anticipation sans trajectoires explicites pour les politiques de diffusion 3D

Un preprint publié sur arXiv en septembre 2026 (2609.20669) présente Movement Trend Guidance (MTG), une méthode qui améliore les politiques de diffusion 3D en manipulation robotique. Construite au-dessus du modèle de référence DP3 (3D Diffusion Policy), elle n'ajoute que 3,52% de paramètres supplémentaires. À partir d'un court historique d'observations, le système apprend une représentation latente compacte de l'évolution de l'interaction, supervisée à l'entraînement par des états futurs épars du gripper; à l'inférence, seul ce latent sert de signal de conditionnement, injecté via une branche FiLM ajoutée au goulot d'étranglement du réseau UNet. Les gains face à DP3 sont nets sur trois bancs d'essai: 62,8% contre 56,1% en entraînement mixte sur 50 tâches de RoboTwin2.0, 71,93% contre 37,08% sur LIBERO-40, et 72,0% contre 49,0% sur cinq tâches évaluées en conditions réelles, sur le benchmark DexArt. L'enjeu dépasse le score brut. Les politiques de diffusion génèrent des mouvements géométriquement plausibles à partir de l'observation présente, mais laissaient jusqu'ici l'anticipation de la suite de l'interaction émerger implicitement de l'apprentissage de l'action seule. MTG rend cette anticipation explicite sans imposer de trajectoire planifiée, une alternative légère aux modèles du monde ou à la prédiction de trajectoire explicite, plus coûteux en calcul. Pour les intégrateurs et les équipes de recherche, le signal clé est que ce gain de robustesse, dont un quasi-doublement du taux de réussite sur LIBERO-40, s'obtient pour un surcoût d'architecture marginal, ce qui facilite une adoption dans des piles déjà basées sur DP3. Le travail reste toutefois un résultat de preprint non relu par les pairs, évalué selon le protocole propre des auteurs; l'écart entre benchmark et déploiement industriel réel reste à confirmer à plus grande échelle. DP3 combine diffusion générative et observations en nuages de points 3D pour l'apprentissage par imitation de tâches de manipulation. RoboTwin2.0, LIBERO-40 et DexArt sont des bancs d'essai standards du secteur pour comparer les politiques de manipulation, en simulation et, pour partie, en conditions réelles. MTG s'inscrit dans une recherche plus large, menée en parallèle des grands modèles vision-langage-action comme Pi-0, GR00T N2 ou Helix, qui cherchent tous à doter les politiques robotiques d'une meilleure anticipation à long horizon sans planification de trajectoire coûteuse. Aucun acteur commercial français ou européen n'est associé à ces travaux, qui restent une contribution académique; ni date de publication du code ni pilote industriel ne sont mentionnés, la suite logique étant une revue par les pairs puis une éventuelle intégration dans des piles VLA commerciales existantes.

Recherche❖Paper

1 source

38

1550arXiv cs.RO 

Apprentissage et transfert de logiciels robotiques en boucle fermée

Un article de recherche mis en ligne sur arXiv sous la référence 2609.19906v1, intitulé « Learning and Transferring Closed-Loop Robot Software », étudie si du code de politique robotique amélioré sur une tâche peut être réutilisé pour en apprendre de nouvelles. La méthode : pour chaque tâche source, un agent de codage génère une politique de contrôle en boucle fermée à partir de quelques démonstrations réussies, l'améliore de façon itérative via un retour de simulation, puis conserve les versions validées dans une archive logicielle ; pour une tâche cible nouvelle, l'agent réutilise ces implémentations archivées avec des démonstrations cibles et un retour d'exécution pour produire une politique finale, figée, qui tourne ensuite sans plus aucun appel à un modèle. Testée dans l'environnement de simulation RoboCasa, l'optimisation itérative fait passer le taux de réussite moyen de 28,3% à 64,2% sur quatre tâches sources. Sur neuf tâches cibles et trois exécutions indépendantes, le taux de réussite moyen atteint 45,2% sans code de référence, 41,5% avec le code source initial non optimisé, et 57,0% avec le code source optimisé, soit un gain moyen de 15,6 points de pourcentage en faveur des versions optimisées sur les trois runs. Ce résultat apporte un argument concret dans le débat sur l'utilité réelle des agents de codage en robotique : du code de contrôle amélioré sur une tâche transfère effectivement à de nouvelles tâches, et pas seulement de façon locale et sur-ajustée à son contexte d'origine. Pour les équipes R&D et les intégrateurs, cela suggère la possibilité de bibliothèques logicielles capitalisables d'une tâche à l'autre, une alternative au réentraînement ou au fine-tuning généralement requis par les politiques neuronales vision-langage-action (VLA) de bout en bout à chaque nouveau contexte d'usage. Les auteurs tempèrent toutefois eux-mêmes la portée de leur démonstration : sur deux des neuf tâches cibles, le code initial non optimisé reste en moyenne meilleur que le code optimisé, signe que le transfert n'est ni garanti ni uniforme selon les tâches. L'étude s'inscrit dans un courant de recherche qui explore les agents de codage assistés par IA comme alternative ou complément aux politiques neuronales entraînées de bout en bout, un terrain aujourd'hui dominé dans les annonces industrielles par les grands modèles VLA. Elle repose entièrement sur RoboCasa, un environnement de simulation de tâches domestiques et de manipulation, sans mention de déploiement sur robot physique ni de partenariat industriel. Le résumé ne précise ni l'agent de codage ni le modèle de langage sous-jacent utilisé pour générer les politiques, ni le coût de calcul de l'optimisation itérative par tâche, des éléments qui resteront à documenter pour juger de la viabilité de l'approche au-delà de la simulation.

Recherche❖Paper

1 source