Actualités robotique — page 4

4 468 articles au fil, du plus récent au plus ancien.

48

151arXiv cs.RO 

Renforcement des politiques d'action par la prédiction

Des chercheurs présentent Prophet, un modèle du monde robotique de type action-vers-vidéo, associé à FlowScale, une méthode d'apprentissage par renforcement conçue pour les politiques Vision-Language-Action (VLA) à tête d'action par flux. Publiés sur arXiv (2511.20633, version 2), ces travaux s'attaquent au talon d'Achille des VLA actuelles : entraînées presque exclusivement par imitation, elles mémorisent les démonstrations et se dégradent dès que la situation réelle s'écarte des exemples vus à l'entraînement. Prophet est pré-entraîné sur des données robotiques hétérogènes à grande échelle pour capturer une dynamique action-conséquence réutilisable, puis adapté en few-shot (avec très peu d'exemples) à de nouveaux robots, objets et environnements, ce qui en fait un simulateur prêt à générer des rollouts pour l'entraînement par renforcement. FlowScale combine l'algorithme Flow-GRPO à une repondération intrinsèque par étape qui stabilise les gradients durant l'optimisation. Résultat : un gain de taux de succès de 5 à 17 points sur des benchmarks publics, et de 24 à 30 points sur des robots réels, mesuré sur plusieurs architectures VLA différentes. L'enjeu dépasse la seule performance chiffrée. Le vrai verrou du RL en robotique a toujours été le coût et la lenteur de l'interaction physique réelle, combinés à la difficulté de construire des simulateurs qui transfèrent effectivement vers le monde réel, le fameux écart simulation-réalité. En remplaçant l'environnement d'entraînement par un modèle du monde appris directement à partir de données robotiques et adaptable à un nouveau setup avec peu d'exemples, Prophet ouvre une voie pour faire du post-entraînement par renforcement sans multiplier les heures de manipulation physique ni réingénierer un simulateur pour chaque nouveau robot. C'est un signal notable pour les équipes qui développent des politiques VLA, en laboratoire comme dans l'industrie : la RL post-imitation devient praticable à un coût de données et de calcul raisonnable, ce qui pourrait accélérer le passage de démonstrations de laboratoire à des politiques réellement robustes en conditions réelles, une distinction que le secteur peine encore souvent à établir clairement. Ce travail s'inscrit dans une lignée de recherche qui cherche à combler l'écart entre l'apprentissage par imitation, dominant dans les VLA ces dernières années, et l'apprentissage par renforcement, longtemps jugé trop coûteux à appliquer sur des robots physiques. Flow-GRPO, sur lequel s'appuie FlowScale, est un algorithme récent de RL adapté aux modèles à appariement de flux, une technique de plus en plus utilisée pour les têtes d'action des politiques robotiques modernes. La mention « replace » sur l'identifiant arXiv indique une nouvelle version d'un article déjà annoncé, signe que les auteurs ont retravaillé leur méthode ou leurs résultats. L'article ne précise pas les backbones VLA testés ni les tâches réelles utilisées pour obtenir les gains de 24 à 30%, une limite à garder en tête avant de généraliser ces chiffres.

Recherche❖Paper

1 source

46

152arXiv cs.RO 

In-Context VLA : doter les modèles VLA de langage via post-entraînement en contexte et outils à base d'agents

Une étude publiée sur arXiv (2608.05738v1) identifie un défaut structurel des modèles vision-langage-action (VLA), la méthode dominante pour la manipulation robotique généraliste, entraînés par clonage comportemental à partir d'une image statique et d'une instruction fixe. Les auteurs montrent qu'ajouter un raisonnement textuel explicite (chain-of-thought, CoT) dégrade le contrôle bas niveau : ce raisonnement n'est pas ancré dans la perception réelle, sa latence casse le timing de la boucle fermée, et texte et action, optimisés selon des objectifs contradictoires, poussent la politique à commenter plutôt qu'à agir. Leur réponse, baptisée In-Context VLA, combine un post-entraînement en contexte, où les preuves perceptuelles sont injectées comme contexte structuré et où seule la supervision des actions est utilisée, et une interface agentique qui interroge des détecteurs en vocabulaire ouvert, un module de profondeur monoculaire et un modèle vision-langage. Sur les bancs d'essai RoboCasa-GR1, SimplerEnv et LIBERO, plus 8 tâches de manipulation réelles, la méthode atteint l'état de l'art en performance et en efficacité face aux approches CoT à configuration égale. Ce résultat pèse sur un débat central du secteur : le CoT, efficace pour les grands modèles de langage, était vu comme une voie naturelle pour rendre les VLA plus performants et plus interprétables. L'étude montre l'inverse pour des systèmes de contrôle temps réel, où la latence du texte entre en conflit direct avec les contraintes de boucle fermée d'un bras ou d'un robot mobile. Pour les équipes qui évaluent des architectures candidates à la manipulation industrielle, la leçon est de séparer la capacité à produire du langage de celle à l'exploiter comme information de perception, un choix de conception qui conditionne directement la fiabilité des futures politiques robotiques face à des instructions inédites. Le clonage comportemental s'est imposé comme recette par défaut à mesure que se multipliaient les démonstrations téléopérées et les architectures VLA, et plusieurs travaux récents avaient tenté d'y greffer un raisonnement CoT dans la lignée des gains observés côté modèles de langage purs. In-Context VLA prend le contre-pied en s'appuyant sur un moteur de données qui génère des descriptions spatiales diverses et paraphrasées, conditionnées par des preuves perceptuelles réelles, plutôt qu'une légende unique et gabarisée, pour que la politique apprenne à interpréter un langage jamais vu mot pour mot. Les auteurs positionnent leur approche comme une alternative directe aux méthodes fondées sur le CoT, avec des résultats state-of-the-art annoncés sur trois bancs de simulation distincts et des tests physiques, que de futures reproductions viendront confirmer ou nuancer.

Recherche❧Opinion

1 source

45

153arXiv cs.RO 

KILVO : odométrie kinématique, inertielle, LiDAR et visuelle avec adaptation multimodale robuste pour robots humanoïdes

Des chercheurs publient KILVO (Kinematic-Inertial-LiDAR-Visual Odometry), un système de localisation pour robots humanoïdes qui combine quatre capteurs déjà présents sur ces plateformes : encodeurs articulaires, centrale inertielle (IMU), LiDAR et caméra. L'architecture repose sur un filtre de Kalman itéré à état d'erreur (ESIKF) hybride, à la fois asynchrone et séquentiel. Les données inertielles servent à la prédiction, la cinématique des jambes est traitée de façon asynchrone à haute fréquence pour fournir des contraintes proprioceptives, tandis que les données extéroceptives sont intégrées séquentiellement : d'abord les points LiDAR pour des a priori géométriques, puis la caméra via des erreurs photométriques. Un module compact d'estimation de contact au sol vient compléter l'estimation d'état sans capteur supplémentaire. Le système, conçu pour tolérer la dégradation ou la perte de capteurs grâce à une adaptation multimodale, a été testé sur des jeux de données publics et en conditions réelles, sur plusieurs robots humanoïdes, démarches et scénarios. Le code et les jeux de données sont publiés sur GitHub (arXiv:2608.05647, prépublication non encore évaluée par les pairs). L'odométrie reste un verrou pour l'autonomie des humanoïdes hors laboratoire : contrairement aux robots à roues, la marche bipède introduit glissements, impacts et vibrations qui dégradent vite les estimations purement inertielles ou visuelles. En fusionnant systématiquement quatre modalités déjà embarquées plutôt qu'en ajoutant du matériel, KILVO répond à une contrainte concrète pour les intégrateurs : coût et poids supplémentaires nuls. La robustesse revendiquée face à la dégradation d'un capteur, LiDAR occulté, caméra en contre-jour ou IMU bruitée, touche directement à l'écart entre démonstration en environnement contrôlé et déploiement réel, point sur lequel le secteur reste prudent malgré les annonces répétées de marche omniterrain. Une brique de localisation fiabilisée conditionne ensuite des fonctions en aval comme la navigation, la cartographie ou la manipulation mobile. L'odométrie visuo-inertielle et l'odométrie LiDAR sont des briques matures en robotique mobile classique, mais leur transposition aux humanoïdes reste récente : la marche bipède complique l'exploitation de la cinématique comme source proprioceptive fiable, contrairement aux robots à pattes quadrupèdes, mieux documentés sur ce plan. KILVO s'inscrit dans cette lignée de travaux de fusion capteurs pour la locomotion à pattes, en revendiquant une précision et une cadence de sortie compétitives face aux méthodes de l'état de l'art. La publication du code et des jeux de données sur GitHub vise une adoption par la communauté robotique, dans un contexte où plusieurs laboratoires et fabricants d'humanoïdes cherchent à standardiser leurs piles de perception et de localisation à mesure que les premiers pilotes de déploiement se multiplient.

Recherche❖Paper

1 source

44

154arXiv cs.RO 

TRACE : odométrie proprioceptive apprise pour robots à pattes en conditions de contact imprévisibles

TRACE (Tokenized Robust Attention for Contact-Aware Estimation) est un estimateur d'odométrie proprioceptive entièrement appris pour robots à pattes, conçu pour rester fiable quand les contacts au sol sont incertains. À partir d'un historique récent de mesures inertielles et articulaires embarquées, il prédit directement le déplacement relatif, la rotation relative et la vitesse en référentiel du corps, grâce à un module d'attention croisée qui pondère les signaux IMU et les données cinématiques par patte sans seuils de contact ou de glissement définis manuellement. L'entraînement combine supervision directe, pertes auxiliaires physiques, randomisation de politique en simulation et fine-tuning partiel sur données réelles. Sur des terrains variés, intérieurs et extérieurs, la dérive de position recule nettement face aux filtres classiques, aux approches hybrides et aux méthodes purement apprises. L'odométrie proprioceptive est essentielle à la navigation des robots à pattes quand la vision ou le GPS deviennent peu fiables (poussière, obscurité, terrain instable), un cas fréquent en inspection industrielle ou en intervention. Les filtres classiques dépendent d'une détection de contact au sol explicite, point faible dès qu'un pied glisse ou trébuche. En remplaçant ces seuils fixes par une pondération apprise des signaux, TRACE cible un angle mort connu des pipelines actuels de localisation. Pour les intégrateurs de robotique de terrain, une odométrie plus robuste aux contacts incertains améliore la fiabilité de la localisation sans changement matériel, purement par le logiciel embarqué. Le travail s'inscrit dans la lignée des approches cherchant à dépasser les filtres de Kalman étendus et la détection de contact binaire, à mesure que les politiques de marche apprises par renforcement rendent les dynamiques de contact plus variées et plus difficiles à modéliser par des règles fixes. TRACE répond à ce problème de généralisation en s'entraînant sur des politiques randomisées plutôt que sur une seule démarche fixe, limitant ainsi le surapprentissage documenté dans d'autres travaux d'odométrie apprise. Des études d'ablation confirment l'apport de chaque perte auxiliaire, de la randomisation et du fine-tuning réel. Publiée sur arXiv (2608.05975), sans plateforme commerciale ni partenaire industriel cité, la contribution reste pour l'instant méthodologique plutôt qu'un système prêt à déployer.

Recherche❖Paper

1 source

44

155arXiv cs.RO 

MMaDA-VLA : un grand modèle vision-langage-action à diffusion, avec instruction et génération multimodales unifiées

Un groupe de chercheurs a mis en ligne une troisième version révisée de MMaDA-VLA, un modèle Vision-Language-Action (VLA) qui convertit observations visuelles et instructions en langage naturel en actions robotiques. À la différence des architectures hiérarchiques ou autorégressives habituelles, ce modèle repose sur une diffusion discrète native et préentraînée, qui unifie compréhension et génération multimodales dans un espace de tokens partagé. Il débruite conjointement une image d'objectif futur et un segment d'actions, ancrant ainsi les décisions du robot dans un résultat visuel prédit, sans passer par un modèle du monde auxiliaire séparé. Ce raffinement parallèle et non ordonné viserait à limiter l'accumulation d'erreurs sur les tâches longues. Sur le benchmark de simulation LIBERO, MMaDA-VLA atteint 98,0% de réussite moyenne ; sur CALVIN, une longueur moyenne de séquence réussie de 4,78. Les auteurs annoncent aussi de bons résultats en conditions réelles, sans détailler la plateforme robotique utilisée. Ce travail répond à un problème connu des VLA : les pipelines hiérarchiques (planificateur puis contrôleur) ou autorégressifs accumulent des erreurs sur les séquences longues et nécessitent souvent des modules annexes pour modéliser la dynamique de l'environnement. En intégrant prédiction visuelle et génération d'actions dans un seul processus de diffusion, MMaDA-VLA supprime ce module séparé et propose une architecture plus compacte. Un score de 98% sur LIBERO est élevé, mais reste un résultat de simulation : il ne garantit pas, à lui seul, un transfert direct vers la manipulation industrielle en environnement réel, même si les auteurs revendiquent des essais physiques concluants. Pour la recherche en robotique, l'apport est avant tout méthodologique. MMaDA-VLA prolonge les travaux sur la diffusion multimodale unifiée de la famille MMaDA, appliqués ici au contrôle robotique. Le champ des VLA s'est structuré ces dernières années autour de modèles comme RT-2, Pi-0 de Physical Intelligence ou GR00T N2 de NVIDIA, majoritairement autorégressifs ou hiérarchiques, une lignée que ce travail cherche justement à dépasser. Le fait qu'il s'agisse d'une troisième révision arXiv suggère un affinement continu plutôt qu'un résultat figé. Code et démonstrations sont accessibles via la page projet des auteurs, mais rien n'indique de calendrier de déploiement industriel ni de partenariat avec un fabricant de robots : cette publication relève clairement de la recherche académique, pas du produit commercial.

IA physique❧Opinion

1 source

44

156arXiv cs.RO 

VIDP : politique de diffusion à impédance variable pour une manipulation robotique compliante à partir de démonstrations variées

Des chercheurs présentent VIDP (Variable Impedance Diffusion Policy), un cadre d'apprentissage par imitation qui permet à un robot manipulateur d'ajuster automatiquement sa raideur mécanique pendant une tâche en contact avec son environnement, sans capteur de force. Détaillée dans un article publié sur arXiv (2608.06210), la méthode s'appuie sur un modèle appelé TP-DAMM (Task-Parameterized Directionality-Aware Mixture Model) pour extraire, à partir de démonstrations humaines variées, des distributions de trajectoires physiquement cohérentes, puis les convertir en profils de raideur. VIDP prédit ainsi conjointement la trajectoire du robot et le niveau de compliance requis à chaque instant. Lors d'expériences réelles, il dépasse les contrôleurs à impédance fixe en taux de réussite, tout en réduisant les forces d'interaction par rapport aux contrôleurs à forte raideur et les erreurs de suivi par rapport aux contrôleurs à faible raideur. L'enjeu dépasse la seule prouesse académique. Le contrôle en impédance variable est considéré comme indispensable pour les tâches de manipulation en contact étroit, comme l'insertion de pièces, l'assemblage ou le polissage, où une raideur fixe échoue dès que les contraintes de contact changent. Les méthodes précédentes, qui déduisaient la compliance à partir de la variabilité des trajectoires démontrées, confondaient souvent adaptation géométrique à une disposition spatiale différente et intention réelle de compliance du démonstrateur. En corrigeant ce biais, VIDP ouvre la voie à des robots capables d'apprendre des comportements de compliance fiables sans instrumentation de force coûteuse, un frein classique à l'adoption en usine, et sans modélisation physique complexe du contact. Le travail s'inscrit dans la lignée des politiques de diffusion appliquées à la robotique, devenues ces dernières années une alternative privilégiée aux politiques de clonage comportemental pour l'apprentissage par imitation, et dans la continuité des recherches sur le contrôle en impédance variable appris à partir de démonstrations. Les auteurs comparent explicitement VIDP à des bases de référence à impédance fixe, haute et basse raideur, ce qui situe la contribution par rapport à l'état de l'art plutôt qu'à un produit commercial. L'article, publié sous forme de preprint, ne précise ni calendrier de transfert vers une plateforme industrielle ni partenaire de déploiement : il s'agit à ce stade d'une contribution de recherche académique, dont la prochaine étape logique serait une validation sur des tâches d'assemblage industrielles plus complexes.

Recherche❖Paper

1 source

44

157arXiv cs.RO 

ARGUS : alignement de la géométrie de scène robotique face aux changements de point de vue, avec de grands modèles de vision 3D

Un article publié sur arXiv (2608.05579v1) présente ARGUS, un pipeline de pré-traitement pour les politiques visuomotrices de manipulation robotique. Le problème identifié : ces modèles confondent souvent la géométrie de la scène avec le point de vue de la caméra, apprenant où se trouve un objet dans l'image plutôt que dans l'espace de la tâche, ce qui limite leur généralisation sur des jeux de données multi-vues comme DROID ou BridgeV2. ARGUS s'appuie sur des modèles de vision 3D à grande échelle pour reprojeter les observations issues de caméras placées arbitrairement vers un point de vue canonique unique, avant de les transmettre à la politique en aval. Testé sur des configurations allant de multi-caméras fixes à des placements très variés, ARGUS surpasse les approches précédentes et converge vers des taux de réussite élevés 4 à 6 fois plus vite. Pour l'industrie robotique, ce travail cible un frein connu des intégrateurs : un modèle entraîné avec une caméra fixe généralise mal dès que l'angle ou la hauteur de montage change lors du déploiement sur une autre cellule. En montrant qu'une étape de canonicalisation géométrique en amont accélère l'apprentissage et améliore la performance sur des données hétérogènes, ARGUS alimente une hypothèse discutée en recherche VLA (vision-language-action) : décharger une partie du fardeau d'apprentissage vers des modules de perception 3D dédiés plutôt que tout confier à l'échelle des données. Pour des décideurs qui évaluent le coût de ré-entraînement face aux changements matériels, la promesse est claire : moins de données nécessaires pour généraliser. Ce travail s'inscrit dans la lignée des jeux de données ouverts DROID et BridgeV2, constitués pour agréger des démonstrations sur des configurations de caméras variées afin de démocratiser l'entraînement de politiques généralistes, une diversité qui s'est révélée être une limite plutôt qu'un atout tant que le point de vue n'était pas abstrait par le modèle. ARGUS se présente comme une brique de pré-traitement générique, indépendante de l'architecture de politique utilisée en aval, mais l'article ne précise pas sa compatibilité avec les grands modèles VLA propriétaires comme Pi-0, GR00T ou Helix qui dominent actuellement le secteur. Publié en preprint, sans code source ni test sur robot physique mentionné au-delà des jeux de données benchmark cités, sa validation en conditions réelles de déploiement reste à confirmer.

Recherche❖Paper

1 source

44

158arXiv cs.RO 

Feuille d'usinage coordonnée pour l'optimisation du temps total de désassemblage d'ensembles à grande échelle

Une équipe de chercheurs publie CoMuDi (coordinated multi-robot disassembly), une méthode de planification tâche-mouvement pour coordonner une flotte de robots chargés de désassembler de grands ensembles mécaniques dans des espaces de travail confinés. Le système prend en entrée une équipe de robots, un assemblage d'objets et un graphe de dépendances entre pièces, puis construit des tâches composites de prise, de dépose et de sortie pour chaque robot. En propageant des contraintes temporelles entre ces tâches, CoMuDi permet à chaque robot de démarrer et terminer son mouvement le plus tôt possible tout en évitant les collisions avec les robots voisins évoluant dans le même espace. La méthode intègre le planificateur ST-RRT (space-time RRT), qui minimise le temps d'arrivée de chaque tâche individuelle et, par effet cumulé, le makespan global de l'opération. Les auteurs comparent CoMuDi couplé à ST-RRT face à une version utilisant RRT classique, sous différentes bornes de temps de calcul, puis valident l'approche sur six assemblages allant jusqu'à 49 pièces et nécessitant jusqu'à 9 robots simultanés. Pour l'industrie du désassemblage automatisé, recyclage, reconditionnement, retraitement de produits en fin de vie, la coordination de plusieurs robots dans un espace exigu reste un verrou technique majeur : au delà de deux ou trois bras, les risques de collision et les temps d'attente explosent, ce qui limite en pratique l'échelle des déploiements. En démontrant des temps d'inactivité robot réduits sur des scénarios à 9 robots et 49 pièces, CoMuDi apporte une preuve de passage à l'échelle rare dans ce domaine, où la plupart des démonstrations publiées se limitent à deux ou trois bras sur des assemblages simples. L'usage combiné de ST-RRT pour raisonner conjointement sur l'espace et le temps, plutôt que de traiter planification de trajectoire et ordonnancement séparément, est présenté comme le facteur clé du gain en taux de réussite et en makespan. Le travail s'inscrit dans le champ plus large de la planification tâche-mouvement multi-robot (TAMP), où les approches par échantillonnage comme RRT servent de référence historique. Publié en preprint sur arXiv (2608.05830v1), l'article ne mentionne pas encore de validation sur robots physiques ni de partenariat industriel identifié ; la suite logique évoquée par les auteurs serait une évaluation en conditions réelles, hors simulation, pour confirmer la tenue des gains observés face aux incertitudes de perception et d'exécution propres au désassemblage physique.

Recherche❖Paper

1 source

44

159arXiv cs.RO 

ATP : cadre de contrôle à couple anatomique et passivité pour une assistance sûre par exosquelette du membre supérieur

Des chercheurs proposent ATP (Anatomical Torque with Passivity based Control), un nouveau cadre de commande pour exosquelettes du membre supérieur, décrit dans un article déposé sur arXiv début août 2026. Le système combine trois briques technique. D'abord, un simulateur musculosquelettique entraîne par apprentissage par renforcement un contrôleur musculaire unique, capable de généraliser à des mouvements variés du bras et de générer des couples de référence anatomiques sans recourir à des calculs biomécaniques complexes propres à chaque utilisateur. Ensuite, un module de raffinement en ligne ajuste ce couple de référence en temps réel, supprime les pics parasites liés aux tendons et intègre un score d'anomalie appris pour garantir une assistance sûre et confortable. Enfin, un contrôleur de couple d'interaction pilote un exosquelette souple à câbles sans imposer de trajectoire prédéfinie, tandis qu'un réservoir d'énergie (energy tank) préserve la passivité du système avec des garanties théoriques sur le suivi de couple. Testé en simulation et sur banc réel, le système suit avec précision des séquences de mouvement longues et s'adapte à des gestes humains en temps réel. Une étude EMG menée sur cinq participants montre une réduction de l'activité musculaire ciblée pendant des tâches statiques et dynamiques, avec jusqu'à 48% de réduction par rapport à un mouvement sans exosquelette lors d'une tâche dynamique multi-articulaire, un résultat supérieur à la compensation de gravité et à l'assistance en boucle ouverte. L'enjeu dépasse la prouesse technique: l'assistance anatomique générique a surtout été validée sur les exosquelettes de membre inférieur, où les mouvements périodiques et porteurs de charge tolèrent une précision de couple moindre. Le membre supérieur, avec ses gestes non périodiques et très variés, exigeait jusqu'ici soit des modèles biomécaniques lourds et spécifiques à l'utilisateur, soit des stratégies d'assistance rigides. Un contrôleur qui généralise sans recalibration individuelle tout en garantissant la sécurité (passivité, pas d'emballement de couple) lève un frein réel à la diffusion des exosquelettes de bras hors laboratoire, que ce soit en rééducation post-AVC, en ergonomie industrielle ou en assistance au geste répétitif. Le travail s'inscrit dans la continuité des recherches sur le contrôle par couple anatomique, déjà mature côté membre inférieur pour l'assistance à la marche, et cherche à combler le retard côté membre supérieur. Publié en preprint, non encore relu par les pairs, l'étude reste limitée à cinq sujets: la prochaine étape attendue est une validation sur cohorte plus large et en conditions cliniques ou industrielles réelles pour confirmer la portabilité du contrôleur au delà du banc d'essai.

Exosquelettes❖Paper

1 source

44

160arXiv cs.RO 

Calcul près du capteur pour une perception visuo-tactile rapide

Des chercheurs ont présenté, le 5 août 2026 sur arXiv (2608.05725), un système de calcul déporté au plus près du capteur pour les capteurs visuotactiles, ces dispositifs qui reconstruisent la géométrie de contact à partir de gradients de surface mesurés optiquement. Plutôt que de transmettre les données brutes vers un hôte pour traitement, l'équipe implémente un solveur de Poisson spectral sous forme de pipeline matériel entièrement streaming, exécuté directement à proximité du capteur. Le cœur de calcul consomme environ 347 mW et tourne à 166 MHz, sans branchement conditionnel ni convergence itérative, ce qui garantit une latence déterministe. Pour une image de 128x128 pixels, la première valeur de profondeur sort 35 107 cycles après réception du premier pixel, soit 0,211 ms de latence fixe. Sur 15 géométries de contact testées, les profondeurs reconstruites s'écartent d'une référence calculée en double précision de seulement 0,17% de la profondeur de contact maximale. Conséquence directe: une boucle de réflexe protecteur robotique pilotée par ces reconstructions embarquées se referme en 28,3 ± 4,9 ms, contre 169,9 ± 27,8 ms pour une boucle équivalente s'appuyant sur un traitement côté hôte avec le même actionneur, soit un gain d'environ six fois. Ce résultat cible un goulot d'étranglement rarement mis en avant dans le débat sur le toucher robotique: ce n'est pas la captation qui limite la réactivité des bras et mains dotés de peau tactile, mais le transfert de données et l'ordonnancement logiciel côté hôte. En rapprochant le calcul du capteur, les auteurs montrent qu'il est possible d'obtenir une géométrie de contact précise à un coût énergétique très faible et avec une latence prévisible, deux conditions indispensables pour des réflexes de sécurité en temps réel lors d'une interaction physique homme-robot ou d'une manipulation fine. Pour les intégrateurs qui cherchent à fiabiliser des boucles de contrôle de contact, l'argument dépasse la simple vitesse: la latence déterministe évite les pics imprévisibles qui compliquent le réglage des contrôleurs. Les capteurs visuotactiles denses, popularisés par des approches type GelSight, reposent depuis plusieurs années sur une reconstruction par stéréophotométrie coûteuse en calcul, généralement déléguée à un GPU ou un CPU hôte. Ce travail s'inscrit dans la tendance plus large du calcul en périphérie de capteur pour la robotique, où edge computing et matériel dédié remplacent progressivement les pipelines logiciels génériques. Les auteurs ne précisent pas d'intégration produit ni de partenaire industriel; il s'agit à ce stade d'une démonstration de faisabilité architecturale, dont la prochaine étape logique serait une validation sur un capteur physique complet et une comparaison face à d'autres architectures de calcul en périphérie.

Recherche❖Paper

1 source

43

161arXiv cs.RO 

Failing Gracefully : atténuer l'impact des inévitables défaillances des robots

Des chercheurs publient sur arXiv (référence 2608.05313, mise en ligne début août 2026) l'article "Failing Gracefully: Mitigating Impact of Inevitable Robot Failures". Le constat de départ: les robots de service qui opèrent dans des environnements domestiques partagés avec des humains, des animaux et des objets du quotidien restent exposés à des pannes inévitables, qu'il s'agisse de plantages logiciels, de dégradation matérielle ou d'interactions imprévisibles avec leur environnement. Plutôt que de viser l'élimination totale de ces défaillances, un objectif jugé irréaliste, l'équipe propose une nouvelle formulation de sécurité qui évalue conjointement la probabilité d'une interaction à impact entre le robot et les entités qui l'entourent lors d'une panne, et la sévérité des conséquences de cette interaction pour chaque entité concernée. Cette mesure combinée, probabilité et gravité, permet au robot de quantifier le risque associé à chaque objet ou personne potentiellement touchés et d'en tirer des décisions de planification de trajectoire adaptées. Pour évaluer systématiquement l'approche, les auteurs introduisent également FailBench, un environnement de simulation bâti sur le moteur physique MuJoCo, destiné à reproduire des interactions robot-environnement sous des modes de panne variés, notamment des défauts de capteurs et des dysfonctionnements d'actionneurs. Pour les intégrateurs et les équipes qui déploient des robots de service à domicile, ce travail déplace le débat: il ne s'agit plus seulement de réduire le taux de panne, mais de concevoir des politiques de mouvement qui restent sûres même quand une défaillance partielle survient. C'est une rupture avec une partie de la littérature qui traite la fiabilité comme un problème binaire, fonctionne ou ne fonctionne pas, alors que le déploiement réel en environnement non contrôlé impose de gérer le risque de façon continue et différenciée selon ce qui se trouve à proximité du robot. En intégrant explicitement la sévérité par type d'entité, cette formulation ouvre la voie à des politiques apprises qui arbitrent nativement entre efficacité de tâche et sécurité, plutôt que de traiter la sécurité comme une contrainte ajoutée après coup à un planificateur optimisé pour la seule performance. La robustesse aux pannes gagne en importance à mesure que les robots domestiques passent du stade de démonstration à des essais pilotes en conditions réelles, où l'absence de supervision humaine constante rend chaque échec plus coûteux et plus visible. Les auteurs présentent leur formulation de sécurité et FailBench comme une base méthodologique plutôt qu'un produit fini, destinée à nourrir des travaux futurs sur des plans de mouvement et des politiques apprises plus robustes pour les environnements domestiques réels. L'abstract ne précise ni la date de publication du code de FailBench, ni les auteurs ou l'institution porteuse du projet, ni un quelconque partenariat industriel à ce stade.

Recherche⚡Actu

1 source

43

162arXiv cs.RO 

ErgoSurf : contrôle ergodique pour la couverture de surfaces inconnues

Des chercheurs présentent ErgoSurf, un framework de contrôle ergodique en ligne qui permet à un robot de couvrir systématiquement une surface inconnue tout en maintenant un contact stable, pour des tâches comme l'inspection, le nettoyage, le ponçage ou le polissage. Contrairement aux méthodes ergodiques classiques, qui exigent une géométrie connue à l'avance ou un scan visuel préalable, ErgoSurf reconstruit la surface en temps réel à partir du seul retour tactile recueilli pendant l'exécution. Le système repose sur un modèle de surface implicite gaussien (GPIS, Gaussian Process Implicit Surface) qui apprend la géométrie globale à partir de nuages de points échantillonnés sur les plans tangents aux points de contact observés, ajustés itérativement au modèle. Une analogie avec la diffusion de chaleur produit des champs de potentiel qui guident l'exploration ergodique et se traduisent en trajectoires robotiques lisses. La méthode a été validée à la fois en simulation et sur robot réel, avec des erreurs de reconstruction de surface proches de la vérité terrain. Cette approche lève une limite pratique majeure du contrôle ergodique: sa dépendance à une cartographie préalable, par vision ou autre capteur, qui cantonnait son usage aux environnements connus ou statiques. En couvrant une surface tout en la découvrant par le seul toucher, ErgoSurf ouvre la voie à des applications sur des pièces non cartographiées ou dont la géométrie varie d'un exemplaire à l'autre, un cas fréquent en inspection ou finition industrielle. Pour les intégrateurs, l'intérêt est de réduire la dépendance à des capteurs de vision coûteux et de rendre les robots de contact plus robustes en environnement mal connu ou changeant, dans la lignée d'une robotique de contact tournée vers des méthodes tactiles, moins fragiles que la vision face aux occlusions ou à la poussière en atelier. Le contrôle ergodique est une technique établie de planification de trajectoire, utilisée pour l'exploration et la couverture selon une distribution spatiale voulue, mais historiquement centrée sur la recherche d'information plutôt que sur le contact physique direct. Les travaux précédents sur la couverture de surfaces reposaient sur une géométrie connue ou un scan visuel initial, ce qui limitait leur transfert vers des environnements non pré-modélisés. Publié en prépublication sur arXiv, ErgoSurf combine apprentissage de géométrie par processus gaussien et planification ergodique en ligne pour lever cette contrainte. Sans calendrier de transfert industriel annoncé, la validation sur robot réel, au-delà de la simulation, laisse entrevoir une prochaine étape vers des tâches concrètes de ponçage, polissage ou inspection en environnement moins contrôlé.

Recherche❖Paper

1 source

43

163arXiv cs.RO 

PathCover : une décomposition convexe rapide le long d'un chemin par partitionnement itératif aléatoire de l'espace (RISP) sur des nuages de points

Des chercheurs présentent PathCover, un framework de génération de corridors convexes pour la navigation autonome de robots, construit autour de RISP (Randomized Iterative Space Partitioning), un algorithme randomisé qui construit des polytopes convexes directement depuis des nuages de points bruts, en temps linéaire attendu. Face à des générateurs existants souvent trop lents pour suivre la cadence des capteurs, RISP produit des polytopes chevauchants et sans obstacle pour contraindre les modules de MPC et d'optimisation de trajectoire, avec une garantie de terminaison en temps fini. Sur des données LiDAR synthétiques et réelles, la méthode gagne un ordre de grandeur en vitesse sur l'état de l'art, à volume de corridor comparable, et a été validée en simulation quadrirotor puis déployée sur un robot quadrupède naviguant en environnement contraint avec du LiDAR en direct. La génération de corridors sans obstacle est un goulot d'étranglement classique des pipelines de navigation: un module MPC doit recevoir une représentation de l'espace libre recalculée à chaque acquisition capteur, et beaucoup de méthodes de décomposition convexe deviennent le facteur limitant quand la fréquence LiDAR augmente. En traitant le nuage de points brut en complexité linéaire, PathCover rapproche la fréquence de replanification de celle de la perception, un enjeu direct pour les intégrateurs de drones et de robots à pattes en environnement encombré. Le passage réussi de la simulation à un déploiement physique sur quadrupède est notable, car beaucoup de méthodes de ce type publiées restent cantonnées à la simulation. La décomposition convexe le long d'un chemin s'inscrit dans une lignée de travaux sur les corridors sûrs pour la planification de trajectoire, un problème classique en robotique où des méthodes comme IRIS ont posé les bases mais souffrent d'un coût de calcul croissant avec la densité du nuage de points. PathCover se positionne explicitement contre l'état de l'art sur ce critère de vitesse, en revendiquant un gain d'un ordre de grandeur sans sacrifier le volume de corridor. Le travail reste une publication de recherche déposée sur arXiv début août 2026, sans indication d'intégration commerciale, et la validation physique se limite à un seul robot quadrupède, laissant ouvertes les questions de généralisation à d'autres plateformes comme les drones ou les AMR à roues.

Recherche❖Paper

1 source

43

164arXiv cs.RO 

$\omega$-0 : un modèle prédictif latent du monde pour la manipulation locomotrice humanoïde concurrente

Des chercheurs présentent ω-0, un modèle prédictif world-action conçu pour la loco-manipulation concurrente chez les robots humanoïdes, c'est-à-dire la capacité à se déplacer, ajuster sa posture, garder l'équilibre et manipuler un objet simultanément, comme un geste unique plutôt que deux tâches séparées. À partir d'une instruction en langage naturel, d'une observation visuelle et de l'état proprioceptif du robot, le modèle prédit directement des latents d'action pour tout le corps, compatibles avec le contrôleur. Plutôt que de reconstruire des vidéos futures comme d'autres approches, ω-0 apprend des embeddings compacts d'observations futures, objectif prédictif léger couplé à une génération d'action par diffusion sur le corps entier. Le système accepte des entrées RGB égocentriques, RGB exocentriques et profondeur exocentrique, et s'appuie sur un rejeu de simulation piloté par contrôleur pour convertir des priors de mouvement humains ou publics en latents exécutables par le robot. Les auteurs ont aussi constitué ω-HOME, un jeu de données domestique réel de plus de 40 heures, avec vues multiples synchronisées, mouvements SMPL du corps entier, états robot et latents d'action. Sur 11 tâches ménagères réelles, un seul modèle ω-0 produit des comportements fluides de manipulation en mouvement et surpasse des références en apprentissage par imitation, en VLA, en politiques humanoïdes dédiées et en autres modèles world-action. Ce travail cible un angle mort du secteur: la plupart des politiques humanoïdes actuelles traitent marche et manipulation comme deux problèmes distincts, ce qui produit des comportements saccadés peu adaptés aux tâches domestiques, où un robot doit par exemple continuer d'avancer tout en attrapant un objet sur une étagère. Les modèles world-action existants restent soit centrés sur le bras, en ignorant la locomotion, soit centrés sur la vidéo, coûteux à entraîner car ils prédisent des images futures complètes. En apprenant des représentations latentes compactes plutôt que des vidéos, ω-0 cherche un compromis: garder la capacité d'anticipation d'un world model sans son coût de calcul. Si le résultat se confirme au-delà des 11 tâches testées, il renforcerait l'hypothèse qu'une architecture VLA à latents diffusés peut unifier locomotion et manipulation à l'échelle, un problème encore largement non résolu pour les humanoïdes commerciaux. Ce travail s'inscrit dans la vague récente des modèles world-action pour la robotique, où l'enjeu est de donner aux robots une forme d'anticipation visuelle avant d'agir, en exploitant des données humaines pour compenser la rareté des données robot réelles. Le résumé, publié comme preprint arXiv (2608.06375v1), ne précise ni affiliation industrielle ni acteur commercial: il s'agit à ce stade d'une contribution académique, pas d'un produit déployé. Le jeu de données ω-HOME et le code, s'ils sont rendus publics, devront être repris par d'autres équipes pour vérifier la généralisation au-delà des 11 tâches ménagères testées. La suite logique pour ce type de travaux est le passage à l'échelle, sur davantage de tâches, de plateformes et d'environnements, ainsi que la confrontation directe avec les VLA propriétaires déployés par les grands acteurs humanoïdes du secteur.

Recherche⚡Actu

1 source

43

165arXiv cs.RO 

Traduction et apprentissage conjoint agent-environnement assisté par recherche pour la recherche de chemins multi-agents à vie longue avec rotations

Des chercheurs publient sur arXiv (2608.05588) une nouvelle méthode pour la planification de trajectoires multi-agents en continu (LMAPF), le problème qui consiste à replanifier sans collision les déplacements d'une flotte de robots dont chacun reçoit un nouvel objectif dès qu'il atteint le précédent. Les auteurs introduisent un modèle plus réaliste, baptisé LMAPF-R2, dérivé du fonctionnement d'entrepôts automatisés réels : il intègre des contraintes de sécurité robustes et la rotation sur place des robots, deux éléments souvent ignorés par les planificateurs entraînés par apprentissage. Leur méthode, SJRL (Search-Aided Joint Reinforcement Learning), combine des politiques neuronales avec Causal PIBT, un planificateur de recherche en une étape qui résout les collisions et propage les intentions des agents, et une formulation d'apprentissage par renforcement qui optimise conjointement la politique des robots et une politique d'environnement apprenant le coût des arêtes du graphe pour guider les déplacements via une recherche de Dijkstra inversée. Les résultats montrent des gains significatifs sur Causal-PIBT dans plusieurs cartes à haute densité, avec une validation en réalité mixte associant 8 robots physiques et 248 robots virtuels. L'enjeu concerne directement les exploitants de flottes de robots mobiles autonomes (AMR) en entrepôt, où la plupart des benchmarks académiques de MAPF simplifient encore les déplacements à de simples sauts de case en case, sans rotation ni contrainte physique, un écart classique entre démonstration académique et comportement réel des robots. En intégrant ces contraintes dès la conception du modèle plutôt qu'en les traitant comme un post-traitement, les auteurs réduisent cet écart et rendent les résultats plus transférables à des systèmes industriels concrets. La validation à l'échelle mixte, mêlant robots physiques et simulation, reste rare dans ce champ de recherche où la quasi-totalité des publications s'arrête à la simulation pure ; c'est un signal de maturité qui mérite d'être noté, même s'il s'agit encore d'un prototype de laboratoire et non d'un déploiement commercial. Le MAPF s'est imposé comme problème central de la logistique automatisée avec la généralisation des flottes d'AMR popularisées par Kiva Systems puis Amazon Robotics dans les années 2010, et sa variante "lifelong", où les objectifs arrivent en continu, modélise mieux les opérations réelles d'entrepôt que les formulations statiques classiques. Causal PIBT, utilisé ici comme référence, appartient à la lignée des planificateurs par recherche et héritage de priorité, dominante avant l'essor récent des approches neuronales. SJRL s'inscrit dans une tendance qui hybride recherche classique et apprentissage par renforcement pour dépasser les limites de chaque approche isolée. L'abstract ne mentionne ni partenaire industriel, ni acteur français ou européen, ni calendrier de déploiement : il s'agit à ce stade d'une contribution académique.

Recherche❖Paper

1 source

42

166arXiv cs.RO 

Apprentissage robotique par démonstration : trajectoires d'alphabet manuscrit et évaluation de la ressemblance humaine

Le Fil Robotique 21/10/25, dataset de démonstrations manuscrites (data.researchgate ou arXiv). Cadre LfD (Learning from Demonstration) pas de déploiement produit. Une équipe de recherche présente un nouveau cadre d'apprentissage par démonstration (Learning from Demonstration, LfD) destiné à produire des trajectoires robotiques perçues comme humaines. Le dataset comprend 3 142 démonstrations d'écriture manuscrite collectées auprès de 22 participants, couvrant les 52 combinaisons majuscules/minuscules de l'alphabet latin, via une interface de téléopération tactile capturant position dans le plan, force de contact et timing. La méthode s'appuie sur les modèles de mélange gaussien (GMM) et la régression associée (GMR), une approche classique en LfD, mais l'étend en intégrant des dimensions de force et de temps normalisé, et en l'adaptant aux trajectoires multi-segments non continues, comme celles nécessaires pour tracer un « i » avec son point ou un « t » avec sa barre. Une étude perceptuelle menée auprès de 21 participants a évalué le caractère humain des trajectoires générées sur une échelle continue de 0 à 100, où 50 marque le point neutre entre mouvement robotique et mouvement humain. Le score moyen obtenu est de 71,50, avec un écart type élevé de 22,56, signe d'une perception assez dispersée selon les évaluateurs. Ce travail s'attaque à une limite connue du LfD classique : la plupart des méthodes GMM/GMR gèrent mal les gestes discontinus, alors que la majorité des tâches manuelles réelles (écriture, assemblage, gestes chirurgicaux) combinent plusieurs segments distincts. Réduire la dépendance à la programmation explicite pour transmettre un geste à un robot est un enjeu direct pour la téléopération et les cobots amenés à collaborer avec des humains, où la naturalité du mouvement conditionne la confiance perçue. Le score de 71,5 reste toutefois une mesure subjective issue d'un panel restreint de 21 personnes et non d'un test sur robot physique embarqué : il faut le lire comme un indicateur de perception préliminaire plutôt que comme une validation opérationnelle. L'écriture manuscrite est choisie comme banc d'essai car elle combine complexité géométrique, modulation de force (pression du stylet) et segmentation naturelle des tracés, ce qui en fait un proxy pertinent pour des tâches de transfert de compétences motrices plus larges. Le dataset et le code sont publiés en open source, offrant un benchmark reproductible pour la communauté LfD, actuellement dominée par des approches alternatives comme les primitives de mouvement dynamiques (DMP) ou, plus récemment, les modèles d'imitation à grande échelle de type VLA. Les prochaines étapes attendues incluent des tests sur bras robotiques physiques et des comparaisons avec ces méthodes plus récentes.

Recherche❖Paper

1 source

42

167arXiv cs.RO 

Prior-SG : segmentation de régions par tâche et a priori pour graphes de scène dans des environnements arbitraires

Une équipe de recherche présente Prior-SG, un nouveau framework pour construire des graphes de scène 3D hiérarchiques destinés au raisonnement spatial des robots mobiles autonomes. Publié sur arXiv cette semaine (2608.06170), le système traite la génération du graphe comme un problème d'alignement probabiliste. Pendant qu'il explore, le robot agrège en continu son flux RGB-D dans un Instance Graph ancré physiquement, via une fusion de features multi-échelle à vocabulaire ouvert. Il infère ensuite la sémantique fonctionnelle des lieux par une estimation Maximum A Posteriori, guidée par un Prior Graph généré dynamiquement par un grand modèle de langage. Un champ aléatoire de Markov fusionne experts visuels, géométriques et objets discrets avec ces priors pour lever les ambiguïtés locales. Testé sur des environnements simulés et réels à plan ouvert, Prior-SG dépasse les références récentes en précision de segmentation sémantique. L'enjeu dépasse la performance brute. Les méthodes existantes de graphes de scène reposent sur du clustering visuel local ou sur des heuristiques géométriques strictes, comme la séparation des pièces par des murs, qui échouent dès que l'environnement sort du schéma classique : entrepôt logistique, loft, plateau de bureaux en open space. Pour les intégrateurs de robotique de service, ce verrou limitait le déploiement hors des démonstrations en appartements standards. Prior-SG montre qu'un robot peut délimiter des frontières fonctionnelles distantes sans murs physiques, un pas concret contre l'écart classique entre démo et déploiement réel. Plus notable, le système offre une flexibilité ontologique en zero-shot : le robot restructure entièrement son découpage spatial selon la tâche demandée, sans réentraînement, une capacité clé pour la planification de tâches en environnements non structurés. Ce travail s'inscrit dans la lignée des recherches sur les graphes de scène 3D hiérarchiques, un axe porté par la généralisation des capteurs RGB-D et des modèles de vision à vocabulaire ouvert. Les approches précédentes restaient dépendantes de règles géométriques figées, adaptées aux logements standards mais peu robustes face aux environnements réels hétérogènes. L'apport principal de Prior-SG est de déléguer à un LLM la génération dynamique des priors structurels, plutôt que de les coder à la main, une tendance de fond en robotique qui place les grands modèles de langage en couche de raisonnement au-dessus de la perception brute. Les auteurs ne mentionnent ni partenariat industriel ni calendrier de déploiement : il s'agit pour l'instant d'une contribution académique, dont l'adoption dépendra de son intégration dans des frameworks de navigation plus larges.

Recherche❖Paper

1 source

41

168arXiv cs.RO 

SkillMemo : un cadre de mémoire de compétences guidé par des experts pour la manipulation robotique compositionnelle

Un article déposé sur arXiv début août 2026 présente SkillMemo, un framework de mémoire de compétences pour la manipulation robotique compositionnelle. Il vise une limite connue des politiques de diffusion (Diffusion Policy) et des modèles vision-langage-action (VLA): leur difficulté à généraliser hors distribution faute de jeux de données de trajectoires suffisamment vastes. Un module de segmentation guidé par experts, bâti sur une architecture Mixture-of-Experts, découpe les démonstrations longues en compétences atomiques via des coefficients de gating appris, puis les stocke dans une mémoire épisodique sous forme de paires clé-valeur compactes. À l'inférence, le modèle récupère les compétences pertinentes et les fusionne avec sa distribution de gating courante pour affiner ses prédictions d'action. Sur des benchmarks de simulation et des tâches réelles de manipulation, SkillMemo améliore les backbones DP et VLA et dépasse le modèle de référence π0.5. La rareté des trajectoires embarquées à grande échelle limite structurellement la capacité des VLA et des DP à recombiner des compétences apprises séparément pour des tâches nouvelles, un écart souvent pointé entre démonstrations de laboratoire et robustesse réelle. En misant sur une mémoire de compétences réutilisables plutôt que sur un réentraînement systématique, SkillMemo réduit cette dépendance aux données sans changer d'architecture de base, un enjeu direct pour les intégrateurs qui ont besoin de politiques capables de composer des compétences déjà apprises face à des tâches variables. Battre π0.5, référence largement citée dans la littérature récente, renforce la crédibilité de l'approche mémoire pour la généralisation compositionnelle, un problème que le simple passage à l'échelle des modèles n'a pas suffi à résoudre. SkillMemo s'inscrit dans la lignée des travaux récents sur les politiques de diffusion et les modèles VLA, devenus les deux paradigmes dominants pour piloter bras et robots humanoïdes à partir de démonstrations, et répond à un constat partagé: ces modèles peinent à sortir du cadre de leurs données d'entraînement dès qu'une tâche combine des sous-compétences dans un ordre inédit. À ce stade, SkillMemo reste un travail de recherche en preprint, validé sur des benchmarks de simulation et des tâches réelles en laboratoire, sans indication de code public, de partenariat industriel ni de calendrier de déploiement. Son positionnement face à π0.5 en fait néanmoins une référence probable pour les prochains travaux sur la mémoire de compétences en robotique.

Recherche❖Paper

1 source

41

169arXiv cs.RO 

Un robot marcheur autonome inspiré des amibes classe l'état du sol par proprioception artificielle, sans vision

Des chercheurs ont conçu un système permettant à un robot marcheur autonome à quatre pattes, inspiré du déplacement des amibes, de reconnaître la nature du sol sans caméra ni traitement d'image. Cette « proprioception artificielle » combine un accéléromètre trois axes, huit capteurs de pression sous les pattes, et un algorithme de réservoir computing, une forme de réseau de neurones récurrent peu gourmande en calcul. Malgré les fortes perturbations de signal dues à la démarche dynamique du robot, le système distingue un sol plat d'un sol accidenté avec une précision élevée, et déclenche un changement de démarche en temps réel dès que le terrain change. Cette démonstration va à contre-courant de la tendance dominante en robotique de terrain, où la perception visuelle et les modèles VLA type GR00T N2, Pi-0 ou Helix concentrent l'essentiel des investissements. Juger le sol par le seul toucher et l'accélération réduit le besoin de caméras et de calcul embarqué lourd, un atout pour les environnements hostiles : sites poussiéreux, intervention après catastrophe, inspection souterraine ou nocturne. Pour les intégrateurs, l'autonomie de déplacement ne dépend donc pas uniquement de la vision. Publié en preprint sur arXiv (2608.05684v1), le papier s'inscrit dans la recherche académique sur la locomotion bio-inspirée, calquée ici sur les amibes plutôt que sur l'anatomie animale classique. Il s'agit d'une preuve de concept en laboratoire, sans produit commercial associé, à mettre en regard des humanoïdes comme Figure 03 ou Optimus Gen 3, dont la stabilité repose largement sur la vision.

Recherche❖Paper

1 source

41

170arXiv cs.RO 

DFM-VLA : raffinement itératif de l'action pour la manipulation robotique via le Discrete Flow Matching

Des chercheurs ont présenté DFM-VLA, un modèle vision-langage-action (VLA) qui s'attaque à un défaut structurel des systèmes de manipulation robotique actuels : une fois qu'un token d'action est généré, que ce soit par décodage autorégressif ou par diffusion discrète, il reste figé et ne peut plus être corrigé si une erreur précoce faussait la suite. DFM-VLA repose sur le "discrete flow matching", une technique qui modélise un champ de vélocité de probabilité au niveau de chaque token, permettant de raffiner itérativement l'intégralité de la séquence d'actions à chaque étape de génération plutôt que de figer les décisions une par une. Les auteurs testent deux manières de construire ce champ de vélocité : une tête de vélocité auxiliaire ajoutée au modèle, et une formulation guidée par embedding. Pour affiner la précision, l'équipe introduit MAAT (metric-aligned action tokenizer), un tokenizer d'actions conçu pour la logique "grossier vers fin" du flow matching, combiné à une stratégie de décodage en deux étapes. Le papier, publié en quatrième révision sur arXiv (2603.26320), rapporte des expériences sur les benchmarks de manipulation CALVIN, LIBERO et LIBERO-Plus, ainsi que sur des tâches robotiques réelles. Cette approche cible un point de friction bien identifié dans la recherche VLA : les modèles autorégressifs, séquentiels par nature, ne peuvent pas revenir en arrière si un premier token de trajectoire est mal prédit, tandis que les modèles à diffusion discrète, plus parallélisables, souffrent du même verrou une fois les tokens fixés à une itération donnée. En introduisant une correction itérative de la séquence entière, DFM-VLA vise des politiques de manipulation plus robustes face aux erreurs de prédiction en début de séquence, un enjeu direct pour la fiabilité de robots manipulateurs en usine ou en logistique, où une trajectoire mal corrigée se traduit par une prise ratée ou une collision. Pour les intégrateurs et chercheurs, ce travail illustre aussi une tendance de fond : le passage d'architectures de décodage figées vers des mécanismes de raffinement inspirés des modèles de diffusion continue, déjà éprouvés en génération d'image, appliqués ici au contrôle robotique discret. DFM-VLA s'inscrit dans la lignée des VLA à tokenisation discrète d'actions, une famille qui a gagné du terrain depuis les premiers modèles autorégressifs et qui coexiste aujourd'hui avec des approches à diffusion continue comme pi-0. Le choix du flow matching discret, plutôt que la diffusion classique ou l'autorégression pure, vise à combiner vitesse de génération parallèle et possibilité de révision itérative, un compromis que peu d'architectures VLA publiées proposaient jusqu'ici. Les benchmarks retenus, CALVIN et LIBERO notamment, sont des références standard pour évaluer la généralisation des politiques de manipulation à long horizon, ce qui permet une comparaison directe avec les travaux concurrents. Le statut de "replace" sur arXiv signale une quatrième itération du papier depuis sa publication initiale. Les auteurs annoncent la mise à disposition du code et de démonstrations sur leur page projet, sans calendrier précisé pour un éventuel portage vers un déploiement industriel.

IA physique⚡Actu

1 source

41

171arXiv cs.RO 

CADRE : capture dynamique par descripteurs de contact implicites et récupération adaptée à la tâche

Des chercheurs publient CADRE (Contact-Aware Dynamic Recovery), un framework d'apprentissage par renforcement pour la manipulation dextre robotique, sur arXiv (2510.14768v2). Son objectif : quand un objet glisse ou tombe hors de la prise, le rattraper tant qu'il reste à portée, puis replacer le bras dans une configuration favorable à la reprise de la tâche, pas seulement éviter la chute. La méthode s'appuie sur un module inspiré des Neural Descriptor Fields, qui extrait des descripteurs de contact implicites reliant directement les doigts du robot à la géométrie de l'objet. Une fonction de "recovery affordance" implicite guide ensuite l'entraînement RL vers des états de reprise pertinents pour la tâche. Résultat : entraînement plus efficace, meilleure convergence, taux de réussite supérieur, et généralisation zero-shot à des objets de formes inédites. Le sujet touche un angle mort de la manipulation dextre : la plupart des démonstrations montrent des prises réussies en conditions contrôlées, rarement la récupération après un échec de préhension, alors que glissements et chutes restent une cause fréquente d'interruption en conditions réelles. En traitant le contact comme un signal riche plutôt qu'un simple événement binaire (prise ou pas prise), CADRE vise l'écart entre la robustesse affichée en démo et la fiabilité attendue en déploiement industriel ou logistique, où un robot qui s'arrête à chaque incident perd son intérêt économique. C'est aussi un argument pour les représentations implicites de type NDF face aux pipelines classiques de pose estimation, plus fragiles aux occlusions et aux formes non vues à l'entraînement. Les Neural Descriptor Fields, déjà utilisés en robotique pour la préhension et le repositionnement d'objets par correspondance géométrique implicite, servent ici de brique à un problème plus étroit et encore peu couvert : la récupération dynamique après incident, loin de la littérature abondante sur la planification de prise initiale. L'article, une version révisée (v2) soumise sur arXiv, ne précise pas si les tests ont eu lieu sur robot physique ou uniquement en simulation, ni quel type de main ou pince a servi de plateforme. Les auteurs comparent leur approche aux méthodes basées pose ou point cloud, sans nommer de concurrent, et n'indiquent aucun calendrier pour un passage à des tâches plus longues sur matériel réel.

Recherche❖Paper

1 source

40

172arXiv cs.RO 

Robust-WAM : concilier préentraînement génératif et anticipation sémantique dans les modèles monde-action

Des chercheurs présentent Robust-WAM, une méthode de post-entraînement destinée aux World-Action Models (WAM), ces modèles qui adaptent des générateurs vidéo pré-entraînés (VGM) pour prédire les actions d'un robot à partir de flux visuels. Le papier, publié sur arXiv sous la référence 2608.05903v1, part d'un constat technique précis: la plupart des WAM s'appuient sur un espace latent de variational autoencoder (VAE), optimisé pour la reconstruction pixel par pixel, ce qui rend la prédiction d'actions fragile dès que l'apparence visuelle change (éclairage, texture, angle de caméra). Des travaux récents avaient contourné le problème en construisant des WAM dans un espace latent sémantique, plus robuste aux变... aux variations d'apparence, mais incapables de profiter du pré-entraînement à grande échelle réalisé uniquement dans l'espace VAE. Robust-WAM propose de garder le chemin génératif basé VAE tout en ajoutant un objectif léger d'alignement sémantique prospectif sur le flux d'actions: des tokens de requête apprenables captent la sémantique des scènes futures en alignant leurs états cachés sur les représentations sémantiques des images futures réelles, avec un encodage positionnel calé sur les tokens d'action correspondants pour garantir la correspondance temporelle. L'enjeu dépasse la seule prouesse technique. Les modèles VLA et WAM affichent souvent de bonnes performances en conditions contrôlées mais se dégradent nettement face à des variations visuelles hors distribution, un frein connu au déploiement industriel de robots hors laboratoire. En montrant qu'on peut conserver les bénéfices du pré-entraînement massif sur vidéo tout en gagnant en robustesse, sans sacrifier les performances en distribution, ce travail répond directement à l'écart souvent pointé entre démonstrations impressionnantes et fiabilité réelle sur le terrain. Robust-WAM s'inscrit dans la lignée des travaux qui détournent les modèles de génération vidéo grand public vers le contrôle robotique, plutôt que de concevoir des architectures dédiées. Il se positionne comme une brique de post-entraînement compatible avec plusieurs WAM existants, testée sur des benchmarks de simulation hors distribution et sur un banc robotique réel, avec des gains de taux de réussite constatés sur plusieurs modèles de référence.

Recherche⚡Actu

1 source

39

173arXiv cs.RO 

JoyAI-RA 0.5 : passage à l'échelle de l'apprentissage de la manipulation robotique via un double alignement d'action

JoyAI-RA 0.5 est un framework généraliste de type VLWA (Vision-Language-World-Action) pour l'apprentissage de la manipulation robotique, présenté dans un preprint arXiv (2608.05674). Le problème de départ : les données robotiques réelles sont rares, donc les politiques généralistes doivent apprendre à partir de sources hétérogènes, vidéo égocentrique humaine, simulation, robots réels, dont l'embodiment et le type de supervision diffèrent, avec des labels d'action souvent manquants ou incompatibles entre eux. Mélanger naïvement ces sources provoque un transfert négatif plutôt qu'un partage de connaissances utile. JoyAI-RA propose un « alignement d'action double » : un alignement implicite infère des actions latentes à partir des transitions visuelles, ce qui permet aux données sans label d'action (humaines, simulées, robotiques) d'entraîner un modèle du monde conditionné par ces actions latentes ; un alignement explicite ancre les trajectoires humaines et robotiques fiables dans un espace d'action physique commun, via une représentation canonique et des actions d'effecteur relatives au cadre caméra. Une phase de renforcement en double boucle combine ensuite adaptation rapide à une tâche et amélioration de la politique de base. Sur le benchmark réel AgiBot, JoyAI-RA obtient de bons résultats aussi bien sur des tâches déjà vues que sur des variations inédites. Le résultat clé concerne le passage à l'échelle : le score de tâche s'améliore de façon constante à mesure que le volume de données de pretraining vidéo humaine augmente, sans signe de plateau même au plus grand volume testé. Pour l'industrie robotique, c'est un signal important : la vidéo humaine, abondante mais faiblement labellisée, ne serait plus un simple signal auxiliaire mais pourrait devenir un axe primaire pour faire monter en compétence les politiques de manipulation. Si ce résultat se confirme à plus grande échelle, il pourrait atténuer le goulot d'étranglement des données qui freine les politiques généralistes de type VLA, puisque collecter des démonstrations sur robot réel reste lent et coûteux alors que la vidéo humaine est quasi illimitée. Cela apporte aussi un élément de réponse au débat récurrent du secteur sur la possibilité de fusionner des données d'embodiments incompatibles sans dégrader la performance, un problème jusqu'ici traité comme une source de transfert négatif plutôt que d'opportunité. Ce travail s'inscrit dans la course aux politiques généralistes de manipulation (VLA) capables de transférer leurs compétences entre plateformes et sources de données, aux côtés d'efforts comme Pi-0 (Physical Intelligence), GR00T N2 (NVIDIA) ou Helix (Figure). La validation s'appuie sur le benchmark AgiBot, lié à l'initiative chinoise du même nom dans l'humanoïde. L'abstract ne précise pas l'organisation exacte derrière JoyAI-RA ; il s'agit pour l'instant d'un résultat de recherche en preprint, non revu par les pairs, et non d'un produit commercialisé ou d'un déploiement en usine. À surveiller : la confirmation de cette tendance sur des volumes de vidéo humaine encore plus grands, et la généralisation de la méthode au-delà du benchmark AgiBot.

Recherche⚡Actu

1 source

38

174arXiv cs.RO 

World-to-Wrist : modélisation prédictive du poignet conditionnée par la tâche pour une manipulation robotique fine

Un modèle de recherche (arXiv), pas d'annonce produit, j'adapte la structure aux codes d'un papier académique plutôt qu'à un communiqué d'entreprise. Une équipe de recherche présente W2-VLA (World-to-Wrist VLA), un modèle vision-langage-action conçu pour la manipulation robotique fine, décrit dans un article publié sur arXiv (2608.05369v1). Le constat de départ : les modèles VLA actuels traitent généralement la vue principale de la scène et la vue de la caméra au poignet comme deux flux visuels parallèles et équivalents, sans exploiter leur rôle distinct dans une tâche de manipulation. W2-VLA introduit à la place une modélisation prédictive conditionnée par la tâche : à partir des observations multi-vues et de l'instruction donnée, le modèle génère des tokens latents qui servent d'interface compacte entre le modèle vision-langage et un prédicteur dédié au poignet. Ce prédicteur anticipe l'évolution future des représentations latentes de la vue poignet, transformées ensuite en contexte pour la prédiction d'action. Les chercheurs ajoutent W2-CoT, un pipeline de synthèse qui génère des annotations structurées décrivant la progression de la tâche, les transitions physiques et les indices visuels locaux au poignet, utilisées comme supervision auxiliaire. Testé sur les benchmarks LIBERO et RoboTwin 2.0 ainsi que sur des tâches réelles, W2-VLA améliore la manipulation fine et sensible au contact, en configuration bras unique comme bimanuelle, tout en maintenant une fréquence de génération d'actions supérieure à 80 Hz. L'enjeu dépasse le simple gain de précision. La caméra de poignet est déjà largement utilisée dans les VLA récents, à la manière de Pi-0 ou GR00T N2, pour compenser les angles morts de la vue globale lors de tâches de contact fin comme l'insertion ou la manipulation d'objets déformables. Mais peu de travaux exploitaient son potentiel prédictif plutôt que descriptif. En anticipant explicitement ce que la scène au poignet devrait montrer si la tâche progresse correctement, W2-VLA se rapproche d'une forme de modèle du monde localisé plutôt que d'un simple encodeur d'image supplémentaire. Pour les intégrateurs qui évaluent des architectures VLA pour des applications industrielles exigeantes en précision, assemblage ou insertion de connecteurs, le signal est clair : ajouter une caméra de poignet ne suffit pas, c'est la structuration temporelle et prédictive de cette information qui compte. Ces résultats restent toutefois ceux rapportés par les auteurs sur leurs propres benchmarks, sans validation indépendante ni déploiement en production. Ce travail s'inscrit dans la course actuelle à des VLA capables de manipulation fine et de haute fréquence, un axe où des systèmes comme Helix chez Figure ou GR00T N2 chez NVIDIA misent déjà sur la vitesse d'inférence et le multi-vues. La contribution de W2-VLA, le couplage entre tokens latents conditionnés par la tâche et prédiction du futur local au poignet, vise à réduire l'écart entre démonstrations vidéo impressionnantes et robustesse réelle sur des tâches de contact fin, un problème récurrent du secteur. L'article ne mentionne aucun calendrier de déploiement ni partenariat industriel : il s'agit d'une contribution de recherche destinée à être reprise et comparée par d'autres équipes, avec LIBERO et RoboTwin 2.0 comme terrains d'évaluation communs pour de futurs travaux.

Recherche❧Opinion

1 source

38

175arXiv cs.RO 

DyPES-VLA : apprendre des dynamiques partagées et un contrôle spécifique à chaque incarnation pour la manipulation inter-incarnations

Des chercheurs présentent DyPES-VLA, un modèle vision-langage-action (VLA) conçu pour piloter plusieurs types de robots avec une seule politique généraliste plutôt qu'un modèle par robot. L'approche combine deux briques: un objectif de prédiction du futur qui entraîne le modèle vision-langage, sur des données issues de robots hétérogènes, à capturer le mouvement des objets, les contacts et les changements de scène induits par l'interaction; et une tête d'action à mélange d'experts (MoE) propre à chaque robot, qui traduit ces représentations partagées directement dans l'espace de commande natif de chaque machine, sans reformatage manuel préalable des actions. Cette tête MoE partage ses couches d'attention pour les structures temporelles communes aux tâches, tandis que des experts feed-forward dédiés gèrent les contraintes cinématiques propres à chaque embodiment. Résultat annoncé: 98,0% de réussite sur le benchmark LIBERO, 59,25% sur RoboCasa-GR1 et 89,02% sur RoboTwin 2.0, présentés comme état de l'art en simulation comme en conditions réelles. Le sujet touche un vrai goulot d'étranglement pour les intégrateurs et équipes robotique en entreprise: faire tourner un même modèle VLA sur plusieurs plateformes, bras industriels, robots mobiles ou humanoïdes, exige aujourd'hui un travail manuel lourd pour aligner des espaces d'action hétérogènes, ce qui freine la mutualisation des données d'entraînement et le déploiement à grande échelle. Une politique capable de généraliser nativement entre embodiments réduirait ce coût d'ingénierie par robot et rapprocherait l'objectif, poursuivi aussi par les grands laboratoires du secteur, d'un modèle fondation unique pour la manipulation. Reste que les chiffres avancés sont des scores de benchmark académiques: l'écart classique entre performance en simulation ou en laboratoire contrôlé et robustesse en usine ou en entrepôt n'est pas documenté pour ce modèle en particulier. DyPES-VLA s'inscrit dans la vague récente des VLA "cross-embodiment", qui cherche à dépasser les politiques entraînées robot par robot popularisées par RT-2 ou OpenVLA, sur le même terrain que des modèles généralistes déjà déployés en pilote comme Pi-0 de Physical Intelligence ou GR00T N2 de Nvidia. Publié comme nouvelle soumission sur arXiv, le papier ne précise ni affiliation industrielle ni calendrier de déploiement sur robot physique au-delà des évaluations réelles mentionnées dans l'étude: il relève pour l'instant de la recherche amont plutôt que d'un produit prêt à l'emploi. La suite logique pour ce type de travaux consiste généralement à valider l'approche sur davantage de plateformes et de tâches manipulatoires longues avant tout transfert vers un cas d'usage industriel.

IA physique❧Opinion

1 source

37

176arXiv cs.RO 

Au-delà des politiques simples : post-entraînement hiérarchique pour agents incarnés en manipulation robotique

Un preprint publié sur arXiv (2608.05999v1) présente HiRoC (Hierarchical Robotic Control), un cadre de post-entraînement hiérarchique pour les modèles vision-langage-action (VLA) en manipulation robotique. Le principe : séparer la planification de haut niveau de l'exécution des actions. Un module planificateur décompose une tâche complexe en sous-objectifs exécutables, tandis qu'un module exécuteur affine en continu la génération d'actions conditionnées à ces sous-objectifs par apprentissage par renforcement (RL). Avant cette phase de RL, les auteurs alignent d'abord l'exécuteur sur les sous-objectifs du planificateur, pour corriger le désalignement de distribution qui apparaît habituellement entre planification et exécution. Testé sur plusieurs benchmarks de manipulation, HiRoC surpasse de façon constante les méthodes de référence. Le problème est concret : la plupart des méthodes de post-entraînement traitent les VLA comme des politiques plates, ce qui limite la modélisation de la progression d'une tâche et la robustesse sur des manipulations à long horizon. Les approches hiérarchiques existantes reposaient surtout sur de l'apprentissage supervisé à partir de démonstrations hors ligne, sans capacité à s'améliorer par interaction en ligne. En combinant hiérarchie et RL, HiRoC permet au comportement du robot de continuer à s'affiner après l'entraînement initial plutôt que de rester figé aux données de démonstration. Pour les équipes de recherche et les intégrateurs, cela touche une question centrale du secteur : la capacité réelle des VLA à tenir des tâches multi-étapes sans dérive, point faible connu des politiques de bout en bout entraînées uniquement par imitation. Ce travail s'inscrit dans la vague des modèles VLA qui s'appuient sur des modèles vision-langage pré-entraînés pour piloter des bras ou des robots, une approche qui a gagné du terrain ces deux dernières années face aux politiques de contrôle entraînées de zéro. L'article ne mentionne ni déploiement sur robot physique hors simulation, ni partenariat industriel, ni concurrent commercial nommé : il s'agit d'une contribution méthodologique côté recherche. La suite logique passe généralement, pour ce type de méthode, par une validation sur des plateformes robotiques réelles et une comparaison directe avec les cadres hiérarchiques concurrents déjà publiés, un exercice que ce préprint ne couvre pas encore.

Recherche❧Opinion

1 source

37

177arXiv cs.RO 

VLAff : un modèle vision-langage-affordance unifié pour les capacités d'action

Une publication arXiv soumise en août 2026 présente VLAff, un modèle vision-langage-affordance conçu pour apprendre aux robots à manipuler des objets à partir de vidéos humaines filmées à la première personne. Le verrou visé est connu du secteur : la morphologie d'un bras robotique diffère de celle d'une main humaine, ce qui complique le transfert direct des gestes observés. Les auteurs contournent l'obstacle en extrayant des affordances centrées sur l'objet, indépendantes de la morphologie du robot, qui précisent où interagir, comment saisir et comment déplacer. La méthode combine reconstruction 3D par Structure-from-Motion et reconstruction de maillage de la main sur des vidéos égocentriques, appliquée à un nouveau jeu de données, EgoAffordance, comptant 204 000 épisodes, 5,6 millions d'affordances visuelles et 11,6 millions d'affordances de préhension et de trajectoire. Entraîné sur cette base, VLAff génère, à partir d'une observation et d'une instruction, des cartes de chaleur d'affordance, des poses de préhension et des trajectoires, converties en actions exécutables via les informations de scène 3D. Ce travail s'inscrit dans une tendance de fond de la robotique manipulative : exploiter la masse de vidéos humaines disponibles en ligne pour pallier la rareté et le coût des données de téléopération robotique. Si l'état de l'art revendiqué en prédiction d'affordance visuelle se confirme au-delà des bancs d'essai internes des auteurs, la méthode ouvrirait une source de données bon marché pour les modèles vision-langage-action que développent des acteurs comme Physical Intelligence (Pi-0), NVIDIA (GR00T) ou Figure AI (Helix), tous engagés dans la course aux modèles fondation génériques pour la manipulation. Un bémol s'impose toutefois : les résultats sont pour l'instant mesurés en interne, sans comparaison indépendante publiée, et les démonstrations de manipulation zero-shot sur robot réel restent, d'après le résumé, cantonnées à des scénarios de laboratoire plutôt qu'à un déploiement industriel. La recherche sur les affordances actionnables, où et comment interagir avec un objet, est un axe actif de la robotique et de la vision par ordinateur depuis plusieurs années, mais les travaux antérieurs se limitaient souvent à une seule modalité ou à des jeux de données restreints tournés en environnement contrôlé. L'apport revendiqué par VLAff est d'unifier trois modalités, visuelle, préhension et trajectoire, dans un seul modèle fondation entraîné sur des vidéos égocentriques du quotidien plutôt que sur des démonstrations robotiques dédiées et coûteuses. Le papier ne précise ni affiliation institutionnelle ni calendrier de publication du code ou du jeu de données : il s'agit à ce stade d'une contribution académique, non d'un produit ou d'un pilote industriel annoncé, dont la suite logique serait la publication du code pour permettre à la communauté de reproduire les résultats.

Recherche❧Opinion

1 source

36

178arXiv cs.RO 

Reglissement Sensoriel Coulissant : Confiance Configurable dans l'Estimation d'État des Robots Continuum

Un résumé étendu publié sur arXiv (référence 2608.05410v1) présente un capteur mécaniquement reconfigurable pour l'estimation d'état des robots continuum, ces structures souples sans articulations rigides déployées en environnements incertains. Le problème ciblé : la confiance dans l'estimation de position varie selon l'endroit du corps où des mesures sont disponibles, alors que l'enjeu n'est pas toujours une précision globale mais une confiance suffisante aux points où une tâche s'exécute. Les auteurs ont construit un prototype démontrant la faisabilité d'un capteur se déplaçant longitudinalement le long du robot, plutôt que resté fixe à l'extrémité comme dans la configuration usuelle. Faire coulisser ce capteur dans le temps réduit les erreurs d'estimation de la forme complète du corps, comparé à un capteur fixe unique en bout de bras. Cette approche touche une limite connue de la robotique continuum : ces systèmes, utilisés en chirurgie mini-invasive, inspection industrielle en espace confiné ou manipulation délicate, arbitrent entre nombre de capteurs embarqués, coût et complexité du câblage d'un côté, et qualité de l'estimation d'état nécessaire à un contrôle sûr de l'autre, notamment au contact d'humains ou de tissus fragiles. Plutôt que multiplier les capteurs fixes ou accepter l'incertitude résiduelle d'un capteur unique en bout de course, reconfigurer la position d'un seul capteur permet de concentrer la précision de mesure là où une tâche l'exige à un instant donné, sans alourdir le système. Pour les intégrateurs de robots souples, l'intérêt serait de réduire le nombre de capteurs nécessaires tout en maintenant la confiance requise aux points critiques, si le concept dépasse le stade du prototype. Le document se présente explicitement comme un extended abstract, format court destiné à une conférence ou un workshop, documentant une preuve de concept plutôt qu'un système finalisé. Aucune institution, aucun financement ni date de conférence n'est précisé ; le texte est simplement catalogué comme nouvelle soumission sur arXiv. La démonstration se limite à un prototype matériel et à une comparaison entre capteur mobile et capteur fixe, sans détail sur l'ampleur des essais. Le domaine de l'estimation d'état pour robots continuum reste actif, avec des approches concurrentes basées sur la vision, la fibre optique de courbure ou des modèles appris ; ce capteur coulissant s'ajoute comme alternative matérielle dont la robustesse hors laboratoire reste à démontrer.

Recherche❖Paper

1 source

44

179Robotics Business Review 

HII signe un accord pouvant atteindre 900 millions de dollars avec Path Robotics et GrayMatter Robotics

Huntington Ingalls Industries (HII), premier constructeur naval militaire américain, a annoncé des accords de production pluriannuels et basés sur la performance avec Path Robotics et GrayMatter Robotics, pouvant atteindre 900 millions de dollars sur sept ans. Path Robotics fournit une technologie de soudure robotisée, tandis que GrayMatter développe des systèmes de ponçage robotisés. Les deux entreprises participent au programme HYPR (High-Yield Production Robotics), lancé par HII en avril pour accélérer l'automatisation adaptative dans la fabrication de plateformes navales habitées et non habitées. Le financement reste conditionné à l'atteinte de jalons précis de maturité technologique et industrielle. Eric Chewning, vice-président exécutif des systèmes maritimes et de la stratégie d'entreprise chez HII, a évoqué des investissements générationnels pour développer de nouvelles capacités de construction navale. Les accords se déploient en deux phases : une étape de développement aux normes de la Marine américaine, durant laquelle les techniques de soudure, ponçage, décapage, peinture, assemblage et inspection seront validées et qualifiées, puis une étape de livraison où HII commencera à s'approvisionner via cette nouvelle ligne automatisée. Parmi les technologies concernées figure Rove, qui associe le modèle d'IA physique Obsidian de Path Robotics à un robot quadrupède capable de souder de manière autonome hors des cellules fixes, directement sur de grands ensembles et structures immobiles. Cet accord illustre un mouvement plus large : le passage de la robotique industrielle des cellules fixes et contrôlées vers des systèmes mobiles capables d'opérer dans des environnements de production aussi complexes et variables que les chantiers navals militaires. Pour les intégrateurs et décideurs industriels, HYPR constitue un test grandeur nature de la promesse de l'IA physique à grande échelle : contrairement à de nombreuses démonstrations robotiques limitées à des environnements contrôlés, ce programme vise une qualification selon les standards stricts de la Marine américaine, avec des jalons de performance vérifiables avant tout versement de fonds. Cela répond directement au scepticisme du secteur sur l'écart entre démonstrations et déploiements réels. Si les technologies tiennent leurs promesses, elles pourraient désengorger une industrie navale américaine chroniquement en sous-capacité, un enjeu stratégique alors que la Marine cherche à accélérer la production de porte-avions, sous-marins, destroyers, navires amphibies, futures frégates et navires de surface sans équipage. HII avait lancé HYPR en avril pour structurer sa collaboration avec des fournisseurs de robotique avancée, avec un cadre de gouvernance commun et des processus de qualification partagés. Andy Lonsberry, cofondateur et PDG de Path Robotics, a présenté cet accord comme une validation puissante de la thèse de sa société selon laquelle l'IA physique peut faire évoluer la capacité de production navale dans l'un des environnements industriels les plus exigeants au monde. L'accord s'inscrit dans la stratégie de sous-traitance distribuée de HII, qui prévoit d'externaliser plus de 2,5 millions d'heures de travail de construction navale en 2026, soit une hausse de 30% par rapport à 2025, en élargissant son réseau de partenaires d'assemblage structurel. Le déploiement démarrera par de petites structures en acier avant de s'étendre à des unités et modules plus complexes, un scénario progressif qui laisse à HII la possibilité d'ajuster son recours à l'automatisation selon les coûts, les délais et la qualité constatés sur le terrain.

Industriel⚡Actu

1 source

35

180Interesting Engineering 

Un nouveau guide dévoile les technologies clés dont les robots humanoïdes ont besoin pour agir comme des humains

ROBO Global, la société qui gère l'indice ROBO Global Robotics and Automation, a publié un guide destiné à expliquer les technologies nécessaires à la construction d'un robot humanoïde fonctionnel. Le document découpe le robot en trois briques : le "cerveau" (processeurs IA embarqués, caméras, LiDAR, capteurs tactiles), le "corps" (actionneurs rotatifs et linéaires, réducteurs harmoniques à fort couple) et l'"énergie" (batteries, avec un focus sur les batteries à état solide). Le guide ne cite aucun modèle précis ni aucune date de sortie, il reste volontairement générique : les caméras et le LiDAR servent à cartographier l'environnement en trois dimensions, les capteurs tactiles dans les mains permettent d'ajuster la force de préhension entre une casserole lourde et un verre fragile, et les puces IA embarquées font office de système nerveux central pour la perception, la planification de mouvement et l'équilibre en temps réel. L'intérêt de ce document n'est pas une percée technique mais un signal de marché : il confirme que la chaîne d'approvisionnement des humanoïdes, puces IA, capteurs, actionneurs, engrenages de précision, batteries, est en train de devenir une filière commerciale à part entière, et plus seulement un empilement de prototypes maison développés en interne par chaque fabricant. Pour les intégrateurs et les décideurs industriels, cela veut dire des composants plus standardisés et potentiellement plus accessibles à court terme. Mais il faut lire ce guide pour ce qu'il est : un contenu pédagogique produit par un fournisseur d'indice boursier centré sur la robotique, donc orienté vers les investisseurs plutôt qu'un compte rendu de déploiement réel. Aucun chiffre de charge utile, de degrés de liberté, de temps de cycle ou de volume ne vient étayer les affirmations, ce qui limite sa valeur informative face à une annonce produit concrète. Ce guide arrive alors que le secteur des humanoïdes multiplie les annonces, entre nouveaux modèles commerciaux et modèles de fondation vision-langage-action censés leur donner de l'autonomie. ROBO Global, dont l'activité consiste à indexer et suivre les valeurs du secteur robotique et automatisation pour les marchés financiers, cherche ici à cadrer le narratif de croissance qu'elle promeut auprès de ses investisseurs. Le document anticipe une demande croissante pour les fournisseurs de composants, en parallèle du déploiement progressif des humanoïdes dans les foyers, les usines, les entrepôts et les services, sans toutefois avancer de calendrier précis ni de pilote industriel nommé.

Humanoïdes≡Tuto

1 source

40

181Robotics Business Review 

Un rapport examine les avancées des robots mobiles autonomes

Le marché mondial des robots mobiles autonomes (AMR) repart à la hausse, porté par la hausse des coûts de main-d'œuvre, les pénuries de personnel et le besoin de flexibilité et de rapidité opérationnelles, selon un rapport de The Robot Report et sa publication sœur Design World. Interact Analysis prévoit une croissance de près de 5 milliards de dollars en 2024 à 14 milliards en 2030. ABI Research, de son côté, table sur un marché des robots mobiles élargi passant de 33 milliards de dollars en 2026 à 68,9 milliards en 2030, soit une croissance annuelle composée de 20,2%, les AMR représentant la moitié de ce total. Après un ralentissement post-COVID, le secteur montre des signes de reprise solide. Le rapport distingue deux familles de solutions: les chariots élévateurs automatisés ou semi-automatisés, faciles à intégrer aux flux existants d'entrepôts et d'usines, et les navettes de systèmes de stockage et récupération automatisés (ASRS), plus coûteuses en infrastructure mais offrant une meilleure densité de stockage et une scalabilité supérieure, avec pour exemples les chariots autonomes de Hyster-Yale et les ASRS d'Attabotics. Pour les intégrateurs et décideurs industriels, ce constat confirme que la technologie AMR a franchi un cap de maturité: vision par ordinateur, fusion de capteurs et apprentissage automatique ne servent plus seulement à la navigation, mais permettent aussi du picking précis, une collaboration homme-robot plus sûre et une meilleure visibilité opérationnelle. La gestion de flottes assistée par IA facilite désormais l'intégration avec les systèmes d'entreprise existants, un point de friction historique pour les déploiements à grande échelle. Les problèmes d'interopérabilité entre robots de fournisseurs différents subsistent, mais les éditeurs de logiciels d'orchestration et les organismes de normalisation commencent à y répondre. Les AMR ne se limitent plus à l'entrepôt: ils gagnent désormais l'industrie manufacturière et la pharmacie, des secteurs plus exigeants en traçabilité et en fiabilité. Ce regain suit une phase de tassement post-pandémie, durant laquelle les commandes avaient nettement ralenti après le pic du COVID-19. Le paysage concurrentiel reste fragmenté entre spécialistes des chariots autonomes comme Hyster-Yale, fournisseurs de systèmes de stockage automatisés comme Attabotics, et une multitude d'autres constructeurs d'AMR et d'éditeurs de logiciels de fleet management. Le rapport complet est disponible en téléchargement gratuit auprès de The Robot Report. La question de l'IA physique sera par ailleurs au programme de RoboBusiness, prévu les 20 et 21 octobre 2026 à Santa Clara, en Californie, dont les inscriptions sont désormais ouvertes.

Industriel❧Opinion

1 source

47

182Interesting Engineering 

New ergoCub, un humanoïde, s'adapte aux mouvements humains lors de tâches de levage partagées

ergoCub est un robot humanoïde capable de s'adapter en temps réel aux mouvements d'un partenaire humain lors de tâches de levage partagées, réduisant la fatigue physique et les risques pour la sécurité au travail. Il a été développé par une équipe conjointe de GenerativeBionics, de l'Istituto Italiano di Tecnologia (IIT) et de l'université de Manchester, sur la base d'un nouveau cadre de conception dit "human-aware". Contrairement à l'approche classique, qui fige d'abord le matériel puis compense ses limites par le logiciel, l'équipe a optimisé simultanément la morphologie du robot (longueur des membres, placement des articulations, répartition du poids), ses capteurs, ses actionneurs et ses algorithmes de contrôle, en intégrant explicitement un modèle du partenaire humain dans le processus de conception. ergoCub, construit sur la base du robot de recherche iCub de l'IIT, met à jour en continu un modèle interne de la personne avec qui il travaille à partir de ses données de capteurs, ce qui lui permet d'anticiper ses mouvements, de synchroniser son assistance et de s'adapter à des gabarits et des forces différentes. Lors d'essais de levage collaboratif, le robot a suivi la posture humaine en ajustant dynamiquement son effort. Sa capacité déterminante consiste à estimer le couple exercé sur l'articulation lombo-sacrée, la zone du bas du dos la plus exposée lors du port de charges, afin de réduire la charge biomécanique estimée par rapport à un levage effectué sans assistance. L'étude, relayée par TechXplore, indique aussi qu'ergoCub marche plus vite et consomme moins d'énergie que son prédécesseur. Cette approche s'attaque à un problème très concret pour les industriels: les troubles musculo-squelettiques liés au port de charges figurent parmi les premières causes d'arrêts de travail en logistique et en manufacture, un terrain où les exosquelettes occupent aujourd'hui l'essentiel du marché de l'assistance au levage. Un humanoïde capable de coporter une charge en ajustant son comportement à la biomécanique de son partenaire ouvrirait une piste différente, moins contraignante à porter qu'un exosquelette mais plus complexe à sécuriser dans un environnement partagé. À noter toutefois: ni l'étude ni sa reprise par TechXplore ne donnent de chiffre précis de réduction de charge, de conditions de test détaillées, ni de capacité de charge utile, ce qui limite pour l'instant la portée de la démonstration à un résultat de laboratoire plutôt qu'à une performance validée en conditions industrielles. ergoCub prolonge la lignée d'iCub, plateforme de recherche humanoïde que l'IIT développe depuis le milieu des années 2000 pour étudier la cognition et la locomotion robotique. Le partenariat avec GenerativeBionics et l'université de Manchester pousse cette recherche vers la cobotique physique, un segment où des acteurs comme Apptronik (Apollo), Agility Robotics (Digit) ou Sanctuary AI (Phoenix) avancent déjà avec des humanoïdes orientés production en entrepôt plutôt que recherche académique. L'équipe indique avoir commencé à étendre cette philosophie de conception intégrée à Gene.01, un robot de nouvelle génération, sans préciser à ce stade de calendrier de déploiement, de partenaire industriel pilote ou de site de test au-delà du laboratoire.

FR/EU ecosysteme❖Paper

1 source

55

183Robohub 

Robots dans la société, les affaires et la culture : juillet 2026

Le 28 juillet 2026, la Federal Communications Commission américaine a bloque l'autorisation d'équipement nécessaire a la vente aux Etats-Unis de nouveaux robots avances fabriques a l'étranger, invoquant des risques de chaine d'approvisionnement et de cybersécurité. La mesure vise les humanoïdes connectes, les quadrupèdes et tout robot mobile de plus de 4,4 livres (environ 2 kg) dote de connectivité réseau ; la FCC a également restreint, dans le même mouvement, les onduleurs de puissance connectes d'origine étrangère. Les modèles déjà autorises restent commercialisables pour l'instant, et des exemptions ou autorisations conditionnelles demeurent possibles. Le 30 juillet, Reuters rapportait que le ministère chinois du Commerce menaçait de "riposter résolument" si Washington maintenait ces restrictions, exigeant leur retrait immédiat. La décision marque une extension du contrôle des exportations, déjà applique aux semi-conducteurs, au matériel robotique. Georg Stieler, conseiller en robotique et directeur pour l'Asie chez STM, juge qu'a court terme elle pourrait freiner l'innovation américaine en IA physique en coupant startups et chercheurs de plateformes chinoises bon marche avant l'existence d'alternatives occidentales comparables, tout en ouvrant des opportunités aux fournisseurs américains et allies capables de localiser leur production ou d'obtenir une autorisation conditionnelle ; il previent toutefois qu'exclure la concurrence étrangère ne suffit pas a bâtir une base industrielle compétitive. Pour les intégrateurs, cela implique de vérifier le statut d'homologation FCC des robots déployés aux Etats-Unis et anticipe un risque d'approvisionnement pour les plateformes low-cost, notamment celles d'Unitree Robotics, qui vient de lancer son humanoïde Super Athlete AS2-W. John Moolenaar, élu républicain du Michigan a la tête de la commission spéciale de la Chambre sur la Chine, défend une mesure qui "protégé notre pays et renforce notre industrie robotique", tandis que Pekin promet des representailles. Le bras de fer prolonge les tensions sino-americaines déjà vives sur les semi-conducteurs, désormais étendues aux humanoïdes et quadrupèdes, segment ou des fabricants chinois comme Unitree dominent l'entrée de gamme. Le mois a aussi vu émerger, hors de ce contexte géopolitique, plusieurs robots bio-inspires : un drone quasi invisible de l'université Northwestern, un engin volant-plongeur de 250 grammes du MIT et de l'EPFL inspire des macareux, et un robot vigne du KAIST capable d'habiller une personne sans les mains, autant de rappels que la recherche robotique continue d'explorer bien au-delà des humanoïdes. Note : le texte source fourni s'interrompt en plein milieu de la dernière section ("following a showcase of the Orig..."), je n'ai donc pas inclus cet épisode pour ne pas inventer de détails manquants.

Regulation⚖Reglementation

1 source

48

184arXiv cs.RO 

SAFECAST : détection robuste des échecs pour les politiques VLA par entraînement à ensembles contrastifs et calibration

Des chercheurs présentent SAFECAST, une méthode de détection d'échec pour les politiques vision-langage-action (VLA), les modèles qui pilotent des robots à partir d'instructions en langage naturel. Le problème visé: ces politiques échouent souvent une fois déployées, dès que les conditions s'écartent de l'entraînement, désordre dans la scène, objets distracteurs, éclairage différent, objets jamais vus, position de départ modifiée, ou simple reformulation d'une consigne. Les approches existantes détectent ces échecs via des sondes entraînées sur les états cachés du modèle, combinées à de la prédiction conforme fonctionnelle, mais leur fiabilité s'effondre si les données de calibration ne collent pas aux conditions réelles de déploiement. SAFECAST corrige ce point en injectant des perturbations de type "contrast set", des variations ciblées de la scène visuelle et du texte de l'instruction, à la fois dans l'entraînement et la calibration des sondes. Testée sur le jeu de données réel DROID et sur le simulateur LIBERO, avec plusieurs architectures de VLM en backbone, la méthode améliore de façon statistiquement significative le score ROC-AUC de détection d'échec par rapport à une référence état de l'art. Pour les intégrateurs et équipes robotique qui misent sur des politiques VLA en production, ce travail s'attaque à un angle mort connu du secteur: on sait entraîner des modèles capables de suivre des instructions, mais pas forcément savoir, en temps réel, quand ils sont sur le point d'échouer. Un détecteur d'échec fiable permet de déclencher un arrêt de sécurité ou un relais humain avant la casse, un prérequis pour déployer des VLA hors laboratoire, sur ligne de production ou en entrepôt, sans supervision constante. Le résultat le plus notable côté méthode: la calibration en simulation (sim-to-real), une fois enrichie de perturbations contrastives, produit de meilleures sondes que la calibration sur données réelles seules, ce qui réduirait le besoin coûteux de collecter des rollouts réels pour chaque nouveau contexte de déploiement. Ce travail s'inscrit dans la lignée des recherches sur la prédiction conforme appliquée à la robotique, un domaine qui cherche à donner des garanties statistiques d'échec plutôt que de simples scores de confiance heuristiques. Il prolonge directement les méthodes à base de sondes sur états cachés déjà proposées comme référence, en ciblant leur faiblesse principale, la dépendance aux données de calibration. Les auteurs indiquent que le gain est maximal quand perturbations visuelles et perturbations linguistiques sont combinées, une piste que de futurs travaux pourraient étendre à d'autres types de décalages de distribution ou à des politiques VLA déployées sur du matériel robotique varié.

Recherche❖Paper

1 source

47

185arXiv cs.RO 

De la segmentation de verrerie transparente à l'évitement de collision : un pipeline de perception en temps réel sensible aux contours

Des chercheurs ont publié le 4 août 2026 sur arXiv (référence 2608.04769) un système de segmentation d'instance en temps réel conçu pour éviter les collisions avec du matériel de laboratoire transparent, en s'appuyant uniquement sur une caméra. Partant du constat que la réfraction et les reflets spéculaires rendent la texture interne des objets en verre peu fiable, mais que leurs contours restent visuellement stables, l'équipe a ajouté à un modèle de segmentation d'instance "one-stage" une branche de détection de contours, un mécanisme d'attention guidé par ces contours et un module SimAM sans paramètre supplémentaire. Elle a aussi construit LabGlass-IS, un jeu de données de 3485 images réparties en 21 catégories de verrerie de laboratoire réelle. Le modèle obtient un score Boundary F de 97,80, devançant de 18,93 points le cadre FastSAM piloté par YOLO, tout en tournant à 7,1 millisecondes par image et en n'utilisant que 2,85% des paramètres du concurrent le plus proche en précision. Une triangulation multi-vues des centroïdes de masques calcule ensuite des positions 3D pour des contraintes de volume englobant conservatrices, et sur robot réel le pipeline atteint un taux de réussite d'évitement de collision de 93,3%. Ce résultat cible un angle mort classique de la robotique de laboratoire : la verrerie transparente échappe souvent aux capteurs de profondeur usuels (lidar, stéréo), car elle ne réfléchit ni ne diffuse la lumière comme un objet opaque. Un système purement visuel, léger et rapide, capable de repérer fioles, béchers ou tubes à essai sans capteur de profondeur dédié, réduit le coût matériel d'une cellule robotisée et ouvre la voie à des bras collaboratifs travaillant à proximité de verrerie fragile sans contact accidentel. Le gain computationnel, moins de 3% des paramètres d'un concurrent à précision comparable pour une inférence sous les 10 millisecondes, est ce qui rend l'approche déployable en périphérie, sur du matériel embarqué peu coûteux plutôt que sur un serveur GPU distant : un critère décisif pour un intégrateur qui doit justifier le coût par poste automatisé en pharma, chimie ou biotech. La segmentation d'objets transparents est un problème documenté depuis plusieurs années en vision par ordinateur ; les méthodes génériques comme les variantes de SAM pilotées par YOLO peinent sur ces surfaces faute de texture interne exploitable, ce qui explique le choix des auteurs de comparer leur approche à FastSAM piloté par YOLO. Le code (TransYOLO_3D) et des vidéos de démonstration sont publiés en accès libre sur GitHub, ce qui permet une réplication indépendante, un point notable puisqu'il s'agit d'un prétirage arXiv non encore relu par les pairs. Les auteurs présentent leur pipeline perception-vers-action comme une preuve de faisabilité plutôt qu'un produit fini ; la suite logique serait une validation à plus grande échelle en conditions réelles de laboratoire, au-delà des essais contrôlés décrits dans l'article.

Recherche❖Paper

1 source

47

186arXiv cs.RO 

Suppression Sticks, la localité est fragile : audit en boucle fermée de la négation de vecteur de tâche dans les politiques VLA

Une équipe de recherche publie sur arXiv (2608.04692v1) un audit approfondi d'une technique d'édition de modèles appelée « soustraction de vecteur de tâche », appliquée cette fois à des politiques de contrôle robotique multitâches de type VLA (vision-langage-action), en boucle fermée plutôt qu'en évaluation statique. Sur les dix compétences du benchmark LIBERO-Goal, la méthode produit trois régimes distincts : une séparation nette entre la compétence ciblée et les autres pour cinq d'entre elles, une résistance à la suppression pour trois autres, et un effondrement global des performances pour les deux dernières. Même dans les cas « réussis », où le taux de succès de la compétence visée tombe à 0% sur des états de départ inédits, la rétention moyenne des compétences non ciblées ne dépasse pas 52% par rapport à la ligne de base, et chaque édition dégrade au moins une capacité pourtant censée être indépendante. Les chercheurs testent aussi trois architectures de tête d'action (régression continue, tokens discrets, flow-matching) : la séparation propre apparaît sur le panel « Goal » pour ces trois architectures, mais pas sur le panel « Spatial », et un effondrement est observé sur les panels « Object » et « Long-horizon ». La similarité cosinus entre vecteurs de tâche ne permet pas de prédire ces écarts. Ce résultat intéresse directement quiconque envisage l'édition de modèle par arithmétique de vecteurs comme raccourci pour retirer une compétence indésirable ou dangereuse d'une politique robotique sans réentraînement complet, une approche séduisante car rapide et, au moment de l'édition, sans besoin de données ni de calcul de gradient. L'étude montre que l'hypothèse de « localité », selon laquelle soustraire une compétence n'affecte que celle-ci, est fragile en boucle fermée : même dans le meilleur des cas, environ la moitié seulement des capacités non ciblées survit, et deux cas sur dix se soldent par une politique globalement cassée. Pour des intégrateurs ou décideurs qui évalueraient cette technique comme alternative légère à un réentraînement pour patcher une politique embarquée, le message est clair : l'édition n'est pas un remplacement sûr par défaut. Plus préoccupant, une sonde de réapprentissage montre que la compétence supposément supprimée peut resurgir facilement, ce qui indique un simple masquage comportemental plutôt qu'un effacement certifié, un point important pour toute revendication de sécurité ou de conformité fondée sur ce type d'édition. L'arithmétique de vecteurs de tâche, qui consiste à ajouter ou soustraire dans l'espace des poids la différence entre un modèle finetuné et son modèle de base, avait déjà été étudiée sur des modèles de texte ou de vision. Ce travail est l'un des premiers à la tester spécifiquement sur des politiques VLA en contrôle robotique en boucle fermée, à l'aide de LIBERO-Goal, une suite de benchmarks structurée en panels Goal, Spatial, Object et Long-horizon, et sur plusieurs familles de têtes d'action. Les auteurs comparent aussi la méthode à des bases de référence « retain-aware » fondées sur le gradient, plus coûteuses en données et en calcul mais potentiellement plus fiables. Ils appellent la communauté à adopter des protocoles d'évaluation combinant systématiquement cible et contrôle en boucle fermée, plutôt qu'un simple taux de succès sur la compétence visée, pour juger correctement la localité des futures méthodes d'édition de modèles embarqués.

IA physique❖Paper

1 source

46

187arXiv cs.RO 

Kitchen Robotic Manipulation utilisant des modèles fondation

Un pipeline de perception modulaire pour la manipulation robotique en cuisine, dédié notamment au tri de la vaisselle, vient d'être détaillé dans un article publié sur arXiv (2608.04042) par l'équipe RAIVLab. Le système enchaîne détection d'objets en vocabulaire ouvert, segmentation multi-vues, reconstruction 3D par instance, puis fusion de caractéristiques 2D-3D pour l'estimation de pose en 6D et la planification de préhension. Sa conception modulaire permet de substituer librement les modèles de fondation visuels et géométriques utilisés à chaque étage. Après une évaluation extensive, la combinaison la plus performante identifiée associe LLMDet pour la détection, SAMv2 pour la segmentation, DINOv2 pour l'extraction de caractéristiques et GeoTransformer pour le recalage géométrique. Sur un benchmark maison de 20 scènes de cuisine encombrées et partiellement occultées, cette configuration atteint un score ADI de 89,12%. Les auteurs ont aussi testé le système sur un robot physique, avec deux tâches concrètes : le transfert de vaisselle de l'évier au lave-vaisselle et l'empilement de tasses, sans réentraînement spécifique à l'environnement testé. Pour l'industrie robotique, l'intérêt tient moins à la performance brute, mesurée sur un benchmark propriétaire donc non directement comparable à d'autres travaux, qu'à la démonstration qu'un assemblage de modèles de fondation "sur étagère" peut généraliser sans réentraînement à un nouvel environnement domestique encombré. C'est un point sensible pour les intégrateurs qui cherchent à déployer des robots de service en cuisine ou en restauration collective : la robustesse à l'occlusion et au désordre reste l'un des principaux obstacles entre démonstration en laboratoire et usage réel. En proposant une architecture modulaire plutôt qu'une politique bout en bout, l'équipe offre aussi une méthodologie réutilisable pour comparer objectivement les modèles de vision et de géométrie disponibles, un exercice rarement mené de façon aussi systématique. Ce travail s'inscrit dans la vague plus large des modèles de fondation appliqués à la robotique, où des architectures comme SAM ou DINO, conçues au départ pour la vision générique, sont réutilisées comme briques de perception dans des pipelines de manipulation, en complément des politiques de bout en bout de type VLA telles que Pi-0 ou GR00T N2. Contrairement à ces dernières, qui apprennent directement une politique d'action, cette approche se concentre sur la perception et l'estimation de pose en amont de la préhension. Publié en preprint sans mention de partenariat industriel, le projet met à disposition son code et ses données sur GitHub, une étape qui devra être suivie d'une validation sur un éventail plus large de tâches et d'environnements avant d'envisager un usage industriel.

Recherche❖Paper

1 source

46

188arXiv cs.RO 

GUARD : détection de risque par ancrage d'incertitude et ablation pour les VLA à diffusion

Une équipe de recherche publie GUARD (Grounding Uncertainty and Ablation-based Risk Detection), une méthode de détection d'échec en temps de test pour les politiques VLA (vision-langage-action) fondées sur la diffusion, sans modifier le modèle préentraîné. Le principe consiste à mesurer l'influence des entrées indexées par token dans le cache clé-valeur (KV) du modèle vision-langage, à construire des caches contrefactuels en supprimant les entrées KV les plus saillantes, puis à comparer les réponses de débruitage obtenues avec le conditionnement original. GUARD en tire un flux de diagnostics, sensibilité, entropie d'attention, biais de modalité et efficacité de l'ancrage, calibrés en ligne et traités par un classifieur temporel léger. La méthode est testée sur cinq combinaisons politique-benchmark : les modèles Pi0 (Physical Intelligence), SmolVLA (Hugging Face) et Alpamayo-1.5 (Nvidia), évalués sur les bancs d'essai LIBERO, SimplerEnv, MetaWorld et PhysicalAI-AV, avec des tâches jamais vues à l'entraînement. GUARD obtient le meilleur score ROC-AUC sur quatre des cinq configurations de tâches inédites et se classe deuxième sur la dernière, avec un gain moyen de 5,73 points de pourcentage sur le meilleur moniteur concurrent, tout en restant à 0,19 point du meilleur résultat obtenu sur des tâches déjà vues. Ce travail s'attaque à un problème concret pour quiconque déploie des politiques VLA en robotique : ces modèles génèrent des actions plausibles même quand leur perception de la tâche est mal ancrée dans l'image ou la consigne textuelle, ce qui produit des échecs silencieux difficiles à anticiper avant exécution. Pour les intégrateurs qui évaluent des VLA génératifs comme Pi0 ou GR00T pour du pick-and-place, de la manipulation ou de la conduite autonome, disposer d'un signal d'alerte transférable d'une tâche à l'autre, d'une politique à l'autre et d'un robot à l'autre change la donne : un tel signal permettrait de déclencher un arrêt ou une intervention humaine avant qu'une action erronée ne soit exécutée, plutôt que de constater l'échec après coup. C'est aussi une réponse indirecte à un doute récurrent du secteur sur les VLA à diffusion : leur fluidité gestuelle masque parfois un raisonnement multimodal fragile, et GUARD propose d'auditer ce raisonnement interne plutôt que de se fier au seul comportement observé en sortie. GUARD s'inscrit dans une littérature croissante de moniteurs d'exécution pour politiques robotiques génératives, portée par l'essor rapide des VLA depuis des modèles comme Pi-0 de Physical Intelligence, GR00T N2 de Nvidia ou Helix de Figure, déployés ou testés sur des plateformes humanoïdes et des bras manipulateurs. La méthode se positionne face aux approches existantes de détection d'anomalie en temps réel, qu'elle surpasse en moyenne sur des tâches inédites tout en restant compétitive sur des tâches connues, un compromis généralisation-précision central pour toute solution visée à la production. Les auteurs évaluent leur approche exclusivement en simulation et sur des jeux de données benchmark (LIBERO, SimplerEnv, MetaWorld, PhysicalAI-AV), sans validation sur robot physique à ce stade : cette publication arXiv relève donc de la recherche amont plutôt que d'un outil prêt à déployer, et une vérification en conditions réelles reste l'étape naturelle avant toute intégration industrielle.

Recherche❖Paper

1 source

45

189arXiv cs.RO 

Mind-VLA : alignement de la représentation spatiale guidé par les instructions pour les modèles vision-langage-action

Publiée le 4 août 2026 sur arXiv (2608.04633), une méthode baptisée Mind-VLA corrige un défaut des modèles vision-langage-action (VLA) en robotique: les approches existantes alignent leur représentation avec la géométrie 3D de toute la scène de façon uniforme, sans isoler l'objet désigné par l'instruction, d'où des échecs en manipulation fine ou en cas d'occlusion. Mind-VLA identifie d'abord cet objet cible, en génère une vue à trois angles, en extrait des caractéristiques VAE et VGGT, puis aligne la représentation latente du modèle dessus. Avec un backbone compact de 345 millions de paramètres, le système atteint 93,9% de réussite sur LIBERO, 4,47 sur CALVIN, et 54% de succès moyen sur robot réel en situation d'occlusion, soit 32 points de plus que la meilleure méthode instruction-agnostique comparée. Le code sera publié en open source. Le résultat vise un problème concret pour les intégrateurs déployant bras manipulateurs ou humanoïdes: les démonstrations de laboratoire s'effondrent souvent dès que l'objet à saisir est partiellement caché par un carton, une pièce voisine ou l'angle de la caméra. En conditionnant la représentation 3D sur l'objet réellement visé plutôt que sur la scène entière, Mind-VLA cible directement l'écart entre démo et réalité industrielle. Le gain de 32 points obtenu sur robot réel, pas seulement en simulation, compte dans un domaine où les progrès annoncés reposent souvent sur des vidéos sélectionnées ou des métriques peu transposables. Mind-VLA s'inscrit dans la lignée des travaux sur l'alignement géométrique des VLA, qui injectent une compréhension 3D explicite dans des modèles entraînés sur images et texte, comme Pi-0 de Physical Intelligence ou GR00T N2 de NVIDIA, sans qu'aucun ne cible spécifiquement l'objet d'intérêt. Le résumé ne nomme pas la méthode instruction-agnostique servant de référence, ce qui invite à la prudence tant que l'article complet et le code promis ne sont pas vérifiables. La piste, aligner la représentation sur l'objet désigné plutôt que sur toute la scène, devrait néanmoins intéresser d'autres laboratoires travaillant sur la manipulation fine.

Recherche❧Opinion

1 source

44

190arXiv cs.RO 

Vol à l'aveugle : la délibération spatiale guidée par vision pour la navigation "voir et atteindre" des drones

Une équipe de recherche présente DBFly, un système de navigation pour drones capable d'approcher et de s'arrêter précisément près d'une cible désignée en langage naturel et visible dès la prise de vue initiale, une tâche connue sous le nom de "see-and-reach navigation". Le problème identifié par les auteurs est que les méthodes existantes associent directement les représentations vision-langage aux commandes de vol, sans étape intermédiaire de décision spatiale fine, ce qui provoque un désalignement entre la compréhension sémantique et le contrôle réel et rend les manœuvres incohérentes et les arrêts peu fiables. DBFly introduit à la place une chaîne de décision de manœuvre spatiale en trois étapes : ancrage de la direction cible, diagnostic spatial, puis décision de manœuvre, qui guide explicitement la génération continue de points de passage (waypoints). Le système construit aussi un "corridor de vol implicite", une référence géométrique persistante dérivée de la direction cible initiale et recalculée en continu selon la position du drone, pour affiner les corrections de trajectoire. Une stratégie d'arrêt tenant compte de la convergence du mouvement à court terme complète le dispositif. Sur des jeux de test couvrant des scènes vues, des objets inédits et des scènes inédites, DBFly améliore le taux de succès de 25,07 points de pourcentage en moyenne par rapport à la meilleure méthode existante (SOTA). Cette avancée s'inscrit dans un enjeu central pour la navigation autonome des drones commandés en langage naturel : le fossé entre la compréhension d'une instruction ("va vers la voiture rouge") et l'exécution physique précise qui doit en découler. Un gain de 25 points sur des scènes et objets jamais vus est significatif, car c'est justement la généralisation qui échoue le plus souvent dans les approches "bout-en-bout" pilotées uniquement par des modèles vision-langage. Pour les intégrateurs travaillant sur des drones d'inspection, de livraison ou de surveillance guidés par instruction vocale ou textuelle, ce type d'architecture en couches explicites (perception, diagnostic spatial, décision de manœuvre) offre une piste pour réduire les échecs d'atterrissage ou d'approche qui limitent aujourd'hui le déploiement en conditions réelles, au-delà des démonstrations en environnement contrôlé. Le travail se situe dans la continuité des recherches sur la navigation UAV pilotée par le langage (vision-language navigation appliquée aux drones), un domaine qui a jusqu'ici largement repris les architectures VLA (vision-language-action) développées pour la robotique au sol et les bras manipulateurs, sans toujours les adapter aux contraintes spécifiques du vol. Les auteurs comparent leur approche à une base de référence qualifiée d'état de l'art (SOTA), sans que l'abstract ne précise son nom, laissant supposer une comparaison directe sur les mêmes bancs d'essai plutôt qu'une performance en conditions réelles de terrain. Une page projet dédiée (xuefanfu.github.io/DBFly-Page) et l'annonce sur arXiv suggèrent une publication académique à ce stade, sans indication de déploiement commercial ou de partenariat industriel ; les prochaines étapes attendues seraient une validation sur drones physiques en extérieur et une comparaison avec des architectures VLA génériques comme celles utilisées en robotique mobile terrestre.

Recherche❖Paper

1 source

44

191arXiv cs.RO 

Arnold : une politique transformer musculaire multitâche et multi-corps

Une équipe de recherche a mis en ligne sur arXiv la version révisée d'Arnold, une politique de contrôle basée sur un transformer capable de piloter des modèles musculosquelettiques humains à haute dimension sur 14 tâches distinctes: manipulation fine d'objets, atteinte de cibles et locomotion. Contrairement aux politiques dites "spécialistes", entraînées séparément pour chaque tâche, Arnold combine clonage comportemental et apprentissage par renforcement pour égaler, voire dépasser, les performances de ces spécialistes avec un seul modèle multi-tâches et multi-corps. L'innovation centrale tient dans un "vocabulaire sensorimoteur", une représentation compositionnelle qui encode la sémantique des différentes modalités sensorielles, objectifs et actionneurs, ce qui permet à l'architecture transformer de gérer des espaces d'observation et d'action de taille variable selon les tâches. Code et données sont publiés sur GitHub (amathislab/arnold), identifiant arXiv 2508.18066. L'enjeu dépasse la simple prouesse technique: contrôler des systèmes musculosquelettiques, non-linéaires et comptant des dizaines de muscles, reste un problème ouvert en neurosciences computationnelles et en biomécanique, avec des retombées attendues en prothétique et en rééducation motrice. Qu'une seule politique généraliste tienne tête à des spécialistes fait écho à la dynamique observée en robotique avec les modèles VLA (vision-language-action) de type Pi-0 ou GR00T, mais appliquée ici au muscle plutôt qu'au moteur électrique. Les auteurs tempèrent toutefois l'enthousiasme: leur analyse causale du signal moteur montre que les synergies musculaires de faible dimension restent largement spécifiques à chaque tâche, et que les méthodes d'analyse de variance classiques sous-estiment systématiquement la complexité réelle du contrôle. Autrement dit, la généralisation des performances ne s'accompagne pas d'une simplification interne du contrôle, un résultat qui nuance le récit d'une politique unique universelle et qui recoupe des observations déjà faites sur le vivant. Ce travail s'inscrit dans la lignée des simulateurs musculosquelettiques utilisés pour entraîner des agents en apprentissage par renforcement sur des corps virtuels dotés de dizaines de muscles, à la croisée du machine learning, de la biomécanique et des neurosciences. Il rejoint un mouvement plus large vers des politiques multi-tâches "généralistes", en écho aux approches VLA de la robotique humanoïde. La publication ouverte du code et des données doit permettre à la communauté de reproduire les résultats et d'évaluer la capacité d'Arnold à s'adapter rapidement à des tâches encore inédites.

Recherche❖Paper

1 source

43

192arXiv cs.RO 

Zero-shot : transfert sim-vers-réel pour capteur tactile à base d'aimants sur des tâches d'insertion

Des chercheurs ont mis à jour, sur arXiv (référence 2505.02915v2), une étude consacrée au transfert simulation-vers-réel pour les capteurs tactiles à base magnétique, une famille de capteurs illustrée par le modèle u-skin. Leur méthode, baptisée GCS, vise à entraîner en simulation des politiques de contrôle par apprentissage par renforcement pour des tâches d'insertion en aveugle, sans retour visuel, puis à les transférer directement sur un robot réel sans réentraînement ni donnée réelle, ce qu'on appelle un transfert "zero-shot". Contrairement aux approches précédentes qui binarisaient les lectures tactiles, les réduisant à un simple contact oui/non pour combler l'écart entre simulation et réalité, GCS conserve des lectures denses, distribuées et sur trois axes, injectées brutes dans la politique de contrôle. Les auteurs rapportent un transfert réussi de politiques entraînées uniquement en simulation vers des tâches d'insertion réelles. Cette avancée cible un problème central pour l'industrie robotique : le fossé entre simulation et réalité qui limite depuis longtemps l'usage du tactile dans les politiques de manipulation apprises par machine learning. Le tactile est jugé essentiel pour les tâches de contact riche comme l'insertion de pièces, un geste omniprésent en assemblage électronique et industriel, où la vision seule échoue face aux occlusions et aux tolérances serrées. Pour les intégrateurs et les équipes R&D robotique, l'enjeu est de pouvoir entraîner des compétences tactiles massivement en simulation, moins coûteuse que la collecte de données réelles, sans perte de performance au déploiement. En montrant qu'il est possible de transférer des lectures tactiles riches, non binarisées, sans perte de fidélité, les auteurs contredisent l'hypothèse selon laquelle seule une simplification drastique du signal permettrait de franchir le fossé sim-to-real, ouvrant la voie à des politiques plus précises pour des tâches fines comme l'insertion de connecteurs. Les capteurs magnétiques comme u-skin se sont imposés ces dernières années comme un compromis entre durabilité et densité de mesure, face à d'autres familles de capteurs tactiles, optiques, capacitifs ou piézorésistifs, souvent plus fragiles ou moins riches en information spatiale. Des travaux antérieurs avaient déjà cherché à combler l'écart sim-to-real par la binarisation du signal, une technique efficace pour la manipulation dextre en main mais mal adaptée aux tâches exigeant une lecture fine de la force et de la position de contact, comme l'insertion. GCS s'inscrit dans cette lignée de recherche sur l'apprentissage par renforcement appliqué à la manipulation robotique, avec l'ambition de généraliser à d'autres tâches de contact riche au-delà de l'insertion aveugle testée ici. La publication ne mentionne aucun partenariat industriel ni calendrier de déploiement : il s'agit d'un résultat de laboratoire, dont la portée pratique dépendra de sa reproduction sur d'autres plateformes et d'autres capteurs tactiles.

Recherche❖Paper

1 source

43

193arXiv cs.RO 

SCOPE : planification de trajectoire consciente du champ de vision dans des environnements 3D inconnus par certification de volume de sécurité

Le système SCOPE (Safety Certification through Observation Planning and Execution), présenté dans un article arXiv publié début août 2026, s'attaque à un problème central de la navigation autonome : quand un robot n'a qu'un capteur à champ de vision limité fixé sur son corps, il doit vérifier que tout le volume qu'il s'apprête à traverser a été observé et confirmé libre avant de bouger. Les chercheurs formalisent cette contrainte comme un problème de certification de volume de sécurité dans une carte voxel encore partiellement inconnue, et construisent un graphe certifié où chaque nœud correspond à une position dont le volume de sécurité environnant est entièrement connu et libre. SCOPE découple la planification optimiste vers l'objectif de l'exécution certifiée : dès qu'un point non certifié apparaît sur la trajectoire envisagée, il devient une obligation d'observation explicite, résolue par une recherche de point de vue ciblée, avec un mécanisme récursif si les points de vue utiles ne sont pas eux-mêmes atteignables de façon certifiée. Sur 60 tâches randomisées dans trois environnements 3D inconnus, le système atteint systématiquement l'objectif tout en maintenant une intrusion quasi nulle dans l'espace non certifié, et un mécanisme de préchargement ("preview") réduit le temps de mission moyen de 27 %. Des démonstrations sur robot réel, dans deux scénarios représentatifs, complètent la validation. L'intérêt principal tient à la garantie formelle apportée : les auteurs prouvent une complétude conditionnelle, c'est-à-dire que sous des hypothèses de détection monotone et de recherche exhaustive, SCOPE atteint toujours l'objectif dès qu'une séquence finie d'actions de perception certifiées existe. C'est une réponse directe à une faiblesse connue des approches classiques d'exploration (next-best-view, frontier-based), qui optimisent la couverture sans offrir de garantie de sécurité stricte pendant le déplacement lui-même. Pour les intégrateurs de robots mobiles, drones ou AMR équipés de capteurs à champ de vision étroit, ce type de méthode pourrait combler l'écart entre planification efficace et sécurité certifiée, sans tomber dans l'excès de prudence qui pénalise le temps de mission. Le travail s'inscrit dans la lignée des recherches sur la planification de trajectoire sous incertitude perceptive, où la difficulté n'est pas seulement d'éviter les obstacles connus mais de gérer l'inconnu de façon prouvée sûre. Il reste à noter que la validation s'appuie principalement sur simulation (60 tâches, 3 environnements), les essais réels se limitant à deux scénarios ; la généralisation à des environnements plus complexes, dynamiques ou multi-agents reste à démontrer dans de futurs travaux.

Recherche❖Paper

1 source

43

194arXiv cs.RO 

RESample : un cadre robuste d'augmentation de données par échantillonnage exploratoire pour la manipulation robotique

Les modèles Vision-Language-Action (VLA), entraînés par apprentissage par imitation sur de vastes jeux de démonstrations, pilotent aujourd'hui la plupart des systèmes de manipulation robotique avancés. Mais ces jeux de données ne contiennent presque exclusivement que des trajectoires réussies : dès qu'un robot déployé s'écarte légèrement du scénario appris, ce décalage de distribution le pousse vers des situations d'échec pour lesquelles il n'a jamais vu d'exemple de correction. Des chercheurs proposent RESample, un cadre d'augmentation de données guidé par la couverture, qui vient combler ce trou. La méthode entraîne une fonction de couverture conservatrice capable de repérer les modes d'échec plausibles dans le monde réel mais absents des démonstrations standard, puis génère par échantillonnage exploratoire des séquences où le robot s'écarte volontairement de la trajectoire avant d'exécuter une action de récupération. Ces trajectoires synthétiques enrichissent le jeu d'entraînement initial. Sur le benchmark LIBERO et sur des tâches réelles de manipulation, RESample améliore systématiquement le taux de réussite des politiques, avec un gain absolu allant jusqu'à 12 points, pour un surcoût de données limité à 20% du jeu de départ. L'enjeu dépasse la performance brute : c'est le problème classique du "reality gap" entre démonstrations et déploiement qui est directement attaqué. Un bras robotique piloté par un VLA finit toujours, en usage réel, par dévier légèrement de sa trajectoire d'apprentissage, à cause du bruit capteur, d'un objet mal positionné ou d'une variation de lumière. Sans exemples de récupération, ces déviations s'accumulent jusqu'à l'échec complet de la tâche. En automatisant la génération de ces scénarios correctifs, plutôt qu'en s'appuyant sur du télé-opérateur humain coûteux pour les enregistrer, RESample s'attaque à un vrai goulot d'étranglement pour l'industrialisation des VLA en environnement industriel ou logistique, où la fiabilité prime sur la démonstration en conditions idéales. Ce travail s'inscrit dans une lignée de recherches récentes sur la robustesse des politiques d'imitation, aux côtés d'approches comme les corrections DAgger ou les méthodes de fine-tuning par renforcement appliquées à des modèles de type Pi-0 ou GR00T N2. La publication, une version révisée (v4) d'un article arXiv d'octobre 2025, ne mentionne pas de partenariat industriel ni de déploiement commercial: il s'agit d'un résultat de laboratoire, validé en simulation (LIBERO) et sur un nombre limité de tâches réelles, dont l'ampleur exacte n'est pas précisée dans le résumé.

Recherche❖Paper

1 source

43

195arXiv cs.RO 

Robots en essaim et logistique interne : des balises IoT intelligentes gèrent l'urgence

Un article publié en août 2026 sur arXiv (2608.04721) décrit un système de logistique en essaim où chaque chariot d'entrepôt porte une étiquette IoT ultra-basse consommation, diffusant en Bluetooth Low Energy le niveau d'urgence de son contenu, produit périssable, envoi pharmaceutique, pièce en flux tendu. Les robots captent ce signal et arbitrent entre urgence et distance pour choisir quel chariot servir, sans planificateur central. Validé en simulation puis sur robots et chariots réels face à une référence fondée sur la seule proximité, le système a fait passer le taux d'articles urgents servis en priorité de 0,41 à 0,64, pour un débit quasi inchangé (écart de 1,2%). En simulation, sur des configurations plus grandes, la latence de livraison au 95e percentile a reculé de 5,2 à 11,8% et l'alignement de priorité a progressé jusqu'à 51,6%. L'intérêt dépasse la prouesse technique. Les entrepôts qui ne peuvent justifier une automatisation fixe (convoyeurs, systèmes de stockage automatisés) ni une flotte pilotée par un logiciel de gestion centralisé s'appuient sur des essaims décentralisés, moins chers mais qui traitaient jusqu'ici tous les colis de façon égale. De simples étiquettes BLE, sans infrastructure supplémentaire ni couche logicielle de planification, permettent de faire remonter les priorités métier jusqu'aux robots eux-mêmes. Pour les intégrateurs et décideurs logistiques évaluant des flottes de robots mobiles autonomes, c'est un signal que la réactivité aux urgences n'exige pas forcément d'intégration lourde avec un WMS. Les gains mesurés sur matériel réel restent toutefois plus modestes que ceux de la simulation, et la baisse de latence n'est pas statistiquement significative, un écart classique entre promesse de recherche et validation à petite échelle. Cette approche s'inscrit dans la recherche en robotique en essaim pour l'entrepôt, un champ qui cherche des alternatives moins capitalistiques aux systèmes centralisés. Jusqu'ici, la gestion de l'urgence y reposait soit sur l'absence de différenciation entre colis, soit sur une couche logicielle externe chargée d'attribuer les priorités, ce qui recentralisait de facto la décision. En attachant l'urgence à l'objet transporté plutôt qu'à un planificateur, les auteurs préservent les faibles besoins en infrastructure qui rendent les essaims attractifs. La suite logique serait des essais réels à plus grande échelle, pour vérifier si les gains simulés se confirment au-delà du laboratoire.

Recherche❖Paper

1 source

42

196arXiv cs.RO 

« Coordination homme-robot sans apprentissage préalable grâce au raisonnement structuré des LLM face à des objectifs cachés »

Des chercheurs présentent une architecture structurée à base de grands modèles de langage (LLM) pour la coordination homme-robot en zero-shot, c'est-à-dire sans apprentissage préalable spécifique à la tâche, quand chaque partenaire ne dispose que d'une vue privée de l'objectif commun. Formalisée comme un Dec-POMDP (processus de décision markovien partiellement observable et décentralisé), l'architecture décompose la prise de décision en cinq étapes : inférence de théorie de l'esprit conditionnée à l'action, planification hiérarchique, interprétation de la conversation, vérification des actions, et replanification à partir des retours. Testée sur une tâche de construction coopérative où robot et humain ne voient chacun qu'une partie de l'objectif final, la méthode est comparée à deux références : une version sans le module de théorie de l'esprit, et une politique d'apprentissage par renforcement multi-agent entraînée hors ligne sur de nombreuses paires d'objectifs. Lors d'expériences avec des participants humains, la méthode complète a nécessité moins d'étapes d'interaction et obtenu de meilleures notes de confiance post-interaction que les deux références. Ces résultats intéressent directement la recherche en interaction homme-robot : ils suggèrent qu'un LLM peut servir de substitut praticable à des calculs d'inférence et de planification autrement intraitables, tout en conservant une couche de vérification classique pour garantir la faisabilité physique des actions. Le gain ne vient pas d'un modèle bout-en-bout mais d'une décomposition explicite du problème de décision d'équipe, où le LLM traite seulement les sous-tâches de raisonnement social et de langage. Pour les équipes travaillant sur des robots collaboratifs ou des tâches à information partagée incomplète, cela plaide pour des architectures modulaires plutôt que des politiques entraînées de bout en bout, coûteuses à généraliser à de nouveaux objectifs. Le travail s'inscrit dans la recherche sur la théorie de l'esprit computationnelle et la coordination multi-agents, un champ où les politiques de renforcement multi-agent peinent traditionnellement à généraliser en zero-shot à des objectifs ou partenaires inédits. En ancrant leur architecture dans le cadre théorique du Dec-POMDP, les auteurs la rattachent à des décennies de recherche en planification sous incertitude partagée. L'article ne mentionne aucun calendrier de déploiement industriel : il s'agit d'une preuve de concept en laboratoire, qui ouvre la voie à des tests sur des tâches physiques plus complexes et des équipes homme-robot élargies.

Recherche❖Paper

1 source

42

197arXiv cs.RO 

Curiosity-Diffuser : un modèle de diffusion guidé par la curiosité pour plus de fiabilité

Des chercheurs ont publié une version révisée (arXiv:2503.14833v2) de l'article "Curiosity-Diffuser: Curiosity Guide Diffusion Models for Reliability", qui propose une méthode pour réduire les hallucinations comportementales des politiques d'imitation basées sur des modèles de diffusion conditionnels, un cadre courant en commande robotique par apprentissage. Le mécanisme repose sur un module de curiosité de type Random Network Distillation (RND), qui évalue si le comportement généré s'écarte des données d'entraînement, puis guide la diffusion via un classifieur pour minimiser cette curiosité et limiter la surgénéralisation lors de l'inférence. Les auteurs introduisent aussi une métrique de fiabilité peu coûteuse en calcul, mesurant la similarité entre trajectoires générées et jeu de données d'origine. La méthode a été testée en simulation et lors d'expériences physiques sur plusieurs scénarios, avec un gain de performance et des comportements plus proches des démonstrations d'entraînement. Le code est disponible sur GitHub (CarlDegio/Curiosity-Diffuser). L'enjeu ici n'est pas la performance brute d'une tâche mais la fiabilité des politiques neuronales, point sensible pour tout déploiement robotique réel. Les modèles de diffusion et, plus largement, les architectures VLA séduisent par leur capacité à générer des trajectoires complexes, mais leur instabilité face à des situations hors distribution freine leur adoption industrielle: une hallucination comportementale sur un bras ou un robot mobile ne signifie pas seulement un échec de tâche, mais potentiellement un mouvement dangereux. En combinant un mécanisme de réduction du risque et une métrique standardisée pour le quantifier, ce travail s'attaque à l'écart entre démonstrations en laboratoire et robustesse en conditions réelles, un sujet que surveillent de près intégrateurs et responsables sécurité avant de valider des politiques d'apprentissage pour des applications critiques. Ce papier s'inscrit dans la lignée des diffusion policies, devenues une alternative populaire aux politiques d'imitation classiques en manipulation robotique, et dans le débat plus large sur la généralisation des modèles VLA à grande échelle. Il s'agit d'une contribution académique republiée en version révisée, sans association à un fabricant identifié dans l'article. Le code ouvert laisse la porte à une reprise par d'autres équipes de recherche, mais aucun calendrier de déploiement industriel n'est mentionné: à ce stade, un jalon méthodologique plutôt qu'une brique prête pour la production.

IA physique❖Paper

1 source

42

198arXiv cs.RO 

RORA : reconstruction réaliste d'objets articulés

Une équipe de recherche publie RORA (Realistic Object Reconstruction with Articulation), décrit dans un preprint arXiv daté du 6 août 2026 (2608.04842v1). Le système reconstruit des objets articulés simulables à partir d'une simple vidéo statique de l'objet, sans capture de son mouvement dynamique. Le pipeline combine deux représentations : le 3D Gaussian Splatting (3DGS) pour un rendu photoréaliste, et une géométrie maillée pour l'interaction physique. Concrètement, l'algorithme effectue une décomposition convexe de l'objet, propose un regroupement des parties à un utilisateur pour segmenter les pièces mobiles, puis lie les gaussiennes 3D aux éléments du maillage. Un « Automatic Joint Suggestion Algorithm » calcule ensuite des axes de jointure candidats à partir des géométries locales et les soumet à validation humaine. Les auteurs rapportent des résultats précis sur le jeu de données PartNet-Mobility-v0 ainsi que sur des objets réels, et démontrent une intégration dans Unreal Engine et NVIDIA Isaac Sim pour des tâches de manipulation dextre en temps réel. L'enjeu dépasse la simple démonstration technique : l'articulation reste un point de blocage connu des pipelines real-to-sim, les méthodes existantes de suivi de mouvement ou d'apprentissage échouant souvent sur des structures cinématiques complexes à plusieurs joints, et nécessitant en plus une capture du mouvement réel de l'objet, coûteuse à collecter. En ramenant l'entrée requise à une seule vidéo statique, RORA promet de réduire nettement le coût de constitution d'actifs simulables pour l'entraînement de politiques robotiques. Il faut toutefois noter que le processus reste « human-in-the-loop » : la segmentation et la validation des axes de jointure dépendent d'une intervention humaine, ce n'est donc pas une reconstruction entièrement automatique, contrairement à ce que le terme « end-to-end » pourrait laisser penser. Ce travail s'inscrit dans la lignée des efforts autour de NeRF et 3DGS pour combler l'écart sim-to-real, un axe déjà exploité par l'écosystème NVIDIA Isaac Sim. Le texte reste à ce stade un preprint arXiv, non encore relu par les pairs ; les prochaines étapes attendues concernent une validation plus large sur des objets réels et une éventuelle intégration outillée dans des chaînes de production d'actifs pour l'apprentissage robotique.

Recherche❖Paper

1 source

42

199arXiv cs.RO 

Retrouver dans le temps, corriger en fréquence

Publié le 6 août 2026 sur arXiv, RTCF (Retrieve in Time, Correct in Frequency) est une méthode qui corrige, sans aucun réentraînement, les politiques vision-langage-action (VLA) figées sujettes à des erreurs cumulées sur les tâches de manipulation longues. Elle sépare la récupération d'une expérience passée pertinente, via un alignement progressif de la mémoire visuelle avec des trajectoires réussies, de la correction proprement dite, limitée à un résidu basse fréquence sur les canaux de mouvement, la pince restant pilotée par la politique d'origine. Testée sur quatre suites LIBERO et 2000 épisodes par condition, elle fait passer le taux de réussite agrégé de 86,4% à 88,4%, et de 61,6% à 68,6% sur les tâches longues, pour une latence additionnelle de 10,99 ms par bloc d'action, calculée entièrement sur CPU. L'enjeu est la dérive d'exécution: une petite erreur en début de séquence longue se propage et fait échouer toute la tâche, un point faible connu des VLA malgré leurs bonnes performances sur tâches courtes. En ne corrigeant que les basses fréquences du mouvement, RTCF évite les deux écueils des méthodes existantes, à savoir des rappels de mémoire désynchronisés de la progression réelle, ou un rejeu qui écrase la réactivité de la politique. Pour des équipes qui déploient des VLA préentraînés sans vouloir les réentraîner, l'intérêt tient autant au gain de fiabilité sur les tâches longues qu'au coût de calcul quasi nul, la correction s'exécutant sur CPU en quelques millisecondes; le gain reste toutefois modeste en valeur absolue, deux points sur l'agrégat. LIBERO est un benchmark de simulation standard pour évaluer les politiques de manipulation robotique sur tâches courtes et longues, utilisé dans la littérature VLA récente aux côtés de modèles comme Pi-0 ou OpenVLA. RTCF s'inscrit dans une famille de corrections "test-time" qui améliorent des politiques figées sans toucher à leurs poids, une alternative moins coûteuse qu'un fine-tuning continu, en se distinguant par la séparation explicite entre alignement temporel et correction fréquentielle. Le résumé ne précise ni le modèle VLA de base utilisé pour les tests ni une validation au-delà de la simulation, deux éléments à surveiller avant d'envisager un transfert vers des déploiements réels.

Recherche❖Paper

1 source

41

200arXiv cs.RO 

GASP : planificateur sûr accéléré par GPU pour une génération de mouvement en temps réel consciente des collisions, avec échantillonnage de trajectoires latentes

Des chercheurs présentent GASP (GPU-Accelerated Safe Planner), un planificateur temps réel de trajectoires dans l'espace articulaire, conscient des collisions, pour environnements connus. L'architecture combine une paramétrisation par B-spline clampée avec un réseau convolutif résiduel qui prédit les points de contrôle intérieurs, complétés par des points de contrôle aux limites insérés analytiquement pour respecter les contraintes de dérivée initiale et finale. Un autoencodeur variationnel conditionnel échantillonne plusieurs trajectoires candidates, décodées et validées en parallèle sur GPU, pour un temps d'inférence proche de la milliseconde. GASP atteint des taux de réussite comparables aux méthodes analytiques tout en réduisant nettement le temps de calcul face à l'optimisation de trajectoire classique sur GPU. Déployé comme planificateur de réinitialisation dans un pipeline d'apprentissage par renforcement appliqué au tennis de table robotique compétitif, il égale le taux de retour de balle de la méthode de référence tout en réduisant d'environ moitié les collisions survenues pendant l'entraînement. Pour l'industrie robotique, l'enjeu est de lever un goulot d'étranglement classique : la planification de trajectoire évitant les collisions reste souvent trop lente pour un contrôle temps réel à haute fréquence, surtout pour des bras à plusieurs degrés de liberté couplés. En ramenant l'inférence à l'échelle de la milliseconde via l'échantillonnage parallèle sur GPU plutôt que la résolution d'une optimisation à chaque pas, GASP illustre une tendance de fond : remplacer l'optimisation itérative par des réseaux entraînés à en approximer la sortie. L'intérêt dépasse la vitesse : moins de collisions pendant l'entraînement réduit aussi le coût et la durée de l'apprentissage de politiques par renforcement. Le domaine s'appuie historiquement sur des méthodes d'optimisation comme CHOMP ou TrajOpt, ou des planificateurs par échantillonnage type RRT, coûteux en calcul dès que la dimension du problème augmente ; les versions récentes accélérées par GPU réduisent ce coût sans l'éliminer, d'où la comparaison directe faite dans l'article. En s'appuyant sur un CVAE plutôt qu'un réseau de prédiction unique, GASP mise sur la diversité de candidats plutôt qu'une trajectoire unique, une stratégie proche de travaux récents de diffusion de trajectoires. Publié sur arXiv sans relecture par les pairs ni mention de code source ouvert ou de partenaire industriel, l'article ne donne aucun calendrier de transfert vers une plateforme robotique commerciale ; la validation reste circonscrite aux tests articulaires décrits et à la tâche de tennis de table présentée.

Recherche❖Paper

1 source