Actualités robotique — page 35

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

40

1701arXiv cs.RO 

SAVLA : des modèles vision-langage-action sensibles à la symétrie pour la manipulation robotique

Un article publié le 16 septembre 2026 sur arXiv (2609.16641) présente SAVLA (Symmetry-Aware Vision-Language-Action), un modèle de manipulation robotique conditionnée par le langage. Contrairement aux modèles vision-langage-action classiques, qui n'apprennent leur compétence spatiale qu'à partir des démonstrations et échouent hors de la plage de poses couverte par celles-ci, SAVLA gèle un backbone vision-langage pré-entraîné et y ajoute une tête d'action équivariante par flow-matching ainsi qu'un module de canonicalisation qui ramène les vues obliques dans un repère de référence tout en faisant tourner les conditions géométriques en conséquence. Testé sur le benchmark simulé LIBERO face au modèle GR00T N1.5 de NVIDIA, SAVLA améliore de 5,1 points le taux de réussite moyen sur les quatre suites du benchmark, et fait passer le taux de réussite sous rotation sur LIBERO-Goal de 41,5% à 90,4%. Le résultat s'attaque à une faiblesse connue des VLA : leur généralisation géométrique limitée, qui oblige aujourd'hui les intégrateurs à multiplier les démonstrations pour couvrir chaque orientation possible d'objet ou de caméra sur une ligne de production. En codant la symétrie directement dans l'architecture plutôt qu'en la laissant émerger des données, SAVLA vise une robustesse aux changements de pose avec moins d'exemples, un argument pertinent pour réduire le coût de collecte de données avant tout déploiement industriel de bras ou d'humanoïdes pilotés par VLA. Le gain reste toutefois mesuré en simulation sur un benchmark académique, pas sur un robot physique en usine, ce qui en fait une preuve de concept méthodologique plutôt qu'une solution prête à l'emploi. SAVLA s'inscrit dans la vague des modèles VLA devenus le paradigme dominant du contrôle robotique par langage naturel, aux côtés de familles comme GR00T de NVIDIA, Pi-0 de Physical Intelligence ou Helix de Figure. Le choix de GR00T N1.5 comme référence positionne directement SAVLA face à l'un des modèles de fondation les plus utilisés du secteur. La méthode puise dans des travaux antérieurs sur l'apprentissage équivariant, une approche distincte du tout-données qui domine l'entraînement actuel des VLA. L'article ne mentionne ni partenariat industriel ni test sur robot physique, la validation en conditions réelles restant l'étape suivante logique pour ce type de travail académique.

IA physique⚡Actu

1 source

40

1702arXiv cs.RO 

Fusion exacte et exploration coordonnée en inférence active multi-robots

Un article publié sur arXiv le 17 septembre 2026 (référence 2609.17384) corrige un biais mathématique dans l'inférence active multi-robot, un cadre où des flottes de robots explorent selon le gain d'information espéré de leurs actions plutôt que via des récompenses codées à la main. Les auteurs montrent que la croyance environnementale partagée par l'équipe est comptée en trop à deux endroits : lors de la fusion, où le produit des posteriors locaux compte le prior commun une fois par robot, et lors de la planification, où chaque robot évalue son plan sur cette même croyance et pousse toute l'équipe vers la même cible inconnue. Leur correction ajoute des incréments d'évidence au paramètre partagé, réalisés à la fusion et attendus à la planification ; elle est exacte pour les croyances gaussiennes et pour les croyances de Dirichlet sous approximation de nouveauté, mais échoue pour les classes d'hypothèses finies, traitées à la place par une courte énumération exacte. L'approche est validée par simulation sur trois bancs d'essai classiques : RockSample coopératif, recherche de nourriture et surveillance de terrain. Pour les concepteurs de flottes de robots coopératifs, essaims d'exploration, drones de surveillance ou AMR sans coordinateur central, le résultat clé est que corriger seulement la fusion ne change rien à la redondance d'exploration entre robots : c'est l'anticipation de l'évidence au moment de la planification qui l'élimine réellement. Combinée à un engagement séquentiel, où chaque robot planifie après avoir vu la décision du précédent, cette correction récupère l'essentiel de la valeur d'une planification centralisée, à un coût qui croît linéairement avec la taille de l'équipe plutôt que de manière combinatoire. Le travail met ainsi en évidence un écueil silencieux déjà connu en fusion bayésienne distribuée, proche du problème classique du double comptage en filtrage de Kalman décentralisé, qui peut dégrader les performances d'une flotte sans que les opérateurs s'en aperçoivent. Ce travail s'inscrit dans le champ de l'inférence active, un formalisme issu des neurosciences computationnelles de plus en plus repris en robotique et en décision multi-agents. Le double comptage d'évidence est un problème classique de la fusion de données distribuée, déjà documenté en filtrage décentralisé et en SLAM multi-robots, mais les auteurs affirment le traiter ici de façon unifiée, à la fois au niveau de la fusion et de la planification. L'article reste une contribution théorique validée uniquement en simulation, sans plateforme robotique réelle ni partenaire industriel cité, et n'annonce à ce stade ni calendrier ni pilote de déploiement.

Recherche❖Paper

1 source

40

1703arXiv cs.RO 

TEMPO : apprendre le contexte temporel pour la manipulation robotique dynamique

Publié fin 2026 sur arXiv (2609.16864), un article de recherche présente TEMPO, une méthode destinée à corriger les limites des modèles vision-langage-action (VLA) en manipulation dynamique. Ces modèles ne traitant qu'une seule observation au moment de l'inférence, ils souffrent de deux défauts identifiés par les auteurs : l'ambiguïté de mouvement, qui empêche d'anticiper la trajectoire d'un objet en déplacement, et l'aliasing d'état, où des scènes visuellement identiques appellent des actions différentes selon le moment de la tâche. TEMPO ajoute à un VLA déjà entraîné deux signaux temporels, un résumé de mouvement issu d'un modèle de fondation vidéo figé et un historique proprioceptif compact, sans modifier le backbone ni alourdir sensiblement le calcul. Sur quatre tâches dynamiques testées, le taux de réussite du transfert de bouteille (Bottle Handover) passe de 44% à 74%, et les auteurs publient aussi TEMPO-Bench, plus de 50 000 images annotées pour évaluer la perception temporelle des robots, en formats régression et choix multiple. Le résultat touche un point sensible pour le secteur : la plupart des VLA actuels, de Pi-0 à GR00T N2 en passant par Helix, reposent sur une image instantanée et échouent typiquement sur les tâches impliquant des objets en mouvement ou des remises main à main, un scénario courant en logistique et en collaboration homme-robot. En montrant que ces échecs persistent quels que soient la taille du modèle et la latence d'inférence, les auteurs suggèrent que le verrou n'est pas la puissance de calcul mais l'absence de contexte temporel, ce qui nuance l'hypothèse répandue selon laquelle le simple passage à l'échelle suffirait à combler l'écart entre démonstrations en laboratoire et usage réel. Pour les intégrateurs, l'intérêt pratique est que TEMPO se greffe sur un modèle existant sans réentraînement du backbone. L'article, encore un preprint non revu par les pairs et sans affiliation précisée dans le résumé, s'inscrit dans les efforts académiques visant à combler les limites des VLA popularisés depuis 2024-2025 par des acteurs comme Physical Intelligence, Nvidia ou Figure AI. Il ne s'agit pas d'un déploiement commercial mais d'une contribution méthodologique assortie d'un benchmark ouvert, TEMPO-Bench, disponible sur le site du projet (tempo-robot.github.io). Conçue comme un module agnostique du backbone, la méthode devrait logiquement être testée sur d'autres familles de VLA et sur davantage de plateformes robotiques, au-delà des quatre tâches évaluées dans cette première étude.

IA physique❧Opinion

1 source

39

1704arXiv cs.RO 

Modèles du monde pour l'IA incarnée : du plausible au contrôlable, jusqu'à l'actionnable

Un article de synthèse publié sur arXiv sous la référence 2609.16697v1 propose un nouveau cadre pour évaluer les « world models » des agents robotiques, ces modèles qui relient perception et décision en maintenant un état interne et en anticipant les conséquences d'une action avant son exécution. Les auteurs distinguent trois niveaux de capacité croissants : les modèles « plausibles », qui préservent la structure temporelle, géométrique ou physique utile à la tâche ; les modèles « contrôlables », qui prédisent en plus l'effet d'une intervention sur cette structure ; et les modèles « actionnables », qui traduisent ces prédictions en gains mesurables pour la planification, l'apprentissage, l'évaluation ou la récupération après erreur. Ce cadre, complété par une matrice croisant géométrie, physique et ancrage dans l'action avec quatre leviers d'amélioration (données, récompenses, politiques, modèle), sert à passer en revue les travaux publiés en manipulation robotique, navigation, locomotion, conduite autonome et apprentissage incarné général. Pour les équipes de recherche en robotique et les intégrateurs qui évaluent des piles vision-language-action (VLA) ou des simulateurs d'entraînement, ce cadre déplace le critère de jugement : la valeur d'un world model ne devrait plus se mesurer à la fidélité visuelle de ses prédictions mais à sa capacité réelle à améliorer le comportement d'un agent en boucle fermée. C'est une remise en question implicite d'une partie des démonstrations génératives actuelles en robotique, souvent jugées sur leur photoréalisme plutôt que sur leur utilité décisionnelle : une prédiction visuellement convaincante mais physiquement fausse peut conduire à une action erronée en manipulation fine ou en conduite autonome. L'article fournit ainsi un vocabulaire et des critères pour distinguer, parmi les annonces du secteur, la démonstration générative de l'amélioration mesurable de performance. Publié comme contribution de recherche nouvelle sur arXiv, sans produit ni déploiement associé, le papier se positionne par rapport aux revues existantes sur le sujet, qui organisent généralement la littérature par architecture, modalité de sortie ou domaine d'application, sans répondre explicitement à la question des capacités prédictives qui améliorent réellement le comportement d'un agent. Les auteurs identifient plusieurs verrous de recherche encore ouverts : cohérence des prédictions sur de longs horizons temporels, calibration de l'incertitude, tests d'intervention causale, latence d'inférence, vérification et récupération après échec, et transfert entre différentes morphologies de robots. Ces limites dessinent une feuille de route pour la recherche à venir, dans un domaine où la plupart des acteurs communiquent encore surtout sur des démonstrations plutôt que sur des déploiements vérifiés.

Recherche❖Paper

1 source

39

1705arXiv cs.RO 

Weave : apprentissage de la loco-manipulation dextérique du corps entier par interactions humain-objet

Une équipe de recherche publie sur arXiv, le 16 septembre 2026 (arXiv:2609.16683), Weave, un framework pour apprendre à des robots humanoïdes la loco-manipulation dextre en corps entier à partir de démonstrations humaines capturées. Ces interactions humain-objet sont converties en références exécutables par le robot via un retargeting sensible aux contacts et une complétion du mouvement d'approche. Une politique consciente des contacts et de la géométrie commande ensuite simultanément 29 articulations corporelles et 12 articulations de doigts actionnées, sur plusieurs objets et séquences d'interaction. Sur neuf objets testés, le taux de réussite atteint 92,5 % pour les interactions entraînées et 65,0 % pour des séquences totalement inédites, sans entraînement supplémentaire. Les auteurs publient aussi environ 9 000 exécutions physiques réelles, soit près de 23 heures de trajectoires robot-objet annotées en contacts. Coordonner équilibre, locomotion et contact dextre des doigts reste l'un des obstacles majeurs pour faire passer les humanoïdes de la démonstration scriptée à la manipulation réelle d'objets variés, un enjeu direct pour les intégrateurs visant l'entrepôt ou l'usine. En retargetant des captures de mouvement humain vers l'embodiment du robot, Weave s'attaque frontalement au fossé entre démonstration et contrôle réel. Le score de 65 % sur des séquences jamais vues, même limité à neuf objets, suggère que la politique apprend des primitives de contact réutilisables plutôt que de simples trajectoires mémorisées, une distinction clé face aux démonstrations vidéo soigneusement sélectionnées courantes dans le secteur. Le jeu de données publié constitue par ailleurs une ressource comparable, dans son esprit, aux corpus servant à entraîner des modèles vision-langage-action comme Pi-0 ou GR00T N2. Il s'agit d'un travail de recherche en preprint, sans partenaire industriel ni plateforme robotique nommée dans le résumé, pas encore relu par les pairs : une démonstration de laboratoire, non un produit déployé ni un pilote commercial. Weave s'inscrit dans la vague de recherches sur l'apprentissage par imitation à partir de capture de mouvement humain, aux côtés d'initiatives comme Helix chez Figure ou les politiques de Physical Intelligence, qui visent toutes à résoudre le transfert humain-vers-robot pour la manipulation dextre. Aucun calendrier de déploiement n'est annoncé ; la suite logique, ouverte par la publication du jeu de données, est son adoption par d'autres équipes pour entraîner ou évaluer leurs propres politiques d'interaction, plutôt qu'un lancement produit à court terme.

Recherche❖Paper

1 source

39

1706arXiv cs.RO 

CoAdapt : un framework basé sur un LLM pour la perception collaborative adaptative dans les essaims robotiques IIoT

Les chercheurs présentent CoAdapt, un framework de perception collaborative adaptative destiné aux essaims de robots mobiles autonomes dans l'IIoT (Industrial Internet of Things), pour des tâches comme la manutention, l'assemblage de produits ou l'inspection d'infrastructures. Le système utilise un grand modèle de langage (LLM) comme contrôleur de fusion en temps réel : il décide dynamiquement quels robots participent à la fusion des données LiDAR et quel algorithme de fusion appliquer, en fonction de la configuration spatiale et de l'état du réseau à un instant donné. Le LLM ne traite pas directement les nuages de points bruts mais raisonne sur des descriptions structurées en langage naturel dérivées de ces données, sans nécessiter d'entraînement spécifique à la tâche. Évalué sur le benchmark OPV2V à travers 25 scénarios, CoAdapt affiche une réduction de 38% du coût de communication tout en maintenant une précision de détection comparable aux approches statiques de référence. L'étude est publiée sous la référence arXiv:2609.16852v1. Ce travail cible une limite concrète des systèmes actuels de perception collaborative multi-robots : ils supposent une participation statique des agents, alors que les environnements industriels réels impliquent des positions robotiques changeantes, une bande passante réseau fluctuante et une contribution variable de chaque robot à la qualité de perception collective. Pour les intégrateurs de flottes de robots mobiles autonomes (AMR) en usine ou en entrepôt, l'enjeu est direct : réduire la charge réseau sans dégrader la fiabilité de détection permet de déployer des essaims plus larges avec une infrastructure de communication moins coûteuse. L'approche illustre aussi une tendance plus large où les LLM sont utilisés non pas pour générer du texte mais comme couches de décision et d'orchestration au runtime, exploitant leur capacité de raisonnement sur des descriptions symboliques plutôt que sur des données de capteurs brutes, ce qui limite le besoin de réentraînement lors de changements de topologie du swarm. Le papier s'inscrit dans la lignée des travaux sur la perception collaborative véhicule-à-véhicule et robot-à-robot, dont OPV2V (Open V2V Perception), le benchmark utilisé ici, est devenu une référence standard pour évaluer la fusion LiDAR multi-agents en simulation. CoAdapt ne précise pas d'acteur industriel partenaire ni de déploiement réel sur site : il s'agit d'un résultat de recherche académique validé en simulation, sans indication de mise en production ni de pilote annoncé avec un fabricant de robots ou un intégrateur. Aucune entreprise française ou européenne du secteur robotique n'est mentionnée dans cette publication.

Recherche❖Paper

1 source

39

1707arXiv cs.RO 

Estimation d'état de maillage différentiable par inférence sur graphe de facteurs pour la reconstruction d'objets déformables

Une équipe de recherche propose, dans un article publié le 16 septembre 2026 sur arXiv (2609.16686v1), un nouveau cadre probabiliste pour estimer l'état de maillages déformables en robotique et en simulation. La méthode s'appuie sur des graphes de facteurs (factor graphs) pour mettre à jour directement un maillage tétraédrique, représentation dense et physiquement cohérente d'un objet ou d'un environnement, en combinant trois sources d'information dans une formulation probabiliste unifiée : des a priori physiques, des mesures de capteurs bruitées, et des contraintes de lissage temporel. Le problème d'estimation est posé comme une optimisation par moindres carrés non linéaires, résolue via l'algorithme de Levenberg-Marquardt. Les auteurs valident l'approche sur deux terrains distincts : des expériences ex vivo d'obstruction des voies aériennes centrales, et des simulations de cubes en déformation, démontrant une reconstruction fiable aussi bien en mouvement rigide qu'en déformation. Cette contribution s'adresse à un problème récurrent en robotique de manipulation et en robotique médicale : les objets déformables (tissus mous, câbles, textiles, organes) restent difficiles à modéliser en temps réel avec des méthodes purement géométriques ou purement basées capteurs. En ancrant l'estimation dans une représentation physique explicite plutôt que dans un modèle appris de bout en bout, l'approche vise une meilleure généralisation et une interprétabilité utile pour des applications critiques comme la chirurgie assistée ou la planification d'intervention, où la traçabilité des estimations compte autant que leur précision. Elle illustre aussi une tendance de fond en robotique de manipulation : hybrider physique et inférence probabiliste plutôt que de tout confier à des réseaux de neurones appris sur de larges corpus. Le travail s'inscrit dans la lignée des recherches sur le SLAM déformable et la reconstruction de scènes dynamiques, domaines où les représentations neuronales (NeRF, Gaussian splatting) ont récemment dominé. Les auteurs positionnent leur méthode comme une alternative structurée à ces approches, mieux adaptée aux contraintes physiques. Les tests restent limités à un cadre ex vivo et à des simulations, sans validation in vivo ni intégration robotique complète annoncée à ce stade, ce qui situe la publication du côté de la recherche méthodologique plutôt que d'un système prêt au déploiement.

Recherche❖Paper

1 source

39

1708arXiv cs.RO 

ManiSkillFormer : manipulation compositionnelle sans démonstration via des contrats géométriques liés à la tâche

Une équipe de recherche a publié le 16 septembre 2026 sur arXiv (référence 2609.16331) une étude décrivant ManiSkillFormer, un système de manipulation robotique neuro-symbolique qui se passe entièrement de démonstrations humaines et d'entraînement de politique visuomotrice de bout en bout par objet. Le procédé repose sur des « contrats géométriques conditionnés par la tâche » : pour chaque compétence (saisir, verser, dévisser, plier), un agent basé sur un grand modèle de langage génère, à partir de structures définies par des humains, la liste des primitives 3D nécessaires (points clés d'un objet, normales de surface) et les modèles de mouvement associés. Un module de perception ancre ensuite ces primitives dans les observations du robot pour instancier des mouvements réutilisables issus d'une bibliothèque de compétences. Le système a été testé sur le bras bimanuel Galaxea R1-Lite selon trois protocoles : prise et dépose zero-shot sur 8 catégories d'objets et 30 instances, manipulation fonctionnelle (dévissage, versement, pression, pliage) et trois tâches à long horizon, avec des taux de réussite rapportés de 88,24%, 75,00% en moyenne et 50 à 80% de complétion respectivement, devant les bases de comparaison et deux versions ablationnées. Pour l'industrie, ce travail vise le goulot d'étranglement le plus coûteux des politiques de manipulation actuelles : la collecte de démonstrations et le réentraînement par objet. Si l'approche tient à plus grande échelle, elle offrirait aux intégrateurs un moyen d'ajouter objets et tâches sans nouvelle collecte de données, un argument frontal contre les modèles vision-langage-action entraînés de bout en bout. Les résultats restent toutefois obtenus sur un seul bras robotique et un jeu d'objets limité en laboratoire, sans confrontation à un déploiement industriel réel, ce qui invite à la prudence avant toute extrapolation. Ce travail s'inscrit dans le débat entre modèles VLA de bout en bout, tels Pi-0 ou GR00T N2, et approches structurées combinant perception symbolique et bibliothèques de compétences. En confiant à des LLM la génération automatique des contrats géométriques et des modèles de mouvement plutôt que leur codage manuel, les auteurs cherchent à marier flexibilité du langage naturel et fiabilité d'un pipeline géométrique explicite. Publié comme préprint arXiv sans affiliation industrielle ni calendrier de déploiement annoncé, ManiSkillFormer demeure à ce stade une contribution de recherche à valider sur d'autres plateformes et à plus grande échelle.

Recherche❖Paper

1 source

39

1709arXiv cs.RO 

SafeFlow: contrôle corporel d'humanoïdes en temps réel par texte, via flux rectifié physique et sécurité sélective

Des chercheurs présentent SafeFlow, un framework de contrôle corps-entier pour robots humanoïdes piloté par des commandes texte en temps réel, décrit dans une prépublication arXiv (2603.23983v2, version révisée). Le système génère les trajectoires via un "Physics-Guided Rectified Flow Matching" opérant dans un espace latent VAE, accéléré par une technique de Reflow qui réduit le nombre d'évaluations de fonction nécessaires pour rester temps réel. Un "3-Stage Safety Gate" filtre ensuite les mouvements en trois étapes : détection des prompts hors distribution par score de Mahalanobis dans l'espace d'embedding texte, élimination des générations instables via une métrique de sensibilité directionnelle, puis application de limites cinématiques strictes (articulations, vitesses) avant transmission au contrôleur bas niveau. Les essais, menés sur le robot Unitree G1 avec trois contrôleurs de suivi distincts, montrent SafeFlow supérieur à des méthodes de diffusion et de retargeting en taux de réussite, conformité physique, vitesse d'inférence et diversité des mouvements. L'enjeu est ce que les auteurs nomment "l'hallucination physique" : des générateurs purement cinématiques produisent des trajectoires plausibles à l'écran mais irréalisables, voire dangereuses, une fois exécutées sur du matériel réel, un défaut qui s'aggrave dès que l'instruction sort de la distribution d'entraînement. C'est précisément le point de friction entre les démonstrations vidéo léchées des humanoïdes commerciaux et un déploiement en environnement ouvert, un enjeu que partagent les architectures vision-langage-action comme Helix (Figure AI), GR00T N2 (NVIDIA) ou Pi-0 (Physical Intelligence). Plutôt que de restreindre le vocabulaire accepté, SafeFlow filtre activement les commandes risquées avant exécution, ce qui rappelle aux intégrateurs que le contrôle humanoïde en langage naturel reste un problème de recherche ouvert, malgré des vidéos de démonstration de plus en plus fluides. SafeFlow prolonge les travaux associant génération de mouvement par diffusion ou flow matching et contraintes physiques, un axe stimulé par la multiplication des humanoïdes bipèdes accessibles comme plateformes d'essai, aux côtés de systèmes comme Figure 03 ou Optimus. La publication reste une contribution académique en prépublication : aucun partenariat industriel, pilote commercial ni calendrier de déploiement n'est mentionné, et la validation se limite à des essais en laboratoire sur une seule plateforme robotique, testée toutefois avec trois contrôleurs de suivi distincts pour vérifier la généralité de l'approche. L'institution d'origine et une comparaison directe avec les systèmes propriétaires cités ne sont pas précisées, laissant ouverte la question d'une adoption future de cette architecture de sécurité au-delà du cadre académique.

IA physique❧Opinion

1 source

39

1710arXiv cs.RO 

Apprentissage des relations CAO et planification géométrico-symbolique pour l'assemblage robotique

Un article publié sur arXiv (2609.17263v1) présente un cadre hybride de planification de séquences d'assemblage robotique combinant apprentissage automatique et raisonnement géométrique-symbolique, pensé pour des modèles CAO imparfaits, souvent dépourvus d'informations de contact fiables. Un réseau de neurones prédit les relations géométriques entre pièces à partir de nuages de points, corrigées si besoin par une supervision humaine, puis converties en graphe d'assemblage symbolique exploité par un planificateur qui calcule des primitives de manipulation robotique, guidé par un ray-casting basé sur la visibilité pour trouver les directions de désassemblage sans recherche combinatoire exhaustive. Sur le benchmark ASAP, le système atteint 85,83% de réussite en réduisant le temps médian de planification d'un ordre de grandeur, et jusqu'à 50 fois pour les assemblages de plus de 30 composants. La planification d'assemblage est un problème combinatoire dont le coût explose avec le nombre de pièces, rendant les méthodes exhaustives inutilisables sur des assemblages industriels complexes. Le frein pratique majeur reste les données: la plupart des CAO industrielles manquent des métadonnées de contact nécessaires, imposant un étiquetage manuel coûteux avant tout déploiement. En combinant extraction de relations apprise et vérification humaine ciblée, le framework réduit cette dépendance, un point concret pour les intégrateurs travaillant sur des données réelles plutôt que des maquettes idéalisées. Le gain de vitesse, jusqu'à 50 fois sur les cas complexes, intéresse les lignes reconfigurables où chaque changement de produit exige une replanification rapide, même si 85,83% de réussite laisse une marge d'échec non négligeable sur un résultat encore expérimental. Le travail s'inscrit dans un champ de recherche actif sur la planification d'assemblage et de désassemblage robotique, où le jeu de données ASAP sert de référence pour comparer les méthodes; les auteurs y opposent leur approche à une méthode combinatoire classique, nettement plus lente. Publié comme nouvelle soumission arXiv sans affiliation industrielle ni calendrier commercial précisé, ce document reste une contribution académique, pensée comme fondation pour des systèmes de planification plus adaptables. Sa portée pratique dépendra de validations futures sur des cellules robotiques réelles et des catalogues de pièces plus larges, étape annoncée mais non détaillée.

Recherche❖Paper

1 source

38

1711arXiv cs.RO 

Calibrer une fois, piloter n'importe quel essaim : entraînement basse fidélité ancré sur le résiduel pour drones coopératifs

Des chercheurs proposent une méthode d'entrainement a fidélité mixte pour des essaims de drones coopératifs, décrite dans un papier arXiv (2609.17265v1) publie en septembre 2026. La méthode entraine une politique de renforcement partagée et décentralisée dans un simulateur point-mass basse fidélité (LF), entièrement différentiable et code en JAX, plutôt que dans un simulateur haute fidélité (HF) a corps rigides, couteux en calcul. Un petit ensemble de résidus "bagged" par agent corrige les écarts entre LF et HF ; il est calibre une seule fois, hors ligne, a partir de vols courts d'un drone isole dans le simulateur HF, ce qui signifie que le budget de calibration ne croit pas avec la taille de l'équipe. Les trajectoires de référence proviennent d'une politique LF existante, suivies dans le simulateur HF par un contrôleur PD sans apprentissage. Teste sur quatre taches coopératives et des tailles d'équipe de 3 a 18 drones, ce système corrige par résidus bat la base LF non corrigée dans toutes les combinaisons testées, et une politique HF entraînée from scratch dans 22 combinaisons sur 24. Il reste derrière une politique HF affinée par fine-tuning, mais l'écart se réduit a mesure que la taille de l'équipe augmente. L'intérêt pour l'industrie de la robotique en essaim tient au problème de fond que la méthode contourne : l'entrainement par renforcement en simulation haute fidélité devient prohibitif des que le nombre d'agents grandit, chaque drone supplémentaire multipliant la complexité de résolution des contacts et le taux de crashs pendant l'entrainement. En montrant qu'une correction résiduelle peu couteuse, calibrée sur un seul agent, suffit a approcher les performances d'un entrainement HF complet même a 18 drones, les auteurs suggèrent qu'il n'est plus nécessaire de relancer une campagne de calibration a chaque changement de taille d'équipe, un argument direct pour les intégrateurs qui veulent déployer des flottes de tailles variables sans multiplier les cycles de simulation couteux. Cela pointe aussi une limite connue du RL multi-agent en robotique : le cout de simulation, plus que l'algorithme lui-même, est souvent le vrai goulot d'étranglement pour passer de trois a plusieurs dizaines d'agents. Il faut noter que ce résultat reste circonscrit a la simulation : ni l'environnement LF ni le HF ne correspondent a un vol réel, et le papier ne rapporte aucune validation sur matériel physique. La démarche s'inscrit dans une lignée de travaux sur l'apprentissage a fidélité mixte et la correction résiduelle en robotique, qui cherchent a combiner la rapidité des simulateurs simplifies avec la précision des moteurs physiques a corps rigides sans devoir choisir entre les deux. Aucune plateforme matérielle ni calendrier de déploiement n'est cite ; l'étape logique suivante, un transfert sim-to-real sur un essaim physique de drones, reste a démontrer.

Recherche❖Paper

1 source

38

1712arXiv cs.RO 

Adaptation aux défauts articulaires en temps réel pour la manipulation dextérique en main

Des chercheurs présentent Residual Fault Adaptation (RFA), un framework d'apprentissage par renforcement destiné à la manipulation dextre en main robotique lorsqu'une panne survient sur un canal de commande d'articulation en cours de fonctionnement. L'architecture repose sur un « teacher » sain figé qui fournit le comportement nominal, couplé à une politique résiduelle récurrente entraînée à déduire des actions correctives à partir de l'historique proprioceptif et de la réponse aux commandes. L'entraînement utilise une randomisation de domaine par injection de fautes (FIDR), qui fait varier le mode de panne, l'articulation touchée, la sévérité et l'instant de déclenchement, avec un échantillonnage adaptatif qui privilégie les modes de panne les moins bien gérés récemment. Une politique Direct FIDR figée sert uniquement de référence distributionnelle pendant l'entraînement sur les échantillons avec panne active, et n'intervient plus au déploiement. Le contrôleur final ne reçoit ni étiquette de panne ni signal de basculement de contrôleur. Les auteurs rapportent des gains de performance en simulation sur une main dextre selon un protocole de pannes mixtes fixe, ainsi qu'un déploiement zero-shot réussi sur robot réel avec pannes injectées par logiciel. Pour l'industrie robotique, ce travail s'attaque à un angle mort réel de la manipulation dextre : la tolérance aux pannes matérielles en conditions d'usage, plutôt que la seule performance en environnement contrôlé. Une articulation qui se bloque ou répond mal en cours de tâche est un scénario courant en usine ou en logistique, et la capacité d'une politique à s'adapter sans détection explicite de panne ni bascule de contrôleur simplifierait l'intégration pour les fabricants de mains robotiques. Cela dit, la portée reste limitée : les résultats réels s'appuient sur des pannes injectées par logiciel, pas des défaillances matérielles spontanées, et l'essentiel de la validation demeure en simulation, ce qui appelle la prudence sur la généralisation à des pannes non vues à l'entraînement. Ce travail s'inscrit dans la lignée des architectures teacher-student utilisées pour le sim-to-real en robotique, où une politique privilégiée entraînée avec des informations complètes guide une politique déployable plus contrainte. Il rejoint aussi les efforts récents sur la robustesse des politiques de manipulation dextre face aux aléas physiques, distincts des approches VLA généralistes comme Pi-0 ou GR00T N2 qui visent la généralisation sémantique plutôt que la tolérance aux pannes matérielles. L'article, publié sur arXiv, ne mentionne pas de partenaire industriel ni de calendrier de transfert vers un produit commercial ; les prochaines étapes attendues porteraient sur des pannes matérielles réelles non simulées et une validation sur d'autres plateformes de mains robotiques.

Recherche❖Paper

1 source

38

1713arXiv cs.RO 

Détection de changements géométriques en ligne par décomposition de scène

Des chercheurs présentent CDSD (Change Detection via Scene Decomposition), un framework de détection de changements géométriques en ligne pour robots autonomes équipés de capteurs LiDAR ou RGB-D, décrit dans un article arXiv (2609.17302) publié le 16 septembre 2026. Plutôt que de comparer des cartes globales entières entre sessions, une opération coûteuse en calcul, CDSD découpe l'environnement cartographié en scènes distinctes, puis compare des sous-cartes locales et denses (submaps) issues de ces scènes pour repérer les changements, comme un arbre tombé ou une porte ouverte. Les auteurs identifient quatre défis techniques traités par leur méthode: sélectionner des scènes pertinentes sans redondance, générer des submaps denses et représentatives, détecter les changements entre submaps ayant des champs de vue différents, et reconstruire la carte en temps réel une fois les changements détectés. Le système a été testé sur des jeux de données propriétaires collectés au Army Research Laboratory, sur le site de Graces Quarters dans le Maryland, ainsi que sur des jeux de données open-source de détection de changements multi-sessions. Pour l'industrie robotique, cette approche répond à un besoin concret des déploiements de longue durée en environnement dynamique, entrepôts, sites militaires, infrastructures, où un robot doit replanifier sa navigation en fonction de changements survenus depuis son dernier passage. La contribution technique majeure est de rendre la détection de changements exploitable en ligne et dès une seule session, alors que les méthodes précédentes nécessitaient une comparaison différée entre cartes globales complètes, incompatible avec une prise de décision temps réel. Si la méthode tient ses promesses en conditions réelles, elle pourrait s'intégrer aux piles de SLAM déjà utilisées par les intégrateurs de robots mobiles autonomes (AMR) pour la maintenance de cartes et la navigation adaptative, sans nécessiter de recalcul lourd après chaque mission. Le travail s'inscrit dans la continuité des avancées récentes en SLAM géométrique, qui permettent désormais de générer des cartes denses et alignées sans traitement post-hoc, ouvrant la voie à des usages plus réactifs. CDSD se présente comme la première approche de détection de changements géométriques fondée sur des submaps, se distinguant des méthodes de comparaison de cartes globales. Les tests ayant été menés sur un site militaire américain suggèrent un intérêt potentiel pour des applications de défense ou de sécurité, en plus des usages industriels classiques, mais l'article ne précise ni partenaire industriel ni calendrier de déploiement au-delà de la validation expérimentale décrite.

Recherche❖Paper

1 source

38

1714arXiv cs.RO 

Analyse par polytopes de torseurs optimisée pour le contrôle de stabilité en temps réel de robots à pattes en contacts multiples complexes

Un article de recherche mis en ligne en septembre 2026 sur arXiv, référencé 2609.17405v1, présente un algorithme optimisé pour calculer le polytope de wrench actionnable des robots à pattes, soit l'ensemble des forces et couples qu'un robot peut exercer à ses points de contact. Cette optimisation permet de recalculer les couples de chaque articulation à 49 Hz, une cadence compatible avec une boucle de contrôle temps réel, alors que ce calcul restait jusqu'ici trop lourd pour un usage embarqué. Le contrôleur qui en résulte a été testé en simulation puis validé sur un robot marcheur réel, non nommé dans l'article. Il cible des terrains difficiles comme les pentes raides, les grottes ou les échafaudages, et atteindrait selon ses auteurs une stabilité qu'aucun autre contrôleur existant n'obtient actuellement. L'analyse par polytope de wrench offre des garanties de stabilité plus rigoureuses que les marges heuristiques habituelles en robotique de terrain, mais son coût de calcul combinatoire la cantonnait jusqu'ici à la planification hors ligne plutôt qu'au contrôle réactif embarqué. En démontrant un calcul complet, pour des contacts arbitraires, à une cadence exploitable en boucle fermée, ce travail réduit l'écart entre les garanties théoriques de stabilité et ce qu'un contrôleur peut réellement exploiter en temps réel sur le terrain. Pour les intégrateurs de robots à pattes destinés à l'inspection industrielle, aux chantiers avec échafaudages ou aux interventions en milieu confiné, cela ouvre la voie à des appuis simultanés mains et pieds sur des surfaces non coplanaires, sans recourir à des heuristiques simplificatrices. C'est un signal pour le secteur : la lenteur de calcul, souvent citée comme facteur limitant des méthodes de stabilité rigoureuses, n'est plus un obstacle absolu dès lors que l'algorithme est correctement optimisé. Le polytope de wrench actionnable est un outil connu de l'analyse de stabilité des robots humanoïdes et quadrupèdes, mais les implémentations existantes limitaient le nombre ou la géométrie des points de contact, ou exigeaient un précalcul hors ligne incompatible avec des terrains changeants. L'apport revendiqué ici est de généraliser ce calcul à des configurations de contact arbitraires tout en le rendant exécutable en ligne, directement dans la boucle de contrôle. Classé comme nouvelle soumission sur arXiv, l'article ne cite ni fabricant, ni modèle commercial, ni acteur français ou européen comme Wandercraft, Pollen Robotics ou Enchanted Tools : il s'agit d'une contribution académique validée sur un prototype de laboratoire, et non d'un produit commercialisé. Les suites attendues pour ce type de travaux passent typiquement par une publication en conférence, puis des essais élargis sur d'autres plateformes et terrains réels au-delà du cadre contrôlé de l'étude.

Recherche❖Paper

1 source

38

1715arXiv cs.RO 

Modèles vision-action pour l'apprentissage et le contrôle des robots : une étude

Une équipe de chercheurs publie sur arXiv (identifiant 2609.16074v1) une étude de synthèse consacrée aux World-Action Models (WAM), des architectures qui couplent prédiction de l'état futur du monde et génération d'actions exécutables pour des robots. Le texte ne présente ni robot ni déploiement terrain : c'est une revue de littérature qui situe les WAM par rapport aux modèles du monde classiques, à l'apprentissage par renforcement basé sur un modèle, à la génération vidéo conditionnée par l'action et aux politiques VLA (vision-langage-action) purement réactives. Les auteurs proposent une taxonomie unifiée couvrant représentations, modélisation des transitions d'état, interfaces d'action, architectures, pipelines d'entraînement, modalités de données et stratégies de mise à l'échelle, puis passent en revue les applications en manipulation robotique, navigation et conduite autonome, avant de recenser les jeux de données, benchmarks, métriques et protocoles d'évaluation existants. Une page de projet répertoriant les travaux associés est mise en ligne à l'adresse rcl-robotics.github.io. L'intérêt de ce travail tient moins à un résultat inédit qu'à la mise en ordre d'un champ en pleine effervescence. Depuis l'essor des modèles du monde et de politiques VLA comme Pi-0, GR00T N2 ou Helix, une même intuition traverse le secteur : un robot fiable doit anticiper les conséquences d'une action avant de l'exécuter, plutôt que de se contenter d'associer observation et geste. Pour les intégrateurs et décideurs B2B, cette synthèse offre un vocabulaire commun pour évaluer des annonces concurrentes qui se réclament toutes, à des degrés divers, de cette convergence entre prédiction et action. Elle rappelle aussi, en creux, que la plupart des systèmes déployés aujourd'hui restent soit des générateurs vidéo sans boucle d'action réelle, soit des politiques réactives sans véritable anticipation, ce qui relativise la maturité que certains fournisseurs revendiquent. Ce travail s'inscrit dans la convergence amorcée depuis 2024-2025 entre les modèles du monde issus de la génération vidéo et les politiques d'action de type VLA popularisées par des laboratoires nord-américains et asiatiques ; aucun acteur français ou européen n'est cité dans cette étude, qui reste centrée sur la littérature académique et industrielle existante. Les auteurs identifient plusieurs verrous encore ouverts : l'alignement entre prédiction et action, la factorisation monde-action, la cohérence spatiale et multi-vue, la mémoire à long horizon, la simulation neuronale pour l'apprentissage en boucle fermée, et l'inférence efficace nécessaire à un déploiement temps réel. Ces axes dessinent l'agenda de recherche à venir pour transformer les WAM, aujourd'hui à l'état de cadre conceptuel, en briques réellement déployables sur des robots.

Recherche❖Paper

1 source

38

1716arXiv cs.RO 

Modèles monde-action autorégressifs par modalité

Un preprint publié en septembre 2026 sur arXiv (2609.17524) présente ModAR, premier modèle world-action (WAM) à débruiter de manière autorégressive plusieurs modalités visuelles futures avant de prédire les actions d'un robot. Au lieu de se limiter aux images RGB futures comme la plupart des WAM existants, ModAR génère séquentiellement cartes de profondeur, traces de points et caractéristiques visuelles DINO, chaque modalité conditionnant la suivante. Entraîné from scratch, sans pretraining vidéo, il est comparé à Flex-π, un WAM initialisé sur un modèle vidéo puis affiné sur les mêmes données : ModAR atteint 75% de réussite moyenne observée contre 72% pour Flex-π, avec environ 20 fois moins de FLOPs d'entraînement. Sur trois tâches bimanuelles réelles, ModAR surpasse les références et progresse encore lorsqu'il est entraîné avec des vidéos humaines supplémentaires. Ce résultat pèse sur un débat clé du secteur : faut-il continuer à prédire des images RGB complètes, coûteuses à générer, ou miser sur des représentations plus compactes déjà porteuses de sens géométrique et sémantique. Les auteurs montrent que prédire du RGB futur n'apporte pas de gain systématique, alors que profondeur, traces de points et features DINO améliorent les performances de façon constante, à toutes les échelles de données testées. Pour les équipes de recherche en robotique manipulatrice, l'intérêt est double : réduire le coût de calcul nécessaire pour entraîner des modèles VLA et s'affranchir partiellement du pretraining vidéo massif, considéré depuis des architectures comme Pi-0 ou GR00T N2 comme quasi indispensable. Les world-action models s'inscrivent dans la lignée des architectures VLA qui unifient perception, prédiction et contrôle moteur, aux côtés d'approches comme Pi-0 de Physical Intelligence, GR00T N2 de NVIDIA ou Helix de Figure AI. ModAR se distingue en interrogeant le choix des modalités intermédiaires à prédire plutôt que la seule architecture du modèle langage-action. L'article demeure à ce stade un travail de recherche académique, évalué en simulation et sur un nombre limité de tâches réelles, sans annonce de déploiement industriel. Les prochaines étapes attendues portent sur l'extension à davantage de tâches et de plateformes robotiques, et sur la vérification des gains à plus grande échelle.

Recherche❖Paper

1 source

38

1717arXiv cs.RO 

Repenser la dépendance à l'incarnation visuelle des politiques visuomotrices

Des chercheurs publient sur arXiv (2609.16815, 16 septembre 2026) une étude sur ce qu'ils appellent la "dépendance à l'incarnation visuelle" (visual embodiment dependence, VED) dans les politiques visuomotrices, ces modèles qui pilotent un bras robotique à partir d'images de la scène et du robot lui-même. Par des expériences de "conflit d'indices" sur plusieurs politiques représentatives, l'équipe montre que la configuration visible du robot (bras, pince) devient souvent un raccourci que le modèle exploite pour prédire l'action, au lieu de raisonner sur la tâche elle-même. Plutôt que de supprimer cette information visuelle, les auteurs proposent de la restructurer via une "canonicalisation de l'incarnation" dans des nuages de points 3D : la géométrie du robot réel est remplacée par une représentation canonique de l'effecteur terminal (canonical end-effector représentation, CER), qui conserve la géométrie utile au contrôle tout en effaçant la morphologie spécifique du robot. Cette forme éditable permet aussi une augmentation par "décorrélation de configuration" pour des configurations robotiques inédites. Le site du projet est accessible à tonyfang.net/ved. Pour l'industrie robotique, ces résultats touchent un point sensible : le transfert de démonstrations humaines vers des politiques robot sans données de démonstration réelles collectées sur le robot cible, une piste centrale pour réduire le coût d'entraînement des modèles VLA (vision-language-action) à mesure que les intégrateurs multiplient les bras et les pinces différents sur leurs lignes. L'étude montre que la canonicalisation améliore nettement ce transfert humain-vers-robot, mais aussi qu'un simple retrait de l'incarnation visuelle, sans préserver la géométrie pertinente pour le contrôle, ne suffit pas et dégrade les performances. Elle révèle également un effet pervers : la CER elle-même peut redevenir un raccourci si la configuration du robot se découple de la progression de la tâche, ce que l'augmentation par décorrélation permet de corriger sans perdre en performance sur les configurations déjà vues. Ce travail s'inscrit dans la lignée des efforts pour généraliser des politiques comme Pi-0, GR00T N2 ou Helix à travers différentes plateformes robotiques, un problème central alors que des acteurs comme Figure, Tesla (Optimus) ou Physical Intelligence cherchent à faire tenir un même modèle sur des morphologies variées. Il s'agit ici d'une contribution de recherche méthodologique, testée en expérimentation sur des politiques existantes plutôt qu'un produit ou un déploiement industriel, mais elle apporte un éclairage utile sur les limites actuelles du sim-to-real et du transfert cross-embodiment, sans annoncer de calendrier de mise en œuvre commerciale.

Recherche❖Paper

1 source

38

1718arXiv cs.RO 

Robot à continuum actionné par tendons : rigidité modulaire et estimation de pose in situ

Une équipe de robotique a mis en ligne le 16 septembre 2026 sur arXiv (référence 2609.16256, article de type "new submission") la description d'une plateforme de robot à corps continu actionnée par câbles (tendon-driven), pensée pour être modulaire et autonome en détection. Contrairement à la plupart des robots continus existants, spécialisés pour une tâche unique et dépendants d'un système de suivi externe (typiquement de la capture de mouvement), cette plateforme est bâtie à partir d'articulations continues interchangeables dont la rigidité est calculée analytiquement à l'avance, ce qui permet un assemblage rapide et une programmation directe de la forme du bras. La proprioception, c'est-à-dire la capacité du robot à connaître sa propre posture, repose sur des capteurs magnétiques associés à un modèle d'apprentissage automatique entraîné une seule fois par articulation puis réutilisé quelle que soit la configuration assemblée. Les auteurs affirment avoir validé le système en conditions réelles, démontrant l'auto-détection de la forme et l'adaptation du robot sans recours à une infrastructure de suivi externe. L'abstract ne communique cependant aucun chiffre précis, ni nombre de degrés de liberté, ni charge utile, ni temps de cycle, ni identité d'un laboratoire ou d'une entreprise, ce qui limite la portée vérifiable de l'annonce à ce stade. L'enjeu dépasse la simple démonstration technique: les robots continus souffrent depuis longtemps d'un déficit d'autonomie de perception qui freine leur sortie du laboratoire, car la dépendance à des caméras ou systèmes de motion capture externes est incompatible avec des environnements confinés ou industriels réels. Si la proprioception embarquée et la réutilisation d'un modèle d'apprentissage entre configurations tiennent au-delà du prototype, cela réduirait le coût d'intégration pour des applications d'inspection, d'endoscopie médicale ou de manipulation en espace restreint, et rapprocherait ces plateformes d'un usage déployable plutôt que strictement académique. Les robots continus, inspirés de structures biologiques comme les tentacules de pieuvre ou les trompes d'éléphant, sont étudiés depuis plusieurs années pour l'inspection industrielle, la chirurgie mini-invasive et la manipulation en milieu encombré, mais restent largement cantonnés à des démonstrateurs de laboratoire face à des solutions rigides mieux industrialisées. Cette publication s'inscrit dans cette lignée de recherche sans qu'aucun acteur commercial ou nom de produit ne soit cité. Étant un simple dépôt arXiv non encore relu par les pairs, les prochaines étapes attendues sont une validation indépendante, une caractérisation quantitative des performances et, potentiellement, un passage à des essais applicatifs concrets.

Recherche❖Paper

1 source

37

1719arXiv cs.RO 

La Fabrique de Données pour Robots

Un preprint mis en ligne sur arXiv en septembre 2026 (référence 2609.16705, première soumission) présente le Robot Data Factory (RDF), un cadre méthodologique visant à produire en continu de « l'expérience robotique » plutôt que de simples jeux de données statiques. RDF organise des robots hétérogènes et des terrains d'entraînement dédiés autour de sept éléments : missions reproductibles, curricula de compétences, capteurs multimodaux synchronisés, vérité terrain externe, réseau agentique de robots, pipelines de données et benchmarks vivants. L'ensemble suit un cycle fermé déployer-mesurer-apprendre-répéter, dont l'expérience validée alimente des world models, des modèles vision-langage-action (VLA), des politiques incarnées et des jumeaux numériques. Le cadre est instancié sur trois terrains d'entraînement complémentaires : domestique, environnemental et énergétique. Le papier va à l'encontre d'une hypothèse dominante du secteur, selon laquelle l'échelle brute des jeux de données suffirait à faire progresser l'IA physique : il soutient que c'est la structure de la boucle perception-action-conséquence, préservée épisode par épisode, qui détermine la qualité de l'apprentissage. L'enjeu concerne directement les intégrateurs et les équipes qui entraînent des modèles VLA généralistes à grande échelle. En formalisant des lois d'échelle reliant taille de flotte de robots, fréquence des capteurs, stockage et calcul d'entraînement aux besoins en clusters d'IA incarnée, RDF offre aux décideurs B2B un cadre de dimensionnement plutôt qu'une approche par tâtonnement. À noter : l'abstract ne fournit aucun volume de données ni score de benchmark concret, il s'agit d'un cadre théorique et non de résultats mesurés. Cette publication survient alors que la course aux « moteurs de données » robotiques s'intensifie, avec des acteurs comme Physical Intelligence (Pi-0), NVIDIA (GR00T N2), Figure AI (Helix) ou Tesla (Optimus), qui bâtissent chacun des pipelines propriétaires fermés pour nourrir leurs propres modèles. RDF s'en distingue en visant une infrastructure reproductible et, à terme, fédérée entre laboratoires plutôt qu'un silo interne à une seule entreprise. Le résumé ne mentionne aucun laboratoire ni industriel porteur du projet, ce qui le maintient au stade de proposition académique. Les suites dépendront de la validation empirique sur les trois terrains d'entraînement décrits et d'une éventuelle adoption par d'autres équipes de recherche en IA incarnée.

Recherche❖Paper

1 source

37

1720arXiv cs.RO 

ISS Policy : une politique de diffusion évolutive avec supervision implicite de la scène

Des chercheurs publient une troisième version de leur article sur arXiv, présentant ISS Policy (Implicit Scene Supervision Policy), une politique de diffusion visuomotrice 3D pour la manipulation robotique. Le système repose sur une architecture DiT (Diffusion Transformer) et prédit des séquences d'actions continues à partir d'observations en nuages de points plutôt que d'images 2D classiques. Sa particularité est d'ajouter, pendant l'entraînement, un prédicteur de mouvement du robot qui relie les actions générées et l'état du robot au mouvement de l'effecteur, puis combine ce mouvement prédit avec l'intention de la pince pour anticiper l'évolution future du nuage de points de la scène. Les auteurs ajoutent un routage de gradient asymétrique séparant la régression directe du mouvement de la supervision au niveau de la scène, ainsi qu'un objectif d'équilibrage des changements pour compenser les variations d'amplitude entre scènes. Ces mécanismes n'introduisent aucune annotation supplémentaire ni module auxiliaire au moment de l'inférence. L'équipe rapporte des performances état de l'art sur les tâches de manipulation à bras unique de la suite MetaWorld et sur les tâches de manipulation dextre de la suite Adroit, complétées par des expériences réelles sur un robot à deux bras. Code et vidéos sont annoncés pour une publication future, non encore disponibles. Pour les chercheurs en apprentissage par imitation et les intégrateurs robotiques, ISS Policy cible une faiblesse connue des politiques de diffusion entraînées par simple imitation d'actions : elles ignorent souvent les conséquences géométriques réelles des gestes du robot sur la scène, ce qui nuit à la généralisation hors des démonstrations vues. En forçant le modèle à apprendre explicitement la transition entre action, mouvement et changement de scène pendant l'entraînement, sans alourdir l'inférence, les auteurs montrent qu'il est possible d'améliorer la robustesse avec seulement des démonstrations expertes, sans capteur ni annotation additionnelle. C'est un signal pertinent dans le débat sur l'écart entre démonstrations de laboratoire et déploiement réel, avec une piste purement technique plutôt que dépendante de plus de données. Il s'agit toutefois d'un preprint académique sans partenaire industriel ni site de déploiement annoncé, et les résultats « état de l'art » restent bornés aux benchmarks simulés MetaWorld et Adroit, complétés par des essais réels limités en configuration bi-bras, sans chiffres précis rendus publics dans le résumé. Ce travail s'inscrit dans la lignée des « diffusion policies », famille d'approches apparue pour générer des trajectoires robotiques via des modèles de diffusion plutôt que des réseaux de régression classiques, désormais souvent associée aux backbones transformeurs de type DiT issus de la génération d'images et de vidéo. L'usage de nuages de points en entrée, plutôt que d'images RGB, rapproche ISS Policy des travaux en manipulation 3D centrés sur la compréhension géométrique de la scène, un axe distinct des architectures vision-langage-action qui dominent la communication grand public sur les robots humanoïdes. Aucun acteur commercial ni site industriel n'est cité : la contribution reste académique, en version 3 remplaçant une publication antérieure, avec promesse de code et de vidéos sans calendrier précis. Les suites attendues sont la publication effective du code, une extension possible à des tâches plus complexes ou d'autres plateformes, et une comparaison directe avec les approches VLA généralistes qui occupent aujourd'hui l'essentiel des annonces du secteur.

Recherche❖Paper

1 source

37

1721arXiv cs.RO 

Contrôle du mouvement corporel complet de l'humanoïde tenant compte des collisions sous trajectoires cibles imparfaites

RECAL (Robot-Environment Cross-Attention Layer) est un module qui vient se greffer sur les contrôleurs corps-entier (whole-body controllers, WBC) des robots humanoïdes, décrit dans un preprint mis en ligne le 16 septembre 2026 sur arXiv (2609.16405). Le problème visé : la plupart des WBC suivent des cibles de mouvement sans percevoir la géométrie de la scène, ce qui provoque des collisions quand les commandes issues de la perception, de la planification ou de la téléopération sont imparfaites. RECAL encode le robot, les objets tenus et l'environnement sous forme de nuages de points, puis applique une attention croisée entre les points du robot/objet et ceux de l'environnement pour produire des variables de contrôle sensibles à la géométrie, arbitrant en continu entre suivi de trajectoire et évitement de collision. Le système gère aussi bien des commandes de base flottante que d'organe terminal, y compris l'évitement de collision pour des objets portés. Les auteurs le valident en simulation sur des scénarios de locomotion à bras figé ou adaptatif, de transport d'objets et de manipulation en position debout, puis le démontrent sur un humanoïde Digit V3 réel, la plateforme bipède d'Agility Robotics. Le résultat cible un angle mort connu des piles de contrôle humanoïdes actuelles : la sécurité géométrique est en général traitée en amont, au niveau de la planification, plutôt qu'à l'exécution, ce qui laisse une marge d'erreur dangereuse quand la perception ou la téléopération se trompe. En intégrant une correction géométrique directement dans la boucle de contrôle bas niveau, RECAL répond à un besoin concret des intégrateurs qui veulent déployer des humanoïdes dans des environnements encombrés, entrepôts ou lignes d'assemblage, sans multiplier les zones d'exclusion statiques. La démonstration sur robot réel, et pas seulement en simulation, compte dans le débat récurrent du secteur sur l'écart entre démonstration et réalité : elle suggère qu'un contrôle sensible à la géométrie par nuages de points peut transférer du simulateur au matériel physique sans réentraînement massif, un point de friction classique pour les architectures apprises. Les WBC restent le cœur de la plupart des piles de contrôle humanoïde, de Digit (Agility Robotics) à Optimus (Tesla) en passant par G1 et H1 (Unitree) ou Figure 03, mais ils ont historiquement été conçus pour l'équilibre et le suivi de trajectoire, pas pour la perception de scène, tâche généralement déléguée à des modules de planification séparés ou, plus récemment, à des architectures vision-langage-action comme Pi-0 ou GR00T N2. RECAL se positionne comme une alternative modulaire à ces approches de bout en bout : il laisse un WBC classique inchangé et lui ajoute une couche de sécurité géométrique. Le travail reste au stade preprint, sans revue par les pairs ni annonce de déploiement industriel ou de partenariat constructeur ; les auteurs ne donnent pas de calendrier de transfert vers un produit commercial, ce qui en fait pour l'instant une contribution de recherche et non une brique prête pour la production.

Recherche❖Paper

1 source

37

1722arXiv cs.RO 

Processus gaussiens pour modéliser des champs spatiaux avec des essaims de robots

Des chercheurs présentent LU-GPR (location-unaware Gaussian process régression), une méthode permettant à des essaims de robots de cartographier des champs spatiaux, comme la température de l'eau, la vitesse du vent ou l'élévation du terrain, sans système de positionnement externe (GPS ou infrastructure de tracking). Jusqu'ici, les approches par processus gaussiens pour la modélisation collaborative de champs supposaient que chaque robot connaît sa position absolue dans l'espace. LU-GPR s'en affranchit : chaque robot infère localement la moyenne et la variance a posteriori du champ mesuré, tout en construisant progressivement, par échanges locaux avec ses voisins, un référentiel commun partagé avec l'essaim. Un algorithme en ligne met à jour ces estimations locales au fur et à mesure que le référentiel de chaque robot converge vers le référentiel collectif, puis un modèle de type "produit d'experts" combine les estimations individuelles en une carte globale du champ. Les auteurs rapportent une bonne scalabilité avec le nombre de robots et une robustesse en cas de portée de communication limitée, avec une démonstration sur un scénario réel de suivi du flux d'une foule en évacuation. Cette approche répond à une limite concrète des déploiements d'essaims robotiques sur le terrain : les systèmes de positionnement externes (GPS différentiel, stations de tracking, motion capture) sont coûteux, indisponibles en intérieur, sous couvert végétal ou en environnement sous-marin, et constituent un point de défaillance unique pour des architectures censées être décentralisées et robustes. En rendant la modélisation collaborative de champs indépendante de toute infrastructure de localisation, LU-GPR élargit le champ d'application des essaims à des missions de surveillance environnementale, de monitoring de foules ou d'inspection industrielle dans des zones GPS-denied, un cas d'usage régulièrement cité comme frein à l'adoption commerciale de la robotique en essaim. Pour les intégrateurs et décideurs B2B, l'intérêt réside surtout dans la cohérence de l'approche avec la promesse initiale de la robotique en essaim, décentralisée et tolérante aux pannes, que les dépendances à des systèmes de positionnement centralisés contredisaient jusqu'ici en pratique. Ces travaux s'inscrivent dans la continuité des recherches sur les processus gaussiens décentralisés appliqués à la robotique en essaim, un domaine actif depuis plusieurs années pour des tâches comme la cartographie environnementale ou la détection de sources de pollution. L'article ne précise pas le nombre de robots testés ni le matériel utilisé pour la démonstration d'évacuation de foule, ce qui limite l'évaluation de la maturité réelle de la méthode au-delà de la preuve de concept. Aucun acteur commercial ou industriel n'est associé à ces travaux à ce stade ; il s'agit d'une contribution de recherche fondamentale, publiée en préimpression, sans mention de partenariat, de licence ou de calendrier de transfert vers une application produit.

Recherche❖Paper

1 source

37

1723arXiv cs.RO 

SWIM : manipulation souple et interactive du corps entier, guidée par la vision et le langage

Une équipe de recherche présente SWIM, un framework qui convertit une observation RGB initiale et une instruction en langage naturel en séquence de commandes d'actionnement pour un robot souple à tendons, selon un preprint arXiv publié le 16 septembre 2026 (2609.17035v1). Sa politique vision-langage-action SWIM-VLA associe une tête de diffusion générant des commandes par blocs à un module de proprioception visuelle souple, supervisé par des points d'ancrage corporels simulés pour préserver la géométrie du robot avec peu de démonstrations. L'exécution s'appuie sur des rollouts virtuels itératifs et la compliance intrinsèque du robot, qui absorbe les contacts sans requêtes continues à la politique. Sur trois tâches (emballage, atteinte, saisie à cibles fixées), SWIM-VLA devance une base OpenVLA-OFT adaptée avec 100%, 96% et 88% de réussite en simulation, puis atteint 100%, 80% et 75% sur le robot réel, contre seulement 75%, 40% et 25% pour un déploiement direct de la même politique. Ce travail s'attaque à un angle mort de la vague VLA, qui a surtout profité aux bras rigides et humanoïdes (Pi-0, GR00T N2, Helix, Figure 03), les robots souples étant bien plus difficiles à piloter par apprentissage du fait de leurs degrés de liberté quasi infinis. En limitant l'écart simulation-réel à 20-25 points de pourcentage, contre 25-50 points pour un déploiement naïf de la même politique, SWIM suggère que coupler compliance mécanique et rollouts virtuels réduit la dépendance aux requêtes en ligne, un enjeu pour l'embarqué à faible latence. Pour les intégrateurs, c'est un indice que le contrôle piloté par le langage pourrait s'étendre aux effecteurs souples, même si les cibles de saisie restaient ancrées lors des essais matériels. Le contrôle des robots souples reposait surtout sur des modèles physiques explicites ou du pilotage manuel, faute de méthodes gérant leurs degrés de liberté quasi infinis, alors que les bras rigides ont bénéficié de la vague RT-2, OpenVLA, Pi-0 ou GR00T N2. Aucune entreprise ni acteur français ou européen n'est associé à ces travaux, qui restent un preprint académique non relu par les pairs, validé sur un seul robot plan en laboratoire, sans calendrier annoncé pour des essais hors laboratoire ou sur des robots souples tridimensionnels.

IA physique❧Opinion

1 source

37

1724arXiv cs.RO 

RobResilience : mise en œuvre et évaluation d'un cadre de résilience pour les systèmes cyberphysiques incarnés

Des chercheurs présentent RobResilience, une implémentation d'un cadre formel de résilience pour les systèmes cyber-physiques incarnés, publiée sur arXiv sous la référence 2609.17349v1 en septembre 2026. Le framework est testé dans l'environnement de simulation Webots, sur un robot PR2 piloté sous ROS2. Il évalue en temps réel trois prédicats formels : la tolérance à la perturbation (delta), la tolérance à la dégradation de performance (gamma) et la faisabilité d'une mitigation (mu), calculés sur un ensemble d'appareils compromis identifiés à partir des scores de confiance d'un système de détection d'intrusion (IDS). Quand la résilience est jugée perdue, le framework déclenche automatiquement les stratégies de mitigation disponibles. Les auteurs valident l'implémentation via huit scénarios d'attaque couvrant systématiquement toutes les combinaisons possibles de l'espace des états des trois prédicats, en faisant varier les cibles, la vitesse de dégradation et la disponibilité des mitigations. Les résultats montrent une cohérence entre le comportement runtime observé et les définitions théoriques du cadre. Ce travail s'attaque à un angle mort connu de la sécurité robotique : la détection d'intrusion seule ne dit rien de la gravité opérationnelle d'une attaque en cours. Un robot capable de détecter une cyberattaque mais incapable de juger si sa dégradation reste dans des bornes sûres risque la "paralysie de dégradation gracieuse", où il s'arrête par excès de prudence alors qu'il pourrait poursuivre sa tâche en mode dégradé sans danger. Pour les intégrateurs et opérateurs de flottes de robots mobiles ou humanoïdes en usine ou en environnement partagé avec des humains, cette distinction runtime entre état dégradé tolérable et danger catastrophique conditionne à la fois la disponibilité opérationnelle et la sécurité physique. Le papier illustre un déplacement du centre de gravité de la cybersécurité des systèmes cyber-physiques, de la simple détection vers une gestion active et quantifiée de la résilience pendant l'attaque. RobResilience se présente comme une première implémentation runtime concrète d'un cadre de résilience formel, plutôt qu'une simple formalisation théorique. Le choix du PR2, plateforme robotique de recherche standard sous ROS, et de Webots comme simulateur, situe ce travail en phase de validation laboratoire, non sur du matériel déployé en production. L'article ne mentionne ni partenariat industriel ni calendrier de transfert vers du matériel réel ; les suites logiques attendues incluent un test sur robot physique, une extension à d'autres architectures (bras manipulateurs, AMR industriels, humanoïdes) et une intégration avec des IDS de production plutôt que des scores de confiance simulés.

Recherche❖Paper

1 source

37

1725arXiv cs.RO 

Synthèse d'opérateurs de Koopman hamiltoniens à port pour les systèmes mécaniques

Des chercheurs ont publié sur arXiv en septembre 2026 un article (référence 2609.17249v1, catégorie "new") qui propose un cadre pour rendre les modèles de Koopman appris à partir de données compatibles avec les lois de conservation d'énergie des systèmes mécaniques régis par les équations d'Euler-Lagrange. Les modèles de Koopman linéarisent des dynamiques robotiques non linéaires pour accélérer prédiction et commande, mais appris uniquement sur des trajectoires, ils peuvent produire une croissance artificielle d'énergie et diverger lors de prédictions récursives. En travaillant en coordonnées de moment généralisé, les auteurs isolent l'actionnement mécanique comme un port connu et indépendant de l'état, conservé explicitement dans la dynamique projetée, et entraînent une architecture neuronale contrainte qui apprend conjointement les fonctions de projection et un générateur de Koopman port-hamiltonien rendu passif par construction. Une discrétisation de Cayley au point milieu préserve exactement, en temps discret, l'équilibre entre énergie stockée et dissipée, et les auteurs démontrent analytiquement ce bilan ainsi que les garanties de stabilité du prédicteur, validées ensuite par simulation et essais expérimentaux montrant de meilleurs gains en précision, en efficacité des données et en suivi de trajectoire en boucle fermée par rapport aux méthodes de Koopman de référence, gains qui s'accentuent pour les systèmes de dimension plus élevée. Le travail cible une faiblesse connue des approches Koopman purement pilotées par les données, utilisées en commande prédictive (MPC) linéaire pour promettre des calculs rapides en robotique: propagés sur plusieurs pas de temps, ces modèles peuvent devenir instables ou diverger énergétiquement, ce qui fragilise leur usage en boucle fermée sur du matériel réel. En imposant la structure port-hamiltonienne directement dans l'architecture plutôt que via une pénalité de régularisation ou une correction a posteriori, les auteurs offrent une garantie de stabilité structurelle et non plus seulement statistique, un argument direct pour les intégrateurs qui doivent certifier le comportement de bras robotiques ou de systèmes à jambes en temps réel sur de l'électronique embarquée. Le gain revendiqué en efficacité des données, une précision comparable avec moins de trajectoires d'apprentissage, réduirait aussi le coût de collecte réelle, et nuance l'idée qu'un modèle Koopman purement empirique suffirait à commander des systèmes mécaniques complexes sans garde-fou physique explicite. Le cadre s'inscrit dans la lignée des travaux sur l'opérateur de Koopman en robotique, popularisé pour linéariser des dynamiques non linéaires au profit de la commande prédictive, et sur les réseaux "Deep Koopman" qui apprennent les fonctions de projection directement depuis des trajectoires; les approches précédentes préservaient l'énergie via des pénalités de coût ou des projections après apprentissage, jugées insuffisantes car elles ne garantissent pas la passivité en toute circonstance. En imposant la structure dès la conception du réseau, les auteurs se rapprochent des travaux sur les réseaux hamiltoniens et lagrangiens appliqués à la dynamique physique. Le papier reste à un stade de recherche, validé en simulation et en laboratoire sans plateforme robotique commerciale ni partenaire industriel nommé, les auteurs indiquant que l'avantage grandit avec la dimension du système, ce qui ouvre la voie à des extensions vers des robots comportant davantage de degrés de liberté.

Recherche❖Paper

1 source

37

1726arXiv cs.RO 

Des doigts en guise de jambes : locomotion et manipulation auto-supportées apprises avec une main anthropomorphe

Ce ne sont pas des jambes, ce sont des doigts : une équipe de recherche présente dans une prépublication arXiv (arXiv:2609.17172, publiée en septembre 2026) une main robotique anthropomorphe capable de se déplacer, de porter son propre poids et de manipuler des objets en réutilisant uniquement ses doigts, sans mécanisme de locomotion dédié. Le système embarque son alimentation et son calcul, ce qui en fait une plateforme totalement autonome et non filaire. L'entraînement repose sur l'apprentissage par renforcement dans un simulateur calibré à partir de mesures matérielles réelles, avec une formulation de récompense spécifiquement adaptée à l'asymétrie des doigts de la main (contrairement aux robots quadrupèdes aux membres identiques). Résultat en simulation : la main se déplace plus vite avec cette récompense sur mesure qu'avec des récompenses classiques importées de la robotique quadrupède. Sur le matériel physique, des politiques spécifiques à chaque tâche permettent à la main de ramper, de se diriger et de se relever après une chute, le tout sans câble d'alimentation externe. Elle peut aussi exécuter des séquences de commandes clavier sans vision, et pousser un objet vers des cibles définies grâce à un retour visuel en vue plongeante, tout en supportant son propre poids au sol. L'intérêt pour l'industrie robotique tient moins à la performance brute qu'à la démonstration de principe : une même architecture de préhension, conçue pour manipuler, peut aussi porter la charge de la locomotion, sans ajouter de jambes, de roues ou d'actionneurs dédiés au déplacement. Pour les concepteurs de robots humanoïdes et de manipulateurs mobiles, cela ouvre une piste de simplification mécanique et de réduction de coût, au prix d'une complexité reportée entièrement sur le contrôle logiciel et l'apprentissage. Cela questionne aussi l'hypothèse dominante du secteur selon laquelle locomotion et manipulation nécessitent des sous-systèmes séparés (jambes pour l'une, mains ou bras pour l'autre), comme sur Figure 03 ou Optimus. Il s'agit ici d'un travail de recherche à l'état de preuve de concept en laboratoire, avec des tâches limitées (ramper, se diriger, pousser un objet), et non d'un produit commercial ni d'un déploiement industriel. Ce travail s'inscrit dans une lignée de recherche en robotique douce et bio-inspirée qui explore la reconfiguration fonctionnelle des effecteurs terminaux, un sujet distinct des approches VLA (vision-language-action) comme Pi-0, GR00T N2 ou Helix qui dominent l'actualité des humanoïdes commerciaux. Contrairement à ces plateformes orientées produit, cette main mobile ne vise pas la commercialisation immédiate mais teste les limites de la réutilisation matérielle. Les auteurs ne précisent pas de calendrier de transfert vers l'industrie ni de partenariat avec un fabricant, et aucun acteur français ou européen n'est mentionné dans cette publication. Les prochaines étapes attendues porteraient probablement sur l'extension à des tâches de manipulation plus complexes tout en maintenant la fonction locomotrice, ou sur l'intégration à des bras robotiques existants.

Recherche❖Paper

1 source

37

1727arXiv cs.RO 

Adaptation de dense à MoE pour des politiques VLA compactes

Des chercheurs présentent AdaDE, une méthode publiée sur arXiv le 16 septembre 2026 (arXiv:2609.16503v1) pour réduire la taille des politiques vision-langage-action (VLA) sans sacrifier leurs performances. La technique convertit certains blocs feed-forward denses du modèle de langage embarqué en couches mixture-of-experts (MoE), puis dérive des masques de rétention d'experts à partir des statistiques d'utilisation du routeur pendant le fine-tuning. La conversion Dense2MoE préserve la fonction du FFN dense initial, ce qui permet de désactiver des experts dès le départ sans étape de récupération séparée ; les masques sont mis à jour dynamiquement, avec un entraînement par étapes et une protection des experts pour éviter un effondrement précoce. Résultat : avec 40% des paramètres du LLM désactivés, AdaDE conserve 95,1% de taux de réussite moyen sur le benchmark LIBERO et 42,0% sur l'ensemble des 50 tâches de RobotWin2.0. Pour l'industrie robotique, cette approche répond à un problème très concret : les politiques VLA, à mesure qu'elles gagnent en capacités, embarquent des modèles de langage toujours plus lourds, difficiles à faire tourner sur des plateformes robotiques aux ressources de calcul limitées. En montrant qu'on peut couper 40% des paramètres actifs côté LLM tout en gardant l'essentiel des performances sur des benchmarks de manipulation variés, les auteurs apportent un argument en faveur de la compressibilité des modèles VLA, une question centrale pour les intégrateurs qui veulent déployer ces politiques en périphérie plutôt que sur des serveurs distants. Cela dit, LIBERO et RobotWin2.0 restent des benchmarks en simulation : les chiffres valident la méthode de compression, pas encore un déploiement sur robot physique en conditions réelles, une nuance à garder en tête face à des résultats aussi élevés que 95,1%. Cette recherche s'inscrit dans la course à l'efficacité qui suit l'explosion des politiques VLA de type RT-2, OpenVLA, Pi-0 ou GR00T N2, dont la taille croissante complique l'inférence embarquée en temps réel, un défi que d'autres équipes attaquent par le pruning, la quantification ou la distillation plutôt que par une conversion dense-vers-MoE. AdaDE se distingue en ciblant spécifiquement la partie langage des modèles VLA plutôt que l'ensemble de l'architecture, et en évitant l'étape de récupération post-compression habituellement nécessaire. Publiée en préprint sans affiliation industrielle annoncée ni partenaire robot précisé, l'étude n'indique pas de calendrier de déploiement commercial ; la suite logique serait une validation sur robot physique et une extension à des modèles VLA de plus grande taille pour confirmer que le gain d'efficacité se maintient à l'échelle.

IA physique❧Opinion

1 source

37

1728arXiv cs.RO 

Avez-vous du freestyle ? La locomotion humanoïde expressive pilotée par l'audio

Des chercheurs ont publié sur arXiv (2512.23650, troisième révision) RoboPerform, présenté comme le premier framework unifiant génération audio-vers-locomotion pour robots humanoïdes, capable de produire à la fois de la danse pilotée par la musique et des gestes de co-parole déclenchés par la voix, directement depuis le signal audio. L'approche suit le principe "mouvement = contenu + style" : l'audio est traité comme un signal de style implicite, sans reconstruction explicite préalable du mouvement. L'architecture combine une politique enseignante ResMoE, un mélange d'experts adapté à des répertoires de mouvements variés, et une politique étudiante par diffusion qui injecte le style audio directement dans la trajectoire, un design "sans retargeting" censé réduire latence et erreurs en cascade. Les auteurs revendiquent des résultats "prometteurs" en plausibilité physique et en alignement audio-mouvement, mais le résumé ne donne aucun chiffre précis : ni degrés de liberté, ni temps de cycle, ni score de benchmark, ni nom de robot testé. Le travail cible un manque réel du secteur : la plupart des humanoïdes actuels restent cantonnés à des bibliothèques de mouvements prédéfinis ou à des commandes distantes ponctuelles, sans capacité d'improvisation réactive en temps réel. Un pipeline générant chorégraphie ou gestes de communication directement depuis l'audio, sans reconstruction puis retargeting séparés, intéresserait les concepteurs de robots destinés à l'interaction humaine, à l'événementiel ou au service client, où la réactivité perçue pèse autant que la précision du geste. La portée reste toutefois à relativiser : il s'agit d'un article de recherche sans produit commercialisé ni déploiement annoncé, et la formule "résultats prometteurs" sans métriques chiffrées relève d'une validation académique préliminaire, pas d'une preuve à l'échelle industrielle. RoboPerform s'inscrit dans la lignée des travaux sur la génération de mouvement à partir de l'audio, un champ jusqu'ici dominé par des pipelines en cascade : un modèle de diffusion génère un mouvement depuis l'audio, ensuite retargeté vers la morphologie du robot par cinématique inverse, une chaîne connue pour accumuler erreurs et latence à chaque étape. La contribution revendiquée est de fusionner ces étapes en une seule paire de politiques entraînées conjointement, plutôt qu'un pipeline séquentiel classique. L'article ne mentionne ni partenariat industriel, ni pilote, ni calendrier de déploiement : à ce stade, RoboPerform reste un résultat de laboratoire dont la validation sur une plateforme humanoïde réelle et à grande échelle reste à démontrer.

Recherche❖Paper

1 source

36

1729arXiv cs.RO 

BRAVE-6D : un benchmark pour la vision active en robotique dans l'estimation de pose en 6DOF

Des chercheurs ont publié en septembre 2026 sur arXiv un article intitulé "BRAVE-6D: Benchmark for Robotic Active Vision in 6DOF Pose Estimation" (arXiv:2609.17106), qui introduit un nouveau benchmark pour évaluer les systèmes de vision active en robotique appliqués à l'estimation de pose en six degrés de liberté (6DOF). Le constat de départ est simple : détecter puis saisir de petits objets reste une difficulté majeure en robotique, et la vision active, où le robot rapproche sa caméra de l'objet pour affiner sa perception, est une piste intuitive mais mal évaluée jusqu'ici, faute de pouvoir comparer les approches sur des scènes physiques strictement identiques d'un laboratoire à l'autre. BRAVE-6D s'appuie sur la synthèse de vues par Gaussian Splatting (3DGS) pour reconstruire des scènes de référence et fournir les outils nécessaires à des comparaisons reproductibles. Les auteurs présentent des solutions de base capables d'effectuer un asservissement visuel (visual servoing) au sein de ces scènes reconstruites et d'estimer avec précision la pose de petits objets. Ce travail s'attaque à un angle mort connu du secteur : l'absence de terrain de comparaison commun pour la vision active, un sous-domaine crucial pour la préhension de petites pièces en environnement industriel (bin picking, assemblage de composants fins, tri logistique) où des capteurs fixes offrent souvent une résolution insuffisante. En remplaçant les montages physiques figés par des scènes synthétisées, BRAVE-6D permet de rejouer des trajectoires de caméra variées sans reconstruire le dispositif à chaque test, un frein classique à la reproductibilité en robotique. Pour les intégrateurs et les équipes de recherche en perception, cela offre enfin une base objective avant d'investir dans une architecture de vision active, plutôt que de se fier à des démonstrations isolées difficiles à comparer entre elles. Le sujet prolonge les benchmarks d'estimation de pose 6D existants, mais déplace le problème vers les systèmes actifs, où c'est le mouvement du robot, et non un cliché statique unique, qui détermine la qualité finale de l'estimation. L'abstract ne précise ni l'institution porteuse ni la disponibilité publique du code et des scènes 3DGS, ce qui en fait pour l'instant une contribution de recherche plutôt qu'un outil prêt à l'emploi. Reste à voir si d'autres équipes s'empareront de BRAVE-6D pour comparer leurs propres pipelines, dans un contexte où la préhension robotisée de petits objets reste un point de friction pour la logistique et l'assemblage industriel.

Recherche❖Paper

1 source

36

1730arXiv cs.RO 

Auto-HSI : contrôle humain personnalisé d'un essaim de robots à la demande via génération automatique de code par LLM

Une équipe de recherche présente Auto-HSI, une méthode qui génère à la demande des interfaces personnalisées de contrôle homme-essaim (human-swarm interaction), détaillée dans un article publié sur arXiv sous la référence 2609.16346v1. Le système permet à un opérateur non formé de décrire en langage naturel, combiné à des démonstrations gestuelles, comment il souhaite que des robots se comportent collectivement en réponse à ses gestes. À partir de ces entrées, un grand modèle de langage génère automatiquement, en ligne, le code d'une machine à états personnalisée qui pilote ensuite les robots. Le prototype reconnaît des gestes à une et deux mains pour un contrôle centralisé, permettant de téléopérer le déplacement de l'essaim, la forme de sa formation et sa déformation. Les auteurs évaluent d'abord séparément le suivi gestuel et la génération de code par rapport à des benchmarks de performance, avant de tester le prototype complet en conditions réelles d'opération: des opérateurs humains contrôlent en direct 50 robots simulés dans un simulateur basé sur la physique, en conditions nominales et bruitées, sur trois tâches, marquer un but, traverser un labyrinthe nécessitant une déformation de forme, et marquer deux buts simultanément en scindant l'essaim en deux sous-groupes. Les chercheurs montrent aussi qu'un opérateur peut modifier en direct son interface pendant l'opération en simulation, puis font une démonstration finale sur des robots réels. L'intérêt principal tient à l'automatisation de la couche logicielle qui relie geste et comportement collectif: jusqu'ici, les interfaces homme-essaim reposaient sur des ensembles de gestes et des machines à états codés à l'avance, réservant leur personnalisation à des développeurs. En confiant la génération de code à un LLM piloté par langage naturel et démonstration, Auto-HSI ouvre la personnalisation à des opérateurs non-experts, un enjeu direct pour les intégrateurs de flottes de robots en logistique, en défense ou en recherche, où chaque déploiement exige aujourd'hui un travail d'ingénierie sur mesure. Le passage réussi de la simulation (50 agents) à des robots physiques, même limité, appuie l'idée que la génération de code par LLM peut tenir en conditions bruitées et pas seulement en démonstration contrôlée, un point que le secteur teste encore avec prudence. Le travail s'inscrit dans la lignée des recherches sur le contrôle d'essaims par interfaces naturelles, un domaine jusque-là dominé par des solutions figées ou nécessitant un reprogrammation manuelle à chaque nouveau besoin d'usage. L'article ne mentionne ni partenaire industriel ni calendrier de déploiement commercial: il s'agit d'un travail de recherche académique, publié en préversion, dont les prochaines étapes annoncées portent sur l'extension des tests à des flottes réelles plus larges plutôt que sur une mise sur le marché.

Recherche❖Paper

1 source

36

1731arXiv cs.RO 

Planificateur de trajectoire adaptatif pour VLM piloté par l'incertitude (UDAV)

Un article publié le 16 septembre 2026 sur arXiv (2609.16368) décrit UDAV, un planificateur de trajectoires fondé sur un modèle vision-langage (VLM) pour guider un robot terrestre (UGV) à partir d'images aériennes captées par un drone (UAV), en navigation tout-terrain. Face au constat que ces modèles génèrent des itinéraires sans indiquer leur fiabilité, UDAV tire plusieurs prédictions stochastiques de trajectoire, en retient le médoïde comme route nominale, et mesure l'incertitude via la dispersion spatiale des prédictions ; au-delà d'un seuil sur les points intermédiaires, une étape de reconsidération se déclenche, sinon le médoïde est retourné directement. Sur 400 requêtes issues de deux vols de drone, l'erreur moyenne de déplacement (ADE) passe de 147,4 pixels en prédiction déterministe à 115,9 pixels par simple sélection du médoïde, puis à 110,4 pixels avec le système complet, soit 25,1% de réduction, avec des trajectoires valides sur toutes les requêtes. Aux 90e et 95e percentiles, les erreurs reculent de 225,3 et 326,0 pixels (médoïde à K=5) à 199,0 et 290,8 pixels, un résultat meilleur qu'une référence de consensus plus coûteuse en calcul utilisant K=10 échantillons. Pour l'industrie robotique, ce travail cible un angle mort courant des systèmes de navigation pilotés par VLM : la sortie du modèle est traitée comme une vérité unique, sans signal de confiance exploitable en aval. En montrant qu'une incertitude dérivée de la dispersion spatiale peut déclencher une correction seulement quand elle est nécessaire, UDAV limite le surcoût de calcul par rapport à un consensus systématique plus lourd, tout en réduisant les erreurs extrêmes, celles qui comptent le plus pour la sécurité opérationnelle des duos drone-robot terrestre en agriculture, logistique de terrain, inspection ou secours en zones difficiles d'accès. Ce travail s'inscrit dans la tendance à appliquer les VLM directement à la planification de trajectoires depuis l'imagerie aérienne, plutôt que via des pipelines classiques de segmentation puis planification géométrique. Il demeure à ce stade une contribution académique, évaluée sur un jeu de données restreint issu de deux vols et 400 requêtes, sans partenaire industriel identifié ni déploiement terrain annoncé. Sa portée réelle dépendra de validations futures sur des environnements, des flottes et des conditions de vol plus variés que ceux testés dans cette étude initiale.

Recherche❖Paper

1 source

36

1732arXiv cs.RO 

WholeBodyWAM : généraliser les modèles monde-action préentraînés à la loco-manipulation humanoïde par coordination ancrée au WBC

Une équipe de recherche présente WholeBodyWAM dans un preprint publié sur arXiv (2609.16644v1), un modèle monde-action (World Action Model, WAM) conçu pour la loco-manipulation des robots humanoïdes, c'est-à-dire la coordination simultanée de la locomotion et de la manipulation par un contrôle corps entier. Le système prédit conjointement la dynamique visuelle future, les actions de manipulation et les intentions de contrôle corps entier (whole-body control, WBC), tout en préservant les priors monde-action issus d'un pré-entraînement et en les ancrant dans la sémantique hétérogène de différents contrôleurs WBC. Les expériences rapportées affichent un taux de réussite global de 91,9% en simulation, une progression de tâche améliorée de 0,23 point en conditions réelles hors distribution, et une réduction de 70% de la variance du taux de réussite selon le contrôleur WBC utilisé, par rapport aux baselines respectives. Aucun nom d'entreprise, de robot physique commercial ni de site de déploiement n'est mentionné : il s'agit d'un travail de recherche présenté via une page projet (wholebodywam.github.io), pas d'un produit livré. Ce résultat cible un point aveugle du secteur : la plupart des WAM existants, tels que Pi-0, GR00T N2 ou Helix, se concentrent sur la manipulation de table ou centrée sur le bras, laissant de côté la coordination corps entier propre aux humanoïdes bipèdes. En montrant qu'il est possible d'étendre des priors monde-action pré-entraînés à la loco-manipulation via un ancrage structuré du WBC, plutôt que de réapprendre le comportement corps entier depuis zéro, les auteurs proposent une voie de mise à l'échelle moins coûteuse pour les intégrateurs et laboratoires qui doivent faire fonctionner un même modèle fondation sur plusieurs architectures de contrôleurs. La réduction de variance entre WBC est particulièrement pertinente pour les décideurs B2B : elle suggère une meilleure robustesse et portabilité d'un modèle généraliste face à la fragmentation des piles de contrôle corps entier utilisées par les différents fabricants d'humanoïdes. Le travail s'inscrit dans la lignée des modèles monde-action apparus ces deux dernières années pour la manipulation robotique généraliste, portée notamment par des acteurs comme Physical Intelligence (Pi-0), NVIDIA (GR00T N2) ou Figure (Helix), majoritairement testés sur bras robotiques ou plateformes fixes. WholeBodyWAM cible spécifiquement le segment moins exploré de la loco-manipulation humanoïde complète. Les résultats restent à ce stade des mesures de simulation et de tests hors distribution limités, sans indication de calendrier de déploiement, de partenariat industriel ou de transfert vers une plateforme commerciale précise.

Recherche❧Opinion

1 source

36

1733arXiv cs.RO 

UniDex-ViTac : apprendre une politique de manipulation dextérique visuo-tactile unifiée à partir de vidéos humaines

UniDex-ViTac, décrit dans un article arXiv de septembre 2026 (2609.16504), convertit des vidéos de démonstrations humaines en trajectoires robotiques simulées associées à des observations de contact au bout des doigts, via des spécialistes de renforcement résiduel qui adaptent, objet par objet, chaque interaction main-objet filmée à un bras-main robotique. À partir de 50 démonstrations humaines sur dix objets, les auteurs génèrent 10 000 trajectoires simulées pour entraîner une politique généraliste unique basée sur l'architecture Action Chunking with Transformers (ACT), combinant nuages de points, proprioception et quatre signaux de contact binaires par doigt, sans référence humaine ni pose d'objet connue au déploiement. En simulation, la version avec contact atteint 68,3% de réussite contre 55,5% pour une base vision seule ; sur robot réel, sans démonstration réelle ni réglage fin, elle réussit 73 essais sur 110 (66,4%) sur six objets vus et cinq inédits, contre 60 sur 110 (54,5%) pour la base de comparaison, un gain de 11,8 points. Le résultat vise un goulot d'étranglement connu de la manipulation dextre : le coût et la rareté des démonstrations robotiques réelles nécessaires à des politiques robustes. Qu'une politique entraînée uniquement en simulation, sans donnée robot réelle ni fine-tuning, réussisse plus de deux essais sur trois en conditions physiques alimente le débat sur la faisabilité du sim-to-real pour la manipulation fine avec retour tactile. L'ajout de simples signaux tactiles binaires, plutôt que des capteurs continus coûteux, améliore surtout la généralisation à des objets inédits, même si l'échantillon de 110 essais reste modeste pour en tirer des conclusions industrielles. Le travail s'inscrit dans une recherche plus large qui exploite les vidéos humaines non annotées pour contourner la téléopération, principal goulot d'étranglement de l'apprentissage par imitation en manipulation dextre. Sa contribution propre tient à la génération, par simulation physique, d'observations de contact absentes des vidéos humaines brutes, la comparaison avec une base vision seule isolant l'apport du signal tactile plutôt que celui de l'architecture ACT. L'article, accompagné d'une page projet (unidex-vitac.github.io), ne mentionne ni partenariat industriel ni calendrier de déploiement : il s'agit d'une preuve de faisabilité académique dont les suites attendues portent sur davantage d'objets, de tâches et une validation à plus grande échelle en conditions réelles.

Recherche❖Paper

1 source

36

1734arXiv cs.RO 

Machine Zygote : hérédité biparentale causale avant apprentissage dans un agent artificiel à lignée germinale-soma

Des chercheurs décrivent Machine Zygote, une architecture germinale-somatique testant si un agent artificiel nouveau-né hérite mesurablement de deux parents avant tout apprentissage, et si ce lien est isolable causalement plutôt que simplement déduit d'une ressemblance parent-enfant. Deux lignées germinales, mutées indépendamment puis recombinées en un zygote, pilotent le développement d'un corps virtuel générique à huit modules, ensuite figé et évalué sans apprentissage. Un plan préenregistré en diallèle 4x4 portant sur 640 descendants montre, après correction de Holm, une dépendance significative au père et à la mère pour cinq des six traits comportementaux, les effets parentaux et d'interaction expliquant 36 à 53% de la variance sur les cinq traits principaux. Dans des interventions à fond contrôlé (n=60), remplacer une seule lignée parentale en fixant recombinaison et bruit stochastique modifie le phénotype au-delà d'un contrôle de ré-mutation du même parent, pour cinq traits sur six et les deux canaux parentaux, tandis que la recombinaison produit un excès de descendants transgressifs en vitesse et fréquence de démarche. Cette démonstration établit, pour la vie artificielle et la robotique évolutive, un lien de causalité, et non une simple corrélation, entre origine parentale et comportement d'un agent avant tout apprentissage. Elle contredit toutefois l'hypothèse, elle aussi préenregistrée, qu'une dynamique développementale récurrente serait nécessaire : une ablation quasi-statique sans dynamique préserve la distribution moyenne des phénotypes mais modifie la structure de variance parentale. Pour la robotique développementale, l'apport principal est un protocole reproductible séparant hérédité, développement, variation stochastique et apprentissage postnatal, une distinction rarement isolée aussi proprement dans les travaux existants sur les contrôleurs hérités. L'étude s'inscrit dans la lignée des travaux sur l'ontogenèse artificielle, les encodages développementaux et la reproduction robotique, où des contrôleurs hérités existent déjà sans isolation causale claire du signal parental. Publié sur arXiv (2609.17300v1), l'article précise explicitement ses limites : le travail reste confiné à la simulation et n'établit ni hérédité physique, ni génétique biologique, ni évolution autonome. Les auteurs présentent leur contribution comme un cadre et un benchmark reproductibles, destinés à être testés sur d'autres architectures germe-soma et, à terme, transposés à des plateformes robotiques physiques.

Recherche❖Paper

1 source

36

1735arXiv cs.RO 

sensVLA : un modèle vision-langage-action à ancrage spatial pour chargeuse à roues autonome

Un article de recherche publié sur arXiv le 17 septembre 2026 (référence 2609.17021) présente sensVLA, un modèle Vision-Language-Action (VLA) conçu pour piloter de façon autonome une chargeuse sur roues. L'architecture combine un modèle vision-langage Qwen3-2B avec un "action expert" transformer entièrement entraînable, optimisé par régression de vitesse en flow-matching. Particularité du système : les données lidar avant et arrière sont fusionnées en une carte en vue aérienne (Bird's-Eye-View) acheminée directement vers l'action expert via un canal de cross-attention dédié, tandis que le VLM ne traite que les flux vidéo RGB avant/arrière pour fournir le contexte sémantique de la tâche. Le modèle prédit six dimensions d'action : vitesse longitudinale, braquage, déplacement dans le référentiel du châssis, vitesse du bras et vitesse du godet. Testé sur un jeu de données réel issu d'une chargeuse, sensVLA égale une base de référence caméra seule en précision globale par pas de temps, réduit de 28% l'erreur RMSE sur la vitesse longitudinale et de 9% l'erreur de déplacement sur les scénarios de chargement. Quand le flux caméra est corrompu ou supprimé, la dégradation de performance est 29% moindre qu'avec un système sans lidar. Pour l'industrie des engins de chantier et de manutention, ce travail illustre une tendance clé : ajouter un ancrage spatial explicite via lidar et BEV à des architectures VLA pensées à l'origine pour la vision monoculaire améliore la précision, mais surtout la tolérance aux pannes, un critère décisif pour des équipements lourds opérant en extérieur, dans la poussière ou avec occlusion de caméra. Cela nuance l'hypothèse selon laquelle des VLA purement caméra suffiraient à généraliser à toutes les formes de robotique physique : pour des machines à fort payload et cinématique complexe comme une chargeuse, la fusion multimodale avec géométrie 3D explicite reste nécessaire. Pour les intégrateurs et décideurs B2B du BTP et des mines, c'est un signal que l'autonomie des engins lourds progresse sur des bases académiques solides, mais reste au stade recherche : les résultats reposent sur un seul jeu de données réel, sans précision sur le volume d'heures d'opération ni sur un déploiement en production. Ce travail s'inscrit dans la vague plus large des modèles VLA appliqués à la robotique physique, popularisée par des systèmes comme Pi-0 ou GR00T N2 pour la manipulation en bras robotique, mais ici transposée à un engin de chantier à fort tonnage et six degrés de liberté d'action, un segment encore peu couvert par une littérature VLA dominée par les manipulateurs et les humanoïdes. L'article ne précise ni affiliation institutionnelle claire, ni partenaire industriel, ni calendrier de déploiement pilote, ce qui le situe pour l'instant comme une preuve de concept académique plutôt qu'un produit prêt à l'emploi. Il ouvre néanmoins une piste concrète pour les fabricants d'équipements lourds et les fournisseurs de kits d'autonomie rétrofit, susceptibles de s'appuyer sur cette architecture hybride lidar-caméra pour renforcer la robustesse de leurs piles de perception, alors que la course à l'autonomie s'étend au-delà des humanoïdes vers les machines industrielles spécialisées.

IA physique❧Opinion

1 source

35

1736arXiv cs.RO 

ProxiDex : une politique de proximité guidée par la dynamique pour la manipulation dextérique

Des chercheurs ont publié le 16 septembre 2026 sur arXiv (2609.16586) ProxiDex, un framework de manipulation dextre multi-doigts qui traite la proximité main-objet comme un état d'interaction. Le système reconstruit des nuages de points de la zone de contact et convertit les distances géométriques en indices de proximité, une représentation indépendante du matériel, utilisée aussi comme retour immersif en téléopération VR ; un modèle couplé avant-arrière prédit les états latents futurs à partir des actions et en déduit les variations de proximité, afin de stabiliser la politique quand la main masque la caméra. En simulation et en conditions réelles, sur des objets standards, inédits et sous perturbation, les auteurs rapportent des gains de taux de réussite et de robustesse face à des méthodes de référence, sans publier de chiffres précis dans le résumé. L'enjeu visé est l'incertitude de contact, un point faible connu des politiques de manipulation dextre : la caméra est occultée par la main pendant la préhension, et les capteurs tactiles imposent des modalités propres à chaque matériel ainsi qu'un calibrage coûteux qui freine le transfert d'une plateforme à une autre. En proposant une représentation géométrique agnostique au matériel, ProxiDex vise à réduire cette dépendance tout en gardant un signal utile quand la vision faiblit, un enjeu direct pour les intégrateurs devant faire tourner la même politique sur des mains robotiques différentes. Il s'agit toutefois d'une contribution académique sur arXiv, sans partenaire industriel ni déploiement sur robot commercial mentionné, ce qui invite à la prudence avant toute extrapolation vers un produit. Ce travail s'inscrit dans un fil de recherche actif sur les politiques apprises pour mains robotiques multi-doigts, partagé entre approches purement visuelles, pénalisées par les occlusions, et approches tactiles, qui exigent des capteurs dédiés et un réglage par plateforme ; ProxiDex se positionne comme une alternative fondée sur la géométrie de proximité plutôt que sur le contact physique mesuré. Le résumé ne précise ni affiliation institutionnelle ni calendrier de suite, les auteurs renvoyant vers le site proxidex.github.io pour des visualisations complémentaires. La prochaine étape attendue reste l'évaluation par les pairs et une éventuelle reprise du principe dans des politiques génériques de manipulation, où la robustesse au contact demeure un verrou pratique pour un déploiement industriel.

Recherche❖Paper

1 source

35

1737arXiv cs.RO 

Apprentissage continu pour la prédiction de franchissabilité avec adaptation sensible à l'incertitude

Des chercheurs présentent, dans un preprint publié sur arXiv (arXiv:2609.17141v1), un nouveau cadre d'apprentissage continu pour la prédiction de traversabilité des robots mobiles en environnement non structuré, c'est-à-dire la capacité à estimer si un terrain donné peut être franchi sans perte de traction ni instabilité dynamique. Le système combine un modèle génératif de rappel d'expérience, qui permet au robot de conserver la connaissance des terrains déjà rencontrés sans stocker de données brutes, à une estimation de l'incertitude des échantillons générés, utilisée pour guider l'adaptation à de nouveaux environnements. La méthode a été validée en conditions réelles sur un robot à direction par glissement (skid-steering), testé sur une série d'environnements variés, avec des résultats montrant une adaptation progressive aux nouveaux terrains tout en limitant l'oubli catastrophique des terrains précédemment appris. Ce travail cible un verrou concret pour l'autonomie robotique en extérieur : les modèles de traversabilité appris par apprentissage automatique s'ajustent en général mal à un terrain inédit, et lorsqu'ils y parviennent, ils tendent à oublier ce qu'ils savaient des terrains précédents, l'oubli catastrophique. Ce défaut est rédhibitoire pour tout robot destiné à opérer en continu sur des sites hétérogènes (carrières, chantiers, zones agricoles ou d'intervention), où le stockage exhaustif de données de navigation pour du réentraînement périodique est coûteux, voire impossible en embarqué. Une approche capable d'apprendre en ligne, sans rejouer un historique complet, tout en quantifiant sa propre incertitude, intéresse directement les intégrateurs de robots à roues ou chenilles tout-terrain (UGV) confrontés à la variabilité des sols. La prédiction de traversabilité s'appuie traditionnellement sur des capteurs visuels ou proprioceptifs couplés à des réseaux appris hors ligne, une approche qui bute sur la généralisation aux terrains non vus pendant l'entraînement. Le recours à un modèle génératif pour le rejeu d'expérience s'inscrit dans une famille de méthodes de replay génératif étudiées en apprentissage continu, alternative aux approches classiques par mémoire tampon de données brutes. L'article ne mentionne ni partenariat industriel ni calendrier de déploiement : il s'agit à ce stade d'une contribution de recherche validée en laboratoire sur un seul type de plateforme, sans indication de transfert vers un produit commercial.

Recherche❖Paper

1 source

34

1738arXiv cs.RO 

IL-ACT : apprentissage par imitation avec contrôle de suivi cartésien adaptatif pour une pelleteuse de 30 tonnes

Un article publié le 16 septembre 2026 sur arXiv (2609.16696) décrit IL-ACT, un cadre de commande combinant apprentissage par imitation et suivi cartésien adaptatif pour une pelle hydraulique de 30 tonnes. Une politique à 14 entrées, entraînée sur des démonstrations d'opérateurs, génère des vitesses articulaires nominales, corrigées par retour cartésien adaptatif et estimation de gain/biais, avant qu'un régulateur de distance d'arrêt ne borne les références. Testé uniquement en simulation Simscape, sur 100 objectifs et des trajectoires en spirale, en huit et en tracé arrondi, puis 88 essais complémentaires, IL-ACT devance la référence Teacher+ACT avec des durées plus courtes et des erreurs terminales réduites. La version initialisée par télémétrie abaisse la RMSE dans les 24 comparaisons en huit et en tracé arrondi, de près de 29% en spirale avec charge additionnelle, et de 27,67% face à Teacher+ACT sous un bruit de capteur identique. Ces résultats s'inscrivent dans la quête d'une excavation autonome robuste, freinée depuis des années par des cinématiques couplées, des retards d'actionnement hydraulique et l'incertitude du terrain. Que la correction adaptative gagne en performance sous bruit de capteur et charge variable suggère une piste pour réduire l'écart entre démonstrations et conditions réelles de chantier, un enjeu pour tout intégrateur visant un déploiement hors laboratoire. L'étude reste toutefois entièrement simulée: les effets des poids pré-entraînés sont mitigés et un compromis RMSE/erreur maximale subsiste face à la référence originale, signe que la robustesse annoncée doit être validée sur machine réelle. L'excavation autonome reste un problème non résolu pour la robotique de chantier, entre pelles expérimentales chez les fabricants d'engins de construction et de mine et systèmes de téléopération déjà commercialisés, sans standard d'autonomie complète comparable aux VLA vus en manipulation ou en conduite. IL-ACT se positionne comme une brique de contrôle bas niveau greffée sur une politique apprise plutôt que la remplaçant, en écho aux travaux en cours sur l'imitation appliquée aux engins lourds. Les auteurs annoncent poursuivre l'analyse de stabilité et de faisabilité du régulateur, sans calendrier de test réel ni partenaire industriel.

Recherche❖Paper

1 source

34

1739arXiv cs.RO 

Analyse de la régularisation par a priori de mouvement pour l'insertion robotique avec peu de données

Une étude diffusée sur arXiv (2609.17484) teste si des contraintes de mouvement ajoutées pendant l'entraînement améliorent la réussite d'une tâche d'insertion robotique apprise par une politique de diffusion à partir de seulement 15 démonstrations. Deux a priori sont comparés : le jerk minimal, qui pénalise les changements brusques d'accélération translationnelle prédite, et un couplage vitesse-courbure, qui lie la vitesse du geste à la géométrie de la trajectoire. Cinq configurations sont évaluées sur 80 essais réels chacune, regroupés sur quatre classes de conditions, soit 400 essais au total : jerk minimal seul et combinaison des deux a priori obtiennent chacun 70 succès sur 80 (87,5%), le couplage vitesse-courbure seul 69/80 (86,3%), le lissage générique 67/80 (83,8%), et l'absence de tout a priori 66/80 (82,5%), avec des intervalles de confiance de Wilson à 95% pour comparer ces taux. L'écart mesuré reste modeste : la régularisation combinée ne fait que 5 points de mieux que l'absence de contrainte, sans gain mesurable par rapport au jerk minimal utilisé seul. Pour les intégrateurs et chercheurs en manipulation robotique, ce résultat désigne le jerk minimal, le plus simple et le moins coûteux à implémenter, comme candidat prioritaire à répliquer plutôt qu'une combinaison plus lourde. L'insertion reste une tâche de référence difficile pour l'apprentissage par imitation quand les démonstrations sont rares, un enjeu direct pour l'industrialisation des politiques de diffusion appliquées à l'assemblage. Les auteurs soulignent eux-mêmes les limites du travail : intervalles de confiance qui se chevauchent, aucune synergie démontrée entre les deux a priori, aucune spécificité biomécanique établie, et rien ne garantit une sécurité accrue ni une robustesse face à un changement de distribution des données. Il s'agit d'une étude d'ablation prudente, pas d'une preuve de percée. Ce travail s'inscrit dans l'effort plus large pour réduire le nombre de démonstrations nécessaires à l'apprentissage par imitation, alors que les approches vision-langage-action comme Pi-0, GR00T N2 ou Helix cherchent aussi à généraliser à partir de peu de données. Le jerk minimal, emprunté aux modèles biomécaniques du mouvement humain, sert ici de biais inductif pendant l'entraînement, non de garantie de sécurité. L'étude ne cite aucune plateforme robotique commerciale ni entreprise partenaire et reste une contribution académique isolée : la suite annoncée par les auteurs est une réplication indépendante centrée sur le jerk minimal seul, sans calendrier de déploiement industriel évoqué.

Recherche❖Paper

1 source

33

1740arXiv cs.RO 

ConGraspXL : synthèse de mouvements de préhension dextérique contrôlables sous contraintes

Un article publié sur arXiv (2609.16319v1, catégorie "nouveau") présente ConGraspXL, un système de synthèse de mouvements de préhension dextre pour mains robotiques, conçu comme extension du système précédent GraspXL. GraspXL permettait déjà une synthèse de saisie généralisable à des objets variés et à différentes morphologies de main, mais sans possibilité de contrôler précisément la façon dont la prise s'exécute. ConGraspXL ajoute cette contrôlabilité en conditionnant la génération de mouvement sur des contraintes définies par la tâche: direction d'approche de la main, zones de contact souhaitées sur l'objet, trajectoire imposée au poignet, ou pose fonctionnelle de la main, par exemple tenir un outil dans la bonne orientation pour l'utiliser. Techniquement, les auteurs introduisent une formulation hiérarchique des contraintes, une interface à résidu masqué permettant de combiner librement plusieurs contraintes simultanément, ainsi que des centres de main dynamiques et un guidage du poignet en boucle ouverte pour améliorer la précision du contrôle. L'intérêt pour l'industrie tient à un problème concret: la plupart des générateurs de mouvements de préhension appris à grande échelle savent produire une prise plausible sur un objet inconnu, mais ne permettent pas de spécifier comment cette prise doit se faire pour remplir une tâche précise, par exemple attraper une tasse par l'anse plutôt que par le corps. ConGraspXL cherche à combler cet écart en conservant la capacité de généralisation de GraspXL tout en ajoutant un contrôle fin, ce qui en fait, selon les auteurs, un contrôleur de préhension bas niveau "prêt à l'emploi" utilisable comme brique dans des systèmes plus larges: complétion de saisie corps entier, préhension fonctionnelle, ou imitation de mouvements humains, des cas d'usage directement pertinents pour l'apprentissage par imitation et les pipelines de téléopération qui alimentent les modèles vision langage action des mains robotiques dextres. L'abstract ne fournit toutefois aucun chiffre de performance, de comparatif ou de temps de calcul, ce qui empêche d'évaluer l'ampleur réelle du gain par rapport à GraspXL ou à des méthodes concurrentes. Le travail s'inscrit dans la lignée directe de GraspXL, présenté comme une méthode de synthèse de préhension scalable mais non contrôlable, dont ConGraspXL constitue la suite logique. Le papier ne précise ni les auteurs, ni le laboratoire ou l'entreprise d'origine, ni de calendrier de publication de code ou de modèle, ce qui correspond au stade d'un preprint tout juste déposé plutôt qu'à un produit ou un outil diffusé publiquement. Aucun acteur français ou européen n'apparaît dans ce travail. Les usages évoqués, complétion de saisie corps entier, préhension fonctionnelle et imitation de mouvement humain, restent présentés comme des applications aval possibles plutôt que des démonstrations déjà réalisées, et l'abstract ne précise pas si les résultats ont été validés sur du matériel physique ou uniquement en simulation, une distinction pourtant déterminante pour juger de la maturité réelle de l'approche.

Recherche❖Paper

1 source

33

1741arXiv cs.RO 

MR-GLi : superpositions en réalité mixte liées à la pince pour la téléopération d'un bras robotique sous-marin par contrôle bilatéral

Un article publié sur arXiv le 16 septembre 2026 (arXiv:2609.16041v1) présente MR-GLi, une interface de réalité mixte pour la téléopération bilatérale de bras robotiques sous-marins, qui superpose sur la pince du robot un indicateur de couple de réaction et l'image de la caméra du poignet. Vingt participants ont testé le système sur des tâches de levage et de préhension-dépose avec des objets rigides et souples, en comparaison intra-sujet contrebalancée face à un moniteur 2D classique, avec un contenu visuel identique et un contrôle bilatéral à quatre canaux. MR-GLi a maintenu une régulation du couple équivalente à celle obtenue avec l'écran 2D, sans perte de performance, tout en réduisant, selon l'évaluation subjective des participants, la charge perçue liée aux changements d'attention entre l'espace de travail et l'affichage du retour visuel. Le matériel complémentaire est en ligne sur mertcookimg.github.io/mr-gli. L'enjeu est concret pour les opérateurs de bras robotiques sous-marins, inspection de pipelines, maintenance offshore, intervention subsea, qui alternent aujourd'hui leur regard entre la scène de travail et un écran séparé, ce qui alourdit la charge cognitive lors de manipulations fines sur des objets fragiles. En montrant qu'un overlay lié à la pince ne dégrade pas la performance de régulation du couple, l'étude, menée sur un échantillon de vingt participants, apporte une validation empirique à l'idée que l'accès à l'information compte autant que la précision brute de la tâche. C'est un signal utile pour les intégrateurs de ROV et d'AUV à bras manipulateur qui envisagent d'ajouter des casques de réalité mixte à leurs postes de commande: le gain attendu n'est pas une précision mesurable supérieure, mais une charge mentale réduite pour l'opérateur lors de sessions d'intervention longues. L'étude reste toutefois un test en environnement contrôlé de laboratoire, et non un déploiement en mer, ce qui limite la portée immédiate des résultats. MR-GLi repose sur le contrôle bilatéral à quatre canaux, une technique établie de téléopération à retour de force qui transmet position et force dans les deux sens entre opérateur et robot distant, ici appliquée au contexte sous-marin où visibilité réduite et latence des capteurs compliquent la tâche. Cette recherche s'inscrit dans une tendance plus large de diffusion des interfaces de réalité augmentée et mixte en téléopération à distance, déjà observée en robotique chirurgicale et en robotique spatiale, où superposer l'information dans le champ de vision de l'opérateur réduit les changements de focus. Aucun acteur industriel ni fabricant de bras sous-marin n'est cité dans l'étude, qui reste à ce stade une contribution académique en prépublication plutôt qu'un produit commercialisé. Les auteurs n'annoncent ni calendrier ni partenariat industriel; les suites évoquées portent sur l'élargissement des scénarios de tâches et une validation en conditions réelles d'intervention sous-marine, au-delà du cadre expérimental contrôlé utilisé pour cette comparaison.

Recherche❖Paper

1 source

33

1742arXiv cs.RO 

XRoboToolKit-T : téléopération stable et précise grâce à la détection tactile pour la manipulation en contact étroit

Des chercheurs ont publié en septembre 2026 sur arXiv (2609.16437) une architecture de téléopération baptisée XRoboToolKit-T, conçue pour collecter des données de manipulation robotique riches en contacts physiques avec un retour tactile stable et à haute fréquence. Le système repose sur un contrôle de force piloté par le tactile, structuré autour de deux modules haptiques : un "stabilisateur" qui analyse en temps réel la distribution des forces normales et en déduit une force de cisaillement estimée pour ajuster l'assistance donnée à l'opérateur, et un "raffineur" qui embarque un modèle vision-langage-action (VLA) chargé de prédire et corriger les actions de manipulation à partir des données tactiles et de la description de la tâche. Les auteurs ont testé l'ensemble sur deux tâches difficiles : la préhension d'une pipette en caoutchouc déformable pour un transfert de liquide, et l'insertion d'une seringue médicale dans un coussin d'entraînement vasculaire. L'enjeu dépasse la démonstration académique : la collecte de démonstrations de haute qualité reste le principal goulot d'étranglement pour entraîner des modèles VLA capables de généraliser à des tâches fines impliquant du contact physique, comme la préhension d'objets souples ou l'insertion de précision, des cas où les interfaces de téléopération classiques sans capteurs tactiles stables produisent des données bruitées. XRoboToolKit-T s'attaque à ce manque en couplant capteurs tactiles et retour haptique en boucle fermée. Les auteurs affirment obtenir une efficacité de collecte de données et une stabilité de manipulation supérieures aux systèmes de téléopération de référence sans assistance tactile, mais l'abstract ne fournit aucun chiffre précis (ni taux de réussite ni gain en pourcentage), ce qui invite à la prudence avant de considérer ces gains comme établis au-delà du cadre expérimental restreint testé. Le travail s'inscrit dans la course plus large à l'intégration du sensing tactile dans les pipelines d'apprentissage par imitation qui alimentent les modèles VLA de nouvelle génération, dans la lignée d'efforts comme Pi-0 ou GR00T N2, où la manipulation riche en contacts reste un point faible documenté du transfert simulation-vers-réel. Contrairement à un produit commercial, XRoboToolKit-T demeure à ce stade une prépublication arXiv, sans déploiement industriel, partenaire ni calendrier annoncés ; les suites logiques seraient une validation sur davantage de tâches et une intégration dans des pipelines de collecte de données destinés à l'entraînement de politiques VLA à grande échelle.

Recherche❖Paper

1 source

30

1743arXiv cs.RO 

Fleet-vers-labo : cadre d'apprentissage par transfert pour l'estimation du glissement des rovers lunaires par fusion de modèles

Un article mis en ligne sur arXiv le 16 septembre 2026 (arXiv:2609.17187) présente Fleet-to-Lab, un cadre d'apprentissage par transfert pour estimer le glissement des roues d'un rover lunaire autonome. Le problème de départ est connu: les modèles de machine learning entraînés sur données terrestres généralisent mal au terrain lunaire, et les jeux de données réels issus de missions lunaires restent rares, faute de missions nombreuses et vu le coût de leur collecte. Les auteurs proposent de réutiliser les données proprioceptives déjà recueillies par plusieurs rovers lunaires hétérogènes précédemment déployés, puis de fusionner ces modèles experts en une seule architecture grâce à un jeu de données modeste, collecté après le déploiement du rover cible. Cette fusion s'appuie sur un algorithme inédit, AcoMerge, une méthode hybride d'intelligence en essaim inspirée des colonies de fourmis, qui recherche la combinaison optimale des paramètres des modèles experts. Testé en simulation physique haute fidélité, et non sur un rover réel, AcoMerge améliore l'exactitude équilibrée et le score macro-F1 par rapport à des méthodes classiques de fusion de modèles profonds, tout en restant compétitif face à un entraînement conjoint de réseaux profonds, avec un modèle plus léger. Pour l'industrie spatiale, l'enjeu est concret: une mauvaise estimation du glissement peut immobiliser un rover sur un sol meuble, et la rareté des données lunaires réelles empêche aujourd'hui d'entraîner des modèles robustes avant le lancement. En montrant que la fusion de modèles experts issus d'une flotte hétérogène peut se substituer à un réentraînement massif, ce travail propose une alternative pour des missions à budget de données limité, un scénario typique en robotique spatiale où chaque rover est quasiment unique. Les résultats restent toutefois cantonnés à une simulation physique, sans validation sur sol lunaire réel ni intégration à une mission opérationnelle, ce qui laisse ouverte la question du transfert effectif face au véritable écart de domaine Terre-Lune. Le travail s'inscrit dans le regain d'intérêt pour la mobilité lunaire autonome, porté par la multiplication des atterrisseurs commerciaux et des programmes institutionnels de retour sur la Lune, alors que le nombre de rovers ayant réellement roulé sur le régolithe reste très restreint comparé aux flottes terrestres. Cette pénurie de données pousse les équipes de recherche vers des approches d'apprentissage par transfert plutôt que vers l'entraînement de bout en bout. Publié en préimpression sur arXiv, sans revue par les pairs à ce stade et sans laboratoire ni partenaire industriel nommé, l'article appelle explicitement à confronter cette approche à des données lunaires réelles issues de futures missions, seule façon de confirmer que la fusion de modèles tient la promesse observée en simulation.

Recherche❖Paper

1 source

30

1744arXiv cs.RO 

Un laboratoire cloud d'optique programmable

Une équipe de recherche présente PICO, pour Programmable Infrastructure for Cloud Optics, une architecture de laboratoire robotisé en cloud dédiée aux expériences d'optique en espace libre, décrite dans un article publié sur arXiv sous la référence 2609.16413v1. Le système répond à une difficulté propre à ce domaine : contrairement à d'autres laboratoires automatisés aux protocoles standardisés, les bancs d'optique en espace libre combinent des composants hétérogènes, sources laser, miroirs, lentilles, détecteurs, exigent un alignement mécanique précis et sont sans cesse réagencés selon les objectifs de recherche, ce qui complique leur automatisation robotisée. PICO fournit une couche logicielle et une abstraction communes, spécifiques au domaine, qui permettent de décrire et piloter la configuration ainsi que les actions d'une même expérience physique via plusieurs interfaces : usage interactif à distance, exécution de scripts, routines autonomes, avec des fonctions telles que le contrôle de version des montages. Les auteurs ont implémenté cette architecture sur une plateforme robotisée réelle d'optique en espace libre et l'ont validée par une étude de cas expérimentale. L'enjeu dépasse le simple confort d'usage. Pour les laboratoires de photonique, de métrologie quantique ou de calcul optique, la reconfiguration manuelle d'un banc reste un goulot d'étranglement qui limite le débit expérimental, complique la reproductibilité d'une équipe à l'autre et restreint l'accès à distance à des instruments coûteux. En traitant l'optique en espace libre comme une infrastructure programmable plutôt qu'un montage figé, PICO rejoint la logique des laboratoires cloud déjà éprouvée en chimie et en biologie, où des instruments physiques deviennent des ressources pilotables à distance. Pour les intégrateurs et décideurs techniques, la démonstration que contrôle de version, scripts et opération autonome peuvent coexister sur un même banc optique robotisé ouvre une piste vers des laboratoires mutualisés entre institutions, où l'accès à un instrument spécialisé ne dépendrait plus de sa localisation physique. Ce travail s'inscrit dans la montée en puissance des laboratoires automatisés, ou « self-driving labs », une dynamique portée depuis plusieurs années par des plateformes cloud en chimie et en biologie mais restée en retrait en optique en espace libre en raison de la précision mécanique qu'exige l'alignement. L'article ne mentionne aucun partenaire industriel ni calendrier de commercialisation : il s'agit d'un travail de recherche académique, limité à ce stade à une démonstration sur une plateforme unique et une seule étude de cas, sans indication chiffrée de débit ou de robustesse à grande échelle. Les suites attendues pour ce type d'architecture concernent généralement l'élargissement du catalogue de composants pris en charge et le partage de l'infrastructure entre plusieurs équipes de recherche, afin d'en tester la reproductibilité inter-laboratoires.

Recherche❖Paper

1 source

30

1745arXiv cs.RO 

Bi-MoDe : apprentissage par imitation à contrôle bilatéral via décodage conditionné par modificateur pour moduler vitesse d'exécution et intensité de contact

Bi-MoDe (Bilateral Control-based Imitation Learning via Modifier-Conditioned Decoding) est un nouveau framework de recherche en robotique décrit dans une publication arXiv (2609.16040v1, mise en ligne mi-septembre 2026, texte intégral et matériel additionnel disponibles sur mertcookimg.github.io/bi-mode). Il s'appuie sur l'apprentissage par imitation à contrôle bilatéral, une méthode qui capture simultanément la position et la force appliquée pendant une démonstration, ce qui la rend adaptée à des tâches de manipulation impliquant un contact physique soutenu avec l'environnement. La contribution technique consiste à injecter un latent contraint dans chaque couche du décodeur Transformer générant les actions, via une technique de conditionnement appelée adaLN-Zero, afin qu'un opérateur puisse spécifier au moment de l'exécution comment une tâche apprise doit être réalisée, par exemple rapidement ou lentement, avec douceur ou fermeté. Les chercheurs ont testé la méthode sur une tâche réelle unique, l'essuyage d'un tableau blanc, en combinant des modificateurs temporels (vitesse) et physiques (intensité du contact). L'enjeu dépasse la simple démonstration technique : la plupart des politiques d'imitation actuelles produisent un comportement figé, calé sur les démonstrations d'entraînement, sans possibilité de moduler finement la force ou le rythme sans réentraîner le modèle. Pour des intégrateurs industriels manipulant des pièces fragiles ou des opérations à cadence variable, pouvoir ajuster l'intensité de contact à la volée serait un vrai gain d'exploitabilité. Les résultats indiquent une amélioration du respect des consignes physiques par rapport à une base de référence par action-chunking, avec un contrôle temporel comparable, et une étude d'ablation montre que le conditionnement du décodeur et la composition dans l'espace latent doivent être combinés pour obtenir cette précision. Le travail s'inscrit dans la lignée du contrôle bilatéral, technique de téléopération historiquement utilisée pour transmettre le retour de force dans l'apprentissage par imitation, un axe de recherche distinct des approches VLA généralistes comme GR00T N2 ou Pi-0. Il s'agit toutefois d'un preprint arXiv non encore évalué par les pairs, validé sur une seule tâche en laboratoire, sans acteur industriel ni feuille de route de déploiement annoncée à ce stade.

Recherche❖Paper

1 source

28

1746arXiv cs.RO 

Estimer les relations spatiales incertaines en robotique

Publié sous la référence arXiv:1304.3111v2 en tant que cross-listing, cet article présente la carte stochastique ("stochastic map"), une représentation mathématique permettant d'estimer les relations spatiales incertaines entre objets dans un environnement robotique. Le texte décrit les procédures nécessaires pour construire cette carte, en extraire l'information et la mettre à jour de façon incrémentale à mesure que de nouvelles observations arrivent. Chaque relation entre objets y est stockée avec son incertitude associée, calculée à partir de l'ensemble des données disponibles. L'apport central tient dans la nature probabiliste des estimations: plutôt que de raisonner en pire cas, approche jugée trop conservatrice dans les travaux antérieurs, la méthode s'appuie sur la théorie de l'estimation d'état et du filtrage, cadre mathématique rigoureux qui ouvre la voie à de nombreuses extensions ultérieures. Ce travail compte parmi les fondations théoriques de la localisation et cartographie simultanées (SLAM), technique aujourd'hui indispensable à toute plateforme mobile autonome, des robots de logistique en entrepôt aux véhicules autonomes et aux humanoïdes équipés de capteurs LiDAR ou de caméras. En posant un cadre probabiliste pour gérer l'incertitude spatiale, la carte stochastique a permis de remplacer des approches rigides et pessimistes par des systèmes capables de fusionner des mesures bruitées en estimations exploitables, une condition nécessaire pour qu'un robot puisse naviguer et manipuler des objets de façon fiable dans un environnement partiellement connu. Le document correspond à un texte fondateur des années 1980, signé dans la lignée des travaux de Randall Smith et Peter Cheeseman sur l'estimation spatiale en robotique, republié sur arXiv pour archivage et accessibilité. Ses concepts ont depuis irrigué des décennies de recherche en SLAM, du filtrage de Kalman étendu jusqu'aux approches modernes par graphes de poses ou par apprentissage profond utilisées dans les piles de navigation actuelles. Sa republication en cross-listing illustre l'intérêt continu de la communauté robotique pour ces fondements mathématiques, alors que les systèmes de perception et de navigation autonomes se complexifient.

Recherche❖Paper

1 source

48

1747Pandaily 

Xiaomi ouvre en open source son modèle du monde incarné Robotics-U0 et sa suite d'entraînement

Xiaomi a publié en open source Xiaomi-Robotics-U0, un modèle de monde incarné autorégressif qui traite la génération de contenu robotique comme une extension des modèles fondation image et vidéo, plutôt que comme un simple générateur de trajectoires. La version principale compte environ 38 milliards de paramètres, entraînée en continu pour l'intelligence incarnée ; une variante Xiaomi-Robotics-U0-4B et des déclinaisons FlashAR sont aussi publiées sur Hugging Face et ModelScope, avec code d'inférence, démos Gradio et scripts d'entraînement FSDP mis en ligne début septembre. Dans un seul cadre de prédiction de token, le modèle unifie génération texte-vers-image, édition d'image, synthèse de scènes multi-vues, transfert incarné contrôlable et déroulement de vidéo, en s'appuyant sur une tokenisation IBQ et des briques issues de Qwen3-32B et de la lignée EMU3.5. Le module d'inférence FlashAR+ remplace le décodage séquentiel token par token par une génération parallèle, couplée au batching vLLM, avec un gain revendiqué de 82,9 fois à près de 83 fois en génération 1024x1024, faisant chuter la latence d'un exemple type de 450,8 à 5,44 secondes, et un score EWMScore_P de 73,64 plaçant UNIS en tête du classement WorldArena. Pour l'industrie robotique, cette ouverture d'un modèle de monde de cette taille change la donne pour les intégrateurs qui cherchent à générer des données synthétiques d'entraînement sans multiplier les collectes réelles : Xiaomi affiche une progression du taux de réussite sur des tâches d'interférence de 36,9% à 63,2% sous fonds et éclairages inédits, en mélangeant données de transfert de style et démonstrations réelles pour le post-entraînement de politiques de contrôle. Cela nourrit le débat sur la résolution du fossé simulation-réel et la viabilité des modèles vision-langage-action (VLA) à grande échelle. Les comparaisons revendiquées face à GPT-Image-2 reposent toutefois sur des jeux de test internes non vérifiés de façon indépendante, et les checkpoints vidéo restent en retard sur les versions image et transfert, ce qui invite à la prudence avant de considérer ces poids ouverts comme une usine à données prête à l'emploi pour des robots en production. Cette publication s'inscrit dans la montée en puissance de Xiaomi sur la robotique incarnée, aux côtés d'acteurs comme Nvidia et son GR00T N2, Physical Intelligence et Pi-0, ou Figure et Helix, qui développent tous des modèles de fondation pour l'action robotique. En misant sur un modèle de monde génératif plutôt que sur une politique d'action directe, Xiaomi se positionne sur la brique amont de génération de données et de simulation, complémentaire des VLA de contrôle. Xiaomi invite lui-même les équipes à vérifier les termes de licence, le choix du moteur FlashAR et la reproductibilité des scores WorldArena par des tiers avant tout déploiement en production, signe que cette publication reste à ce stade un jeu d'outils de recherche plutôt qu'un produit clé en main pour l'industrie.

IA physique❧Opinion

1 source

42

1748Pandaily 

EBKernel dévoile Cog-WM 1.0, un modèle du monde cognitif inspiré du cerveau

La startup shanghaïenne EBKernel a dévoilé Cog-WM 1.0 lors de la session sur l'intelligence incarnée inspirée du cerveau, au Forum Pujiang de l'innovation 2026. Le système est présenté comme un modèle du monde cognitif fondé sur la prédiction en espace latent plutôt que sur la reconstruction pixel par pixel, avec un objectif d'apprentissage de type JEPA associé à des mécanismes inspirés des cartes cognitives humaines : mise à jour sélective de la mémoire, encodage conditionné par l'objectif, prévision à plusieurs horizons temporels. Le module de navigation Cog-WM Nav 1.0 fonctionne sans carte préétablie : sur un sous-ensemble du benchmark HM3D-ObjectNav, EBKernel annonce un taux de réussite passant de 78,50% à 86,89% face à la référence BSC-Nav publiée dans Nature Communications, un gain absolu de 8,39 points (environ 10,7% en relatif), le SPL progressant de 47,70 à 48,35. Le module de manipulation Cog-WM Manip 1.0 entraîne une prédiction d'état multi-échelle ; sous un protocole de reproduction unifié, l'entreprise revendique jusqu'à environ 16% de gain par rapport à des références massivement préentraînées de type pi0.5, sur trois suites de manipulation dont les scénarios les plus difficiles de RoboTwin 2.0. Une ablation sur LIBERO-Plus montre une progression cumulative, de la politique seule (environ 80%) à la pile complète (84,6%), via la prédiction locale (81,6%) puis multi-horizon (82,0%). EBKernel dit avoir déployé le système sur des humanoïdes à roues et des quadrupèdes pour la navigation sans carte, la planification de trajectoire, la mémoire spatio-temporelle, les questions-réponses spatiales et la recherche d'objets, la manipulation étant vérifiée sur humanoïdes à roues et la navigation quadrupède testée chez des clients en inspection et patrouille. Si ces chiffres se confirment de façon indépendante, ils appuient l'idée que des modèles du monde en espace latent peuvent améliorer la généralisation en navigation et en manipulation sans dépendre uniquement du gigantisme des données de préentraînement, une piste qui intéresse les intégrateurs cherchant à réduire le coût d'entraînement des politiques robotiques. Le gain revendiqué face à pi0.5 alimente le débat sur la viabilité des architectures vision-langage-action à grande échelle face à des approches hybrides combinant prédiction latente et mémoire spatiale explicite. La prudence reste toutefois de mise : les résultats proviennent de benchmarks et protocoles contrôlés par EBKernel elle-même, sans validation tierce indépendante, et les performances en extérieur ou sur des tâches à long horizon restent peu documentées en dehors de ces chiffres maison. Pour les décideurs B2B, la distinction entre démonstration technique et déploiement commercial généralisé reste donc essentielle : les usages cités en inspection et patrouille relèvent pour l'instant de sites clients ponctuels, pas d'un déploiement à grande échelle. Fondée mi-2025, EBKernel défend une thèse produit centrée sur l'apprentissage continu à faible volume de données et à forte généralisation, en rupture avec la course au préentraînement massif menée par des architectures de type pi0.5. Le choix du Forum Pujiang de Shanghai comme vitrine de lancement, ainsi que la comparaison directe avec la référence BSC-Nav publiée dans Nature Communications, s'inscrivent dans la stratégie des laboratoires chinois d'intelligence incarnée cherchant à se mesurer aux standards académiques et industriels internationaux. La suite dépendra de la capacité d'EBKernel à faire valider ses résultats par des tiers indépendants et à élargir ses déploiements au-delà des sites pilotes d'inspection et de patrouille actuellement cités, dans un secteur où l'écart entre démonstration et robustesse en conditions réelles reste la principale zone d'ombre.

IA physique⚡Actu

1 source

45

1749IEEE Spectrum Robotics 

Digit 5, le premier robot humanoïde vraiment sûr pour travailler ?

Agility Robotics a dévoilé Digit 5, la dernière génération de son robot humanoïde industriel, en misant sur un compromis inédit entre puissance, sécurité et autonomie énergétique. L'engin mesure 1,8 mètre pour 129 kg, peut soulever une charge de 23 kg jusqu'à 2,1 mètres de hauteur, et fonctionne plus de 20 heures par jour sans immobilisation prolongée pour recharge. Sa principale nouveauté tient à sa gestion de la sécurité : au lieu de s'appuyer sur des barrières physiques comme la quasi-totalité des humanoïdes commerciaux actuels, Digit 5 est conçu pour ne jamais pouvoir tomber sur quelqu'un. Quand un humain s'approche, le robot dépose ce qu'il transporte puis s'assoit au sol de façon stable si nécessaire, selon le communiqué d'Agility. Le robot abandonne aussi les jambes inversées, en forme de patte d'oiseau, qui caractérisaient Cassie puis les précédentes générations de Digit et qu'avait théorisées le cofondateur Jonathan Hurst dans un article de 2019 pour IEEE Spectrum : ces jambes optimisées pour la locomotion dynamique se prêtaient mal au levage et à la position accroupie, d'où le passage à une configuration plus proche de la jambe humaine. D'après le dossier déposé par Agility auprès de la SEC en juin, en vue d'une entrée en Bourse prévue avant fin 2026, le coût des composants (BOM) de Digit 5 devrait se situer entre 150 000 et 200 000 dollars au lancement, avec un objectif de moins de 50 000 dollars à un volume de 10 000 unités par an. Le service en formule robot-as-a-service serait facturé autour de 8 500 dollars par mois, une estimation qu'Agility qualifie elle-même de purement illustrative. Cette approche répond à une question que la plupart des fabricants de humanoïdes évitent : que se passe-t-il si un robot bipède intrinsèquement instable tombe sur un employé, un enfant ou un animal ? En rendant cette chute impossible par construction plutôt que par promesse marketing, Agility propose une réponse vérifiable là où la concurrence reste largement silencieuse sur le sujet, ce qui pourrait débloquer des déploiements en usine sans cages de sécurité, un frein connu à l'adoption industrielle des humanoïdes. Sur le plan économique, en croisant les 20 heures d'activité quotidienne annoncées avec un coût horaire de main-d'œuvre estimé à 30,50 dollars, Agility avance une économie potentielle de 100 000 dollars par an et par robot pour ses clients, un chiffre présenté comme purement indicatif et donc à prendre avec prudence, comme toute projection émanant du fabricant avant commercialisation à grande échelle. Si ces ordres de grandeur se confirment en conditions réelles, ils constitueraient l'un des premiers cas concrets où l'équation coûts/bénéfices d'un humanoïde tiendrait la route face au scepticisme sur l'écart entre démonstrations spectaculaires et utilité économique réelle en production. Agility Robotics construit sur l'héritage de Cassie, son premier robot bipède, puis des générations précédentes de Digit, dont les jambes inversées avaient été conçues par Jonathan Hurst comme une optimisation biomécanique de la locomotion dynamique plutôt que par souci esthétique, ainsi qu'il l'expliquait déjà en 2019. Le passage à une architecture de jambes plus proche de l'humain marque une bascule assumée vers l'utilité au sol, levage et position accroupie, au détriment de l'agilité dynamique. La société a par ailleurs confirmé, via son dépôt SEC de juin, viser une introduction en Bourse d'ici fin 2026, ce qui explique la précision inhabituelle des chiffres de coûts et de rentabilité rendus publics avant même la commercialisation effective de Digit 5. Le robot arrive dans un paysage humanoïde de plus en plus encombré, où de nombreux concurrents continuent de communiquer surtout par vidéos de démonstration ; l'insistance d'Agility sur un mécanisme de sécurité vérifiable et sur des données de coûts de production réelles, plutôt que sur des projections marketing, tranche avec cette tendance. Les prochaines étapes attendues sont les premiers retours de déploiements clients à grande échelle, qui permettront de vérifier si les promesses de 20 heures de fonctionnement quotidien et d'économies annuelles de 100 000 dollars par robot se confirment sur le terrain, à mesure qu'Agility se rapproche de l'échéance boursière visée pour fin 2026.

Humanoïdes❧Opinion

1 source

47

1750Robotics Business Review 

Le Digit 5 d'Agility gagne de nouvelles jambes, batteries et améliorations de sécurité

Agility Robotics a dévoilé le 15 septembre 2026 la cinquième génération de son robot humanoïde Digit, dotée de nouvelles jambes, de batteries améliorées et d'une architecture de sécurité repensée permettant, selon l'entreprise, de travailler à proximité immédiate d'humains sans barrières physiques. L'annonce intervient alors qu'Agility prépare son entrée en bourse via une fusion SPAC avec Churchill Capital Corp. XI, qui valorise l'entreprise à 2,5 milliards de dollars. Selon des documents déposés auprès de la SEC, Agility n'a généré que 1,8 million de dollars de ventes nettes en 2025, un chiffre à mettre en regard des plus de 300 millions de dollars de commandes pluriannuelles revendiquées par la PDG Peggy Johnson. Côté matériel, Digit 5 embarque un chargeur autonome plus rapide : 90 minutes d'autonomie pour seulement neuf minutes de charge complète, soit un ratio fonctionnement/charge de 10 pour 1, contre 2 pour 1 sur Digit 4, permettant au robot de travailler plus de 20 heures sur 24. L'accès anticipé est prévu pour le premier semestre 2027, avec une disponibilité générale pour les opérateurs de fabrication, d'entreposage et de distribution fin 2027. Agility compte aussi déployer Digit 5 hors d'Amérique du Nord pour la première fois, en commençant par l'Union européenne et le Royaume-Uni, avec un marquage CE visé pour l'accès à ces marchés. Cette mise à jour illustre un basculement du discours humanoïde, de la démonstration technologique vers l'ingénierie industrielle concrète. Jonathan Hurst, cofondateur et chief robot officer d'Agility, explique que les premières versions de Digit relevaient d'une phase de preuve de concept, avant que l'équipe ne se heurte aux exigences réelles de mise à l'échelle : certifications FCC, UL, ISO, largeur des allées, emplacement des chargeurs, organisation des flux. Ce sont ces centaines de contraintes d'ingénierie, issues de trois ans de déploiement de Digit 4 chez des clients comme Amazon, qui ont façonné Digit 5. L'écart entre 1,8 million de dollars de revenus réels et une valorisation de 2,5 milliards mérite d'être noté avec prudence par les décideurs B2B suivant le dossier. Agility fait partie des rares fournisseurs de robots humanoïdes réellement en activité sur des sites de production, de logistique et de distribution, aux côtés d'acteurs comme Figure (Figure 03), Tesla (Optimus Gen 3) ou des modèles fondation comme Pi-0 de Physical Intelligence et GR00T N2 de NVIDIA. Son expansion vers l'Europe la placera aussi en concurrence directe avec des acteurs locaux du secteur, comme le français Wandercraft sur l'exosquelette et l'humanoïde, ou Pollen Robotics. La cotation via SPAC, voie inhabituelle en robotique, ajoute une dimension financière à surveiller d'ici 2027.

Humanoïdes⚡Actu

1 source