Actualités robotique — page 44

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

42

2151Pandaily 

TARS lève 455 millions de dollars en pré-série A, un record dans l'IA incarnée en Chine

La start-up chinoise TARS, spécialisée en IA incarnée et robotique humanoïde, a bouclé un tour Pre-A de 455 millions de dollars (environ 3,3 milliards de yuans), record absolu pour un tour de table unique dans le secteur de l'IA incarnée en Chine. Largement sursouscrit, il a été codirigé par Hillhouse Ventures, HSG (ex-Sequoia China) et Meituan Strategic Investment, cornerstone stratégique, avec la participation de CICC Capital, Qiming Venture Partners, BlueRun Ventures, TCL Capital et Shoucheng Holdings (0697.HK, Hong Kong). Fait notable, le Beijing Robotics Industry Development Investment Fund et le Shanghai Guotou Pioneer Fund y participent, une première pour des fonds publics chinois dans ce secteur. Un an plus tôt, au deuxième trimestre 2025, TARS avait déjà levé 242 millions de dollars (1,75 milliard de yuans) en amorçage, alors plus gros "angel round" jamais réalisé en Chine dans l'IA incarnée. Ce doublé de records en douze mois illustre l'intensité de la course aux capitaux qui s'engage en Chine autour de la robotique humanoïde, les investisseurs concentrant leurs paris sur une poignée d'acteurs jugés capables de passer de la démonstration à des déploiements industriels réels. La diversité des souscripteurs, fonds financiers, corporate venture (Meituan, TCL), capital industriel et désormais capitaux publics, traduit une consolidation autour de quelques champions plutôt qu'une dispersion sur de nombreuses start-up. L'entrée de fonds liés au plan quinquennal chinois pour la robotique confirme que Pékin traite l'IA incarnée comme une priorité stratégique nationale, ce qui pourrait faciliter l'accès de TARS à des contrats publics et des sites d'essai. L'article ne fournit toutefois aucune métrique produit ni preuve de traction commerciale : à ce stade, c'est un signal financier fort, pas un déploiement vérifié. TARS s'inscrit dans la vague de jeunes pousses chinoises de robotique humanoïde apparue depuis 2024, aux côtés d'Unitree, d'AgiBot (Zhiyuan Robotics) ou d'UBTech, dans un marché où Pékin, Shanghai et Shenzhen rivalisent pour le statut de pôle national. Le communiqué, relayé par IPOzaozhidao, ne précise ni feuille de route produit ni calendrier de déploiement ou de prochain tour, laissant la conversion de ce capital en contrats industriels vérifiables comme prochaine étape à observer.

Chine/Asie❧Opinion

1 source

46

2152arXiv cs.RO 

N₀-Foundation : vers l'ère de l'intelligence tactile

Publiée sur arXiv en août 2026 (arXiv:2608.29601), N0-Foundation est une infrastructure complète pour la manipulation robotique par le toucher: un capteur tactile à base de vision, une interface universelle de manipulation (UMI) tactile, et un système de collecte synchronisée visuo-tactile compatible avec plusieurs types de robots. Elle a permis de constituer NeoData, plus de 30000 heures de démonstrations visuo-tactiles synchronisées couvrant six embodiments robotiques et 450 tâches, soit des milliards de paires d'images RGB et de signaux tactiles, collectées par téléopération réelle et via l'UMI. Un sous-ensemble de 5000 heures, OpenNeoData, est publié en accès libre, aux côtés de NeoForce, un modèle de représentation tactile transférable d'un capteur à un autre, et d'un benchmark combinant la suite réelle NeoReal et la suite simulée NeoSim. Le tactile demeure le maillon faible des modèles de manipulation actuels: la plupart des architectures vision-langage-action (VLA) déployées dans l'industrie s'appuient presque exclusivement sur la caméra et le langage, sans retour de force ou de contact fiable. Ce vide freine des tâches critiques pour l'industrie, comme la manipulation d'objets déformables, l'assemblage de précision, le contrôle fin de la force ou le maintien prolongé d'un contact de surface. Le résultat expérimental le plus notable est que les politiques progressent grâce à l'état de contact physique plutôt qu'à l'apparence propre à chaque capteur, ouvrant la voie à des représentations tactiles transférables d'un matériel à un autre et à une mutualisation des données entre laboratoires. Ce travail s'inscrit dans la course aux modèles fondation pour la manipulation, où des architectures comme GR00T N2, Pi-0 ou Helix, entraînées notamment sur des plateformes telles que Figure 03 ou Optimus Gen 3, restent surtout centrées sur la vision. En publiant simultanément le jeu de données, le modèle de représentation et le protocole d'évaluation, les auteurs cherchent à établir le tactile comme modalité standardisée et comparable, sur le modèle de ce qu'a été ImageNet pour la vision. Il s'agit à ce stade d'une publication de recherche assortie d'un jeu de données ouvert, non d'un produit commercial ni d'un déploiement industriel: aucun pilote ni calendrier d'intégration n'est annoncé. Aucun acteur français ou européen comme Wandercraft, Exotec, Pollen Robotics ou Enchanted Tools n'apparaît dans ces travaux.

Recherche❖Paper

1 source

44

2153arXiv cs.RO 

RoboPhys-3D : évaluation complète des modèles du monde incarnés par reconstruction 3D

Une équipe de recherche présente RoboPhys-3D, un benchmark d'évaluation pour les world models vidéo embarqués (embodied world models, EWM), construit sur RoboTwin 2.0. Il couvre 50 tâches de manipulation réparties en quatre régimes, avec 5 000 épisodes et 25 000 vidéos multi-vues de référence. Particularité du protocole : les vidéos générées et les vidéos de référence passent par le même pipeline de reconstruction 3D, ce qui permet de distinguer l'erreur due à la reconstruction de celle due à la génération elle-même. Le benchmark organise 50 métriques en 18 sous-dimensions réparties sur quatre niveaux : fidélité au pixel, cohérence géométrique 3D, compréhension de l'état de la scène et complétude de la tâche. Deux scores composites en découlent : l'Average Full Score, qui moyenne les 50 métriques, et le RoboPhyscore, centré sur les métriques les plus corrélées au succès réel de la tâche. Sur quatre world models vidéo testés, Cosmos 3 obtient le meilleur RoboPhyscore (0,6330, soit 92,7% du score de référence), et ce score affiche une forte corrélation avec l'évaluation humaine (Pearson r = 0,9761, Spearman rho = 0,8962). Ce travail comble un angle mort de l'évaluation des world models pour la robotique : la plupart des benchmarks existants jugent la qualité visuelle ou sémantique des vidéos générées via des juges perceptuels ou des modèles vision-langage, sans vérifier si la scène 3D reste physiquement exploitable pour piloter un robot. Or les métriques ancrées dans l'état de la scène et dans l'exécutabilité des actions révèlent des échecs substantiels que ces jugements perceptuels ou VLM ne détectent pas, un écart classique entre qualité d'image perçue et utilité réelle pour la planification. Pour les équipes qui exploitent des world models comme moteurs de données synthétiques, planificateurs d'actions ou simulateurs, cela signale qu'un bon score de fidélité visuelle ne garantit pas un rollout exploitable en aval. La forte corrélation du RoboPhyscore avec le jugement humain suggère en revanche qu'une métrique compacte et ancrée dans l'exécution pourrait remplacer une évaluation humaine coûteuse à grande échelle. Ce besoin découle de l'absence, jusqu'ici, d'un standard 3D unifié pour vérifier si un rollout généré préserve l'état réel de la scène, les benchmarks EWM existants restant majoritairement 2D ou basés sur des scores subjectifs. RoboPhys-3D positionne Cosmos 3, la gamme de world models vidéo de NVIDIA, comme la plus performante parmi les quatre testées, sans détailler ici les trois autres modèles comparés ni de calendrier de déploiement industriel : il s'agit d'un travail de recherche en évaluation (preprint arXiv 2608.28718v1), pas d'une annonce produit. Il s'inscrit dans une dynamique plus large où les world models vidéo sont de plus en plus proposés comme substituts à la simulation physique classique pour entraîner des politiques de manipulation robotique, et la publication de ce protocole ouvre la voie à des comparaisons plus rigoureuses à mesure que de nouvelles versions de ces modèles sortiront.

Recherche❖Paper

1 source

43

2154arXiv cs.RO 

D4orm : trajectoires multi-robots par déformations débruitées avec diffusion tenant compte de la dynamique

Le laboratoire Prorok de l'université de Cambridge a publié une nouvelle version (v3) de son article arXiv 2503.12204, présentant D4orm, une méthode de génération de trajectoires multi-robots sans collision et physiquement réalisables. Contrairement aux approches par apprentissage, D4orm ne comporte aucune composante entraînée : elle débruite itérativement des trajectoires bruitées à la manière d'un modèle de diffusion, en s'appuyant uniquement sur un modèle dynamique du robot pour simuler des trajectoires faisables et sur une fonction de fitness guidée par approximation de gradient Monte Carlo. Testée sur des équipes de robots à roues différentielles et holonomes allant jusqu'à 16 unités en 2D et 3D, elle va près de deux fois plus vite que MPPI, une référence d'optimisation boîte noire, sur un cas holonome 2D à 16 robots. Les chercheurs ont aussi déployé les trajectoires calculées en zero-shot, sans réentraînement, sur huit drones multirotors réels, et publié le code et une vidéo sur GitHub (proroklab/d4orm). Pour les intégrateurs de flottes de robots (entrepôts, essaims de drones), la démonstration montre qu'une optimisation sans apprentissage ni données d'entraînement peut égaler, voire dépasser, des baselines établies comme MPPI en coordination multi-agents, tout en tirant parti du calcul GPU parallèle pour un raffinage en temps réel. Le déploiement zero-shot sur huit drones physiques répond à une critique récurrente du secteur, l'écart persistant entre simulation et réalité en planification multi-robots : la méthode a fonctionné sans étape d'adaptation supplémentaire. Cela positionne D4orm comme alternative légère aux pipelines d'apprentissage lourds, pour des usages où robustesse et vitesse priment sur la généralisation apprise. La méthode s'inscrit dans un mouvement plus large qui détourne les modèles de diffusion, popularisés en génération d'images, vers la planification robotique, déjà explorée pour des bras manipulateurs uniques et la conduite autonome. Le préfixe arXiv 2503 indique une soumission initiale en mars 2025, cette version 3 étant une révision de l'article d'origine. Il s'agit d'une publication académique en open source, pas d'un produit commercial : aucun partenaire industriel ni calendrier de commercialisation n'est annoncé. Les suites plausibles, non confirmées par les auteurs, porteraient sur l'extension à des flottes plus nombreuses et à des dynamiques hybrides combinant robots terrestres et aériens.

Recherche❖Paper

1 source

43

2155arXiv cs.RO 

LightNav-0 : révéler l'intelligence spatiale des VLM pour la navigation incarnée généraliste

Publié sur arXiv le 30 août 2026 (référence 2608.30935), LightNav-0 est un modèle compact et généraliste de navigation robotique qui exploite directement les capacités spatiales des modèles vision-langage pré-entraînés, sans tête de prédiction propre à chaque tâche. Il unifie suivi d'instructions, navigation vers un objet en vocabulaire ouvert et suivi visuel via un pointage spatial à double canal, converti en trajectoires par un tokenizer d'action à quantification vectorielle résiduelle propre à chaque robot. Entraîné sur plus de 2 000 scènes et 4 000 heures de données, via un pré-entraînement au raisonnement embarqué (checkpoint LightNav-ER), un fine-tuning supervisé puis du renforcement, il revendique la meilleure moyenne sur 8 benchmarks de raisonnement embarqué et des scores état de l'art en monoculaire sur les 10 environnements de simulation testés, avec généralisation zero-shot en conditions réelles sur plusieurs robots. Cette approche compte car elle traite la navigation comme une capacité transférable plutôt qu'un empilement de modules dédiés par tâche et par robot, une fragmentation qui limite aujourd'hui la portabilité entre plateformes. En s'appuyant sur un VLM générique, LightNav-0 rejoint la tendance des modèles vision-langage-action comme Pi-0 ou GR00T N2, qui visent à unifier perception, raisonnement et contrôle moteur. Pour les intégrateurs, l'intérêt tient à la promesse d'un backbone unique redéployable sur des robots variés sans réentraînement complet. Il s'agit toutefois à ce stade d'un résultat de recherche en preprint, mesuré sur benchmarks et en simulation, non d'un produit commercialisé. LightNav-0 s'inscrit dans la course aux modèles de fondation généralistes pour la robotique, aux côtés de systèmes VLA comme Pi-0 (Physical Intelligence), GR00T N2 (NVIDIA) ou Helix (Figure AI), tous conçus pour transférer une même intelligence spatiale à plusieurs tâches et plateformes. L'article ne mentionne aucune affiliation industrielle, aucun partenaire de déploiement ni acteur français ou européen. Les auteurs présentent leurs résultats comme une preuve que des VLM compacts peuvent servir de socle transférable pour la navigation embarquée généraliste, sans annoncer de calendrier de déploiement commercial au-delà des essais réels décrits dans l'étude.

IA physique⚡Actu

1 source

43

2156arXiv cs.RO 

Behavior-Skill : un benchmark détaillé pour évaluer les politiques VLA dans des tâches à long horizon

Des chercheurs associés au laboratoire NuBot de la National University of Defense Technology (NUDT), en Chine, ont publié en aout 2026 sur arXiv un article présentant Behavior-Skill, un benchmark destine a évaluer les politiques vision-langage-action (VLA) sur des taches ménagères a long horizon. Le jeu de données comprend 235 492 instances de compétences élémentaires issues de 10 000 démonstrations, reparties sur 50 taches domestiques et 34 catégories sémantiques de compétences (saisir, verser, ouvrir un tiroir, etc.). Chaque instance associe une instruction de compétence a un segment observation-action aligne, avec un état intermédiaire restaurable et une condition de réussite propre, ce qui permet d'évaluer chaque sous-compétence indépendamment plutôt que de se limiter au succès global de la tache. Les auteurs ont teste sur l'ensemble des 50 taches deux politiques VLA représentatives, pi0.5 (Physical Intelligence) et GR00T (famille de modèles de NVIDIA), en mesurant des métriques a la fois au niveau trajectoire et au niveau compétence. Le code et les données sont disponibles publiquement sur GitHub, sous nubot-nudt/Behavior-Skill. Pour l'industrie de la robotique mobile et humanoïde, ce travail met en lumière un angle mort connu mais rarement quantifie: le score de réussite global d'une tache masque ou et pourquoi une politique échoue réellement. Les résultats montrent des taux d'échec très inégaux selon les compétences, la manipulation a contact riche (saisir des objets déformables, manipuler des poignées, ajuster une prise) formant un goulot d'étranglement persistant, même pour des modèles réputés généralistes comme pi0.5 ou GR00T. Pour des intégrateurs ou décideurs qui évaluent une pile VLA avant déploiement, cela confirme qu'une démonstration réussie sur une tache complète ne garantit pas la robustesse des briques sous-jacentes, et qu'un audit fin par compétence devient nécessaire avant de valider un cas d'usage industriel. Ce benchmark s'inscrit dans une lignée d'évaluations pour la manipulation mobile a long horizon qui, jusqu'ici, reposaient presque exclusivement sur des rollouts de tache complète et des métriques agrégées, rendant les échecs intermédiaires difficiles a observer et a diagnostiquer. En proposant une décomposition fine par compétence, Behavior-Skill se positionne comme un complément, et non un remplacement, des benchmarks de bout en bout existants, dans un paysage ou pi0.5 et GR00T comptent parmi les références les plus citées pour les politiques VLA généralistes. Les auteurs invitent la communauté a s'appuyer sur cette base pour diagnostiquer et améliorer les politiques existantes, sans annoncer a ce stade de déploiement industriel ni de suite commerciale au-delà de la publication du benchmark et de son code source.

Recherche❖Paper

1 source

42

2157arXiv cs.RO 

GHOST dans les robots : téléopération VR duale exocentrique en temps réel via caméras embarquées

Des chercheurs du laboratoire H2R (Humans to Robots Lab) présentent GHOST, un système de téléopération en réalité virtuelle permettant a un seul opérateur de piloter simultanément deux robots manipulateurs mobiles en s'appuyant uniquement sur les cameras RGB-D embarquées, sans capteurs externes ni salle de motion capture. Publie sur arXiv en aout 2026 sous la référence arXiv:2608.29080, le système construit un espace de travail 3D exocentrique en fusionnant en temps réel les nuages de points issus des deux robots, complète par un modèle d'apprentissage qui comble les zones non couvertes par les cameras pour améliorer la conscience spatiale de l'opérateur. Une architecture de changement de mode permet de commander un seul robot ou les deux a la fois, via des commandes bas niveau directes. Les tests menés auprès de 15 participants novices montrent un taux de réussite 1,6 a 4 fois supérieur a celui obtenu avec une interface tablette du commerce. Chez des opérateurs experts, sur neuf taches complexes impliquant deux robots, GHOST a permis de mener a bien deux taches jugées infaisables avec la tablette, et s'est révèle en moyenne 1,47 fois plus rapide. Le code et une démonstration sont publies en open source sur h2r.github.io/GHOST. Ce travail s'attaque a un goulot d'étranglement concret pour l'industrie: la téléopération multi-robots exige aujourd'hui plusieurs opérateurs, des couches d'autonomie partielle, ou des commandes de haut niveau qui sacrifient la précision. En démontrant qu'un seul humain peut piloter deux bras et deux bases mobiles en direct via de simples cameras embarquées, sans infrastructure de capture de mouvement couteuse, GHOST réduit le cout matériel et logistique de la téléopération coordonnée, un enjeu central pour les intégrateurs qui cherchent a collecter des données de démonstration destinées a entrainer des modèles vision-langage-action comme Pi-0 ou GR00T N2, ou pour des taches industrielles nécessitant une coordination bimanuelle entre deux plateformes. Les gains mesures, jusqu'a 4x sur le taux de réussite face a une tablette, restent toutefois obtenus en environnement de laboratoire contrôle avec un nombre limite de participants, et demandent confirmation a plus grande échelle avant toute généralisation. GHOST s'inscrit dans une lignée de travaux sur la téléopération VR de bras manipulateurs, méthode devenue centrale pour la collecte de données d'apprentissage par imitation, a mesure que des laboratoires et startups comme Figure AI (Helix), 1X, Physical Intelligence (Pi-0) ou NVIDIA (GR00T N2) cherchent a entrainer des modèles généralistes pour robots humanoïdes. La plupart des systèmes existants se limitent a un seul robot ou reposent sur des vues égocentriques figées, ce qui complique la coordination entre plateformes. En publiant son code, l'équipe H2R contraste avec l'opacité habituelle des pipelines de téléopération propriétaires des acteurs commerciaux de l'humanoïde. Aucun calendrier de déploiement industriel n'est évoque: GHOST reste, a ce stade, un prototype de recherche académique valide expérimentalement, non un produit commercialise.

Recherche❖Paper

1 source

42

2158arXiv cs.RO 

CometVLA : co-entraînement sur une pyramide de données incarnées pour la compréhension physique

Un article publié sur arXiv (2608.30289v1) fin août 2026 présente CometVLA, un nouveau modèle vision-langage-action (VLA) pour la manipulation robotique. Le constat de départ : les jeux de données de question-réponse visuelle (VQA) physique sont désincarnés, mal alignés avec les données d'action réelles des robots, et les vidéos égocentriques ne servent qu'à un pré-entraînement auxiliaire, sans preuve claire que la compréhension physique du VLM améliore la génération d'actions en aval. Les auteurs construisent donc CometData et CometBench, un corpus et un benchmark de VQA physique alignés sur l'embodiment et les données d'action du robot, puis introduisent les "Global Action Prior" (GAP), des tokens formant un goulot d'étranglement appris qui isole les régularités de mouvement indépendantes de la tâche pour nourrir la tête d'action sans corrompre le backbone VLM pré-entraîné. Co-entraîné sur une "pyramide de données incarnées" (téléopération, simulation, trajectoires égocentriques, VQA), CometVLA surpasse de façon constante des baselines VLA solides sur des tâches de manipulation réelle et sur le simulateur RoboTwin. Le résultat clé est une corrélation directe entre les scores sur CometBench et le taux de succès en manipulation réelle : la compréhension physique du VLM se traduit en de meilleures actions, et non en un simple gain cosmétique sur des benchmarks de langage déconnectés du terrain. Pour les laboratoires et intégrateurs qui bâtissent des modèles fondation pour la manipulation, ce travail suggère que l'alignement strict entre données perception-langage et données d'action pèse plus lourd que le volume de VQA générique ajouté au pré-entraînement, une piste transposable à des architectures comme Pi-0, GR00T ou Helix. Ce travail prolonge la lignée des VLA qui, depuis RT-2 et OpenVLA, cherchent à fusionner compréhension visuelle et génération de mouvements, avec pour écueil récurrent la désynchronisation entre corpus de pré-entraînement et données de téléopération réelles. En s'appuyant sur RoboTwin, benchmark de simulation déjà établi pour la manipulation bimanuelle, et en publiant CometData et CometBench comme ressources réutilisables, les auteurs présentent CometVLA comme une contribution de recherche méthodologique, sans déploiement industriel, partenaire intégrateur ni date de mise sur le marché annoncés. La suite logique serait une extension à d'autres embodiments et une validation indépendante avant toute adoption commerciale.

IA physique⚡Actu

1 source

42

2159arXiv cs.RO 

AdaVLA : accélération sans entraînement des modèles vision-langage-action par flow matching adaptatif

Des chercheurs ont publié fin août 2026 sur arXiv (référence 2608.29208v1) une méthode d'accélération sans réentraînement pour les modèles Vision-Language-Action (VLA) reposant sur le flow matching, baptisée AdaVLA. Les VLA, construits à partir de modèles vision-langage (VLM), souffrent d'un coût de calcul élevé qui freine leur déploiement embarqué et empêche des réponses en temps réel aux changements d'environnement. Contrairement aux techniques d'accélération existantes, qui nécessitent souvent un fine-tuning ou un accès aux données d'entraînement, rarement disponibles pour des raisons de confidentialité ou de propriété industrielle, AdaVLA fonctionne en ligne et sans données d'entraînement. La méthode introduit une métrique dérivée de la courbure de la trajectoire de flow matching pour estimer la confiance du modèle dans la génération d'action à chaque étape d'inférence. Cette métrique permet de réduire dynamiquement le nombre d'étapes d'inférence et d'ajuster le taux d'élagage des couches MLP via une évaluation d'importance calculée efficacement. Testée sur le benchmark LIBERO avec un module embarqué Jetson AGX Orin, la méthode obtient une accélération de 1,87x pour le modèle pi-0.5 et de 2,24x pour X-VLA, avec une dégradation jugée négligeable des taux de réussite des tâches. Les auteurs indiquent avoir aussi validé la robustesse de leur approche sur des tâches robotiques réelles avec SmolVLA, un modèle VLA compact développé par Hugging Face. Pour les intégrateurs et les équipes robotique, ce travail cible un goulot d'étranglement précis et jusqu'ici peu traité : la plupart des efforts d'accélération des VLA portent sur le coût d'inférence du VLM, la partie perception et raisonnement, et non sur le processus itératif de résolution d'équation différentielle propre au flow matching, qui génère les actions du robot. Si ces résultats se confirment à plus grande échelle, une méthode sans réentraînement ni accès aux données change la donne pour le déploiement en production, car elle peut s'appliquer à des modèles propriétaires sans toucher au pipeline d'entraînement, un frein courant chez les fournisseurs commerciaux de VLA. Cela conforte aussi l'idée que le flow matching, déjà présenté comme alternative plus légère aux modèles de diffusion classiques pour le contrôle robotique, peut être compressé davantage sans réentraînement lourd, un argument clé pour l'embarqué face aux contraintes de latence et d'énergie des humanoïdes et bras robotiques actuels. AdaVLA s'inscrit dans la vague de modèles VLA apparue avec des architectures comme pi-0 et sa variante pi-0.5, développées par Physical Intelligence, X-VLA, ou SmolVLA, conçu par Hugging Face, qui exploitent des VLM pré-entraînés à l'échelle d'internet pour doter les robots de capacités de raisonnement multimodal. Le flow matching s'est imposé ces derniers mois comme alternative aux processus de diffusion standards pour générer des trajectoires d'action, mais restait coûteux en inférence du fait des multiples étapes de résolution ODE. L'article, encore un simple dépôt arXiv non revu par les pairs à ce stade, ne précise ni calendrier d'intégration industrielle ni partenariat annoncé avec un fabricant de robots, et ses résultats reposent sur un seul jeu de benchmarks simulés complété par des essais réels limités sur SmolVLA. La suite logique, non détaillée dans le résumé des auteurs, serait une validation sur des VLA plus volumineux ou multi-tâches et sur du matériel robotique commercial plus large que le seul Jetson AGX Orin utilisé pour les tests.

IA physique❧Opinion

1 source

41

2160arXiv cs.RO 

TriPilot-FF : téléopération coordonnée du corps entier avec retour de force

Des chercheurs publient TriPilot-FF, un système de téléopération open-source pour manipulateurs mobiles bimanuels, décrit dans un article déposé sur arXiv (2602.09888v2). Sur une base mobile à roues équipée de deux bras, une pédale au pied couplée à un lidar embarqué bas coût mesure la proximité des obstacles et renvoie un retour de force résistif qui oriente l'opérateur vers des trajectoires évitant les collisions, sans contrôleur d'évitement dédié ; le haut du corps est piloté par une téléopération bimanuelle "leader-follower" avec retour de force sur les bras et un guidage de la manipulabilité indiquant quand repositionner la base. Les auteurs ont mené des essais réels sur des tâches longues exigeant une coordination fine base-bras, puis intégré ces signaux dans une politique d'imitation Action Chunking with Transformers (ACT), avec des gains de performance mesurés ; pédale et pile logicielle complète sont publiées en open source via une page projet. Cette contribution cible un angle mort de la téléopération robotique : les interfaces existantes, contrôleurs VR et joysticks, restent centrées sur les mains, laissant le contrôle continu de la base peu instrumenté. En déportant une partie du contrôle vers le pied via un retour haptique dérivé d'un lidar bon marché, TriPilot-FF libère les mains pour la manipulation fine tout en réduisant le risque de collision, un problème récurrent des manipulateurs mobiles bimanuels où l'opérateur doit jongler entre navigation et contact. Pour les équipes qui entraînent des politiques d'imitation ou de type VLA, le résultat le plus notable est méthodologique : coupler les signaux de force et de manipulabilité à une architecture ACT améliore la politique apprise, ce qui suggère que la richesse des démonstrations téléopérées pèse directement sur la robustesse des modèles en aval. Le travail prolonge les systèmes de téléopération leader-follower popularisés pour la collecte de démonstrations sur bras bimanuels fixes, ici étendus à une base mobile, terrain moins exploré où la coordination base-bras complique la tâche de l'opérateur. Aucun acteur commercial n'est mentionné : il s'agit d'une contribution de recherche publiée sur arXiv en version révisée, code et conception matérielle ouverts à la réplication par d'autres laboratoires. L'article ne précise ni affiliation institutionnelle des auteurs ni feuille de route au-delà de la mise à disposition du dispositif et de la pile logicielle.

Recherche❖Paper

1 source

40

2161arXiv cs.RO 

SMILE : un mouvement fluide pour améliorer l'exécution VLA sur les tâches longues

Une équipe de recherche publie sur arXiv (papier 2608.29432v1, catégorie "new") un travail intitulé SMILE, pour Smooth Motion for Improved Long-Horizon VLA Execution. Les modèles vision-langage-action (VLA) réduisent le coût d'inférence en exécutant plusieurs actions par appel du modèle, mais les chunks d'actions bruts contiennent du jitter et des valeurs aberrantes qui dégradent la précision sur les horizons longs. SMILE propose une interface qui préserve l'architecture existante : elle fait prédire au modèle des coefficients de spline B-spline, ensuite décodés en séquences d'actions lissées, sans toucher au backbone ni à la taille du modèle. Les auteurs l'appliquent à quatre modèles de référence, SmolVLA, Evo1, VPP et DAWN, et les testent sur les bancs d'essai LIBERO et CALVIN ainsi qu'en conditions réelles sur un bras robotique xArm. Les chiffres rapportés : SMILE-Evo1 atteint 98,0% de réussite sur LIBERO avec une accélération d'inférence de 1,1x ; SMILE-VPP atteint une longueur moyenne de tâche de 4,42 sur CALVIN avec un gain de 1,5x ; à horizon d'exécution égal (10), SMILE-SmolVLA réduit l'accélération hors limites de 78,6% et le taux de changement de signe de la vitesse de 42,3%. Sur xArm, les tests réels montrent plus de succès, moins de chutes d'objets et moins de contacts non désirés. L'intérêt pour l'industrie robotique tient au fait que SMILE ne propose pas un nouveau modèle fondation mais une simple représentation d'action alternative, réutilisable sur des politiques VLA existantes sans réentraînement complet ni changement d'échelle. Cela s'attaque directement à un compromis central pour le déploiement industriel des VLA : exécuter plusieurs actions par inférence fait gagner en vitesse mais coûte en précision, un problème critique pour tout intégrateur cherchant à faire tourner ces modèles en production plutôt qu'en démonstration contrôlée. Le gain simultané en efficacité et en fiabilité, avec moins de chutes et de contacts en conditions réelles, va dans le sens d'une meilleure exploitabilité concrète des politiques génératives à long horizon, un point encore fragile dans le secteur. Il s'agit toutefois d'un article de recherche académique déposé sur arXiv, pas d'un produit commercialisé ni d'un déploiement industriel annoncé. Les modèles de comparaison utilisés (SmolVLA, Evo1, VPP, DAWN) sont des bases de recherche open, pas les grands modèles VLA propriétaires du secteur. Les auteurs mettent à disposition une page projet (jongwoopark7978.github.io/smilevla), signe d'une volonté de reproductibilité, mais aucun calendrier de pilote industriel ni de partenariat n'est mentionné à ce stade.

IA physique⚡Actu

1 source

39

2162arXiv cs.RO 

Planification certifiée par échantillonnage à l'aide de graphes d'ensembles convexes

Des chercheurs publient sur arXiv (référence 2608.29770v1) la première mesure chiffrée d'un écart resté largement ignoré dans la planification de trajectoire par graphes d'ensembles convexes (GCS), une famille de planificateurs réputés produire des trajectoires sans collision "par construction". Le problème: le générateur de régions convexes sous-jacent ne garantit cette absence de collision que de façon probabiliste, et aucun planificateur GCS existant ne vérifie réellement cette propriété avant de livrer sa réponse. Sur une bibliothèque bimanuelle à 14 degrés de liberté (DOF) mise à l'échelle, les auteurs mesurent que 3,2 % des échantillons d'interface entre régions sont en réalité en collision. Le planificateur de référence testé, GCS* (approche par recherche), transforme cette erreur de volume en 62 % d'erreur de réponse: 18 des 29 requêtes de pick-and-place évaluées retournent des trajectoires faisant pénétrer les bras jusqu'à 91 mm dans les étagères, tout en étant rapportées comme des succès. Ce résultat met en défaut une hypothèse de confort répandue dans la planification de mouvement robotique, celle voulant que les garanties théoriques "correct par construction" des GCS se traduisent automatiquement en fiabilité opérationnelle. Pour des intégrateurs déployant des bras robotiques en environnement encombré (entrepôt, cellule industrielle, picking bimanuel), cela signale un risque concret de collisions silencieuses, d'autant plus critique que l'espace de configuration est dense avec deux bras. Les correctifs évidents échouent: durcir dix fois le contrat d'acceptation des régions, générer des régions certifiées par sommes de carrés, ou imposer des marges uniformes, détruisent tous la connectivité nécessaire à la planification avant même d'obtenir une garantie de solidité, révélant une tension structurelle entre sécurité et faisabilité dans cette famille d'algorithmes. Face à ce constat, les auteurs proposent un planificateur qui certifie chaque réponse plutôt que de faire confiance à la génération de régions en amont: il échantillonne les recouvrements et faces partagées de la décomposition convexe, élague la recherche via une borne informée admissible, vérifie en continu le candidat proposé à chaque tour par une chaîne de certificats de dégagement sans paramètre de résolution arbitraire, répare les échecs par des détours locaux internes aux régions, puis revérifie le polissage convexe final. Sur les mêmes 29 requêtes, ce planificateur ne produit aucune réponse invalide, contre 21 pour la référence, atteint sa première réponse certifiée en 0,11 seconde contre 1,59 seconde pour la version non vérifiée, et reproduit exactement l'optimum de référence chaque fois que celui-ci est physiquement valide. L'article, un pré-print de recherche sans affiliation industrielle précisée, ne mentionne ni calendrier de déploiement ni partenaire commercial.

Recherche❖Paper

1 source

39

2163arXiv cs.RO 

Détection des échecs par incertitude épistémique basée sur la perturbation dans les modèles vision-langage-action

Les chercheurs à l'origine de l'article "Perturbation-Based Epistemic Uncertainty for Failure Detection in Vision-Language-Action Models" (arXiv:2606.20754v2) présentent une nouvelle méthode baptisée PFD (Perturbation-based Failure Detection), destinée à détecter les échecs des modèles Vision-Language-Action (VLA) en robotique manipulatrice. Le problème adressé : la plupart des VLA récents génèrent des actions continues par régression ou génération par flux, sans probabilités prédictives explicites, ce qui rend la quantification d'incertitude difficile, en particulier lors d'un décalage de distribution (distribution shift) entre entraînement et déploiement réel. PFD fonctionne sans entraînement supplémentaire : la méthode injecte des perturbations aléatoires de faible rang dans certaines matrices de poids des transformeurs du modèle, puis mesure le désaccord entre les prédictions d'action obtenues sous ces perturbations pour estimer l'incertitude épistémique. Sur le benchmark LIBERO-PRO, PFD obtient le meilleur AUROC moyen et la meilleure précision équilibrée parmi les méthodes comparées, et surpasse systématiquement l'échantillonnage stochastique d'actions face aux changements de distribution. Des expériences sur robot réel confirment un signal de détection d'échec compétitif face à un décalage d'objet inédit (unseen object shift). Pour les intégrateurs et décideurs déployant des VLA en production, ce travail s'attaque à un angle mort critique : ces modèles peuvent échouer silencieusement face à des situations hors distribution, sans mécanisme fiable pour le signaler avant l'exécution d'une action erronée. La méthode PFD prouve qu'une estimation d'incertitude au niveau du modèle (plutôt que de la seule variabilité de génération d'action) capture mieux les cas d'échec réels, ce qui pourrait alimenter des mécanismes d'arrêt de sécurité ou de repli humain dans des déploiements industriels de robots manipulateurs pilotés par VLA. C'est aussi un argument contre l'idée reçue que l'échantillonnage stochastique suffit à quantifier le risque d'un modèle VLA en conditions réelles. Ce travail s'inscrit dans la lignée des perspectives bayésiennes sur les variations locales de modèles, appliquées ici aux architectures VLA modernes (comme Pi-0 ou GR00T N2, qui reposent sur des mécanismes de régression ou de génération par flux plutôt que sur une génération autorégressive classique). Il se positionne face aux méthodes existantes de quantification d'incertitude par échantillonnage stochastique, jugées insuffisantes sous décalage de distribution. L'article, une version révisée (v2) publiée sur arXiv, ne précise pas de calendrier de déploiement commercial ni de partenariat industriel ; il s'agit à ce stade d'une contribution de recherche validée par des tests en simulation (LIBERO-PRO) et en conditions réelles limitées, sans indication de mise à l'échelle ou d'intégration dans un produit VLA commercialisé.

Recherche❖Paper

1 source

39

2164arXiv cs.RO 

Scale-Plan : planification de tâches par le langage pour équipes multi-robots hétérogènes, à grande échelle

Le Honda Research Institute a publié sur arXiv une version révisée (v2, arXiv:2603.08814) de Scale-Plan, un système de planification de tâches à long horizon pour des équipes de robots hétérogènes. Face aux planificateurs symboliques classiques, qui exigent des spécifications construites à la main, et aux approches par grands modèles de langage, sujettes aux hallucinations et à un mauvais ancrage dans des environnements riches en objets, la méthode filtre l'information perceptuelle avant de planifier. À partir d'une spécification de domaine au format PDDL, Scale-Plan construit un graphe d'actions représentant la structure du domaine, puis utilise un raisonnement LLM volontairement superficiel pour guider une recherche structurée qui isole le sous-ensemble minimal d'actions et d'objets pertinents pour l'instruction donnée en langage naturel. Les auteurs introduisent aussi MAT2-THOR, un benchmark nettoyé bâti sur le simulateur AI2-THOR, destiné à évaluer de façon fiable les systèmes de planification multi-robot. L'enjeu est concret pour les intégrateurs de flottes hétérogènes : plus le nombre d'objets et d'agents croît, plus les planificateurs symboliques deviennent lourds à construire manuellement, tandis que les approches purement LLM perdent en fiabilité en inventant des actions ou des objets absents de l'environnement réel. En réduisant le problème à un sous-graphe minimal avant la décomposition des tâches, l'allocation entre robots et la génération de plans longs, Scale-Plan vise à combiner la robustesse du raisonnement symbolique et la flexibilité du langage naturel. Sur des tâches multi-agents complexes, la méthode dépasse les bases purement LLM et les approches hybrides LLM-PDDL sur l'ensemble des métriques rapportées, ce qui suggère que le goulot d'étranglement des architectures associant LLM et robotique tient moins à la puissance du modèle de langage qu'au volume de contexte non pertinent qu'on lui soumet. Il s'agit à ce stade d'une publication de recherche et non d'un produit déployé : aucun robot physique, aucune charge utile, degré de liberté ou temps de cycle n'est mentionné, le travail portant sur la couche de planification de tâches plutôt que sur le contrôle bas niveau, à la différence de politiques de manipulation comme Pi-0 ou GR00T N2. Le code est publié sur le dépôt GitHub honda-research-institute/Scale_Plan, permettant une reproduction indépendante des résultats. L'article ne précise ni partenaire industriel ni calendrier de déploiement ; les auteurs indiquent vouloir étendre le benchmark MAT2-THOR et valider l'approche sur des tâches multi-robots encore plus complexes.

Recherche❖Paper

1 source

39

2165arXiv cs.RO 

Relier sémantique et physique : des LLM contraints pour une manipulation robotique sûre et fiable

Des chercheurs présentent un système qui relie raisonnement en langage naturel et exécution physique sûre pour la manipulation robotique, décrit dans un article publié le 29 août 2026 sur arXiv (2608.29379v1). Le pipeline part d'observations RGB-D pour construire un modèle de scène explicite tenant compte des collisions, puis contraint les décisions d'un grand modèle de langage via des appels d'outils validés par schéma selon le Model Context Protocol (MCP), rejetant les commandes mal formées avant qu'elles n'atteignent le robot. Chaque appel validé est ensuite traduit de façon déterministe dans un pipeline MoveIt Task Constructor, où les mouvements candidats sont vérifiés contre la scène reconstruite avant exécution, une étape de type "vérifier puis agir". Testé sur un bras robotique physique UFactory 850, le système atteint jusqu'à 80% de réussite sur dix essais par tâche pour des opérations de versement impliquant liquides, matières granulaires et solides discrets, et 90% de réussite sur une tâche de saisie-et-dépose avec la même architecture. L'intérêt de ces travaux tient à la démonstration chiffrée d'un problème bien identifié dans la robotique pilotée par LLM: un plan verbalement cohérent peut être physiquement infaisable si la cinématique et les collisions ne sont pas vérifiées avant exécution. Les auteurs montrent qu'une politique scriptée classique surpasse légèrement leur méthode sur la tâche la plus simple, mais chute à seulement 10% de réussite sur la tâche la plus difficile, contre 60% pour leur approche contrainte. Pour les intégrateurs industriels et les équipes robotique, ce résultat suggère qu'ajouter une couche de validation formelle entre le langage et l'action améliore surtout la robustesse sur les cas complexes, plutôt que la performance brute sur les cas faciles où des solutions scriptées suffisent déjà. Ce travail s'inscrit dans la lignée des recherches sur le "language-action gap", l'écart entre la capacité des LLM à décomposer des instructions en séquences d'actions et leur incapacité native à garantir la faisabilité physique de ces actions dans un environnement encombré et perçu de façon imparfaite. La solution proposée combine plusieurs briques existantes, le MCP pour la validation structurée des appels d'outils côté langage, et MoveIt Task Constructor pour la planification de mouvement sous contraintes cinématiques et de collision côté robot, plutôt que d'introduire une nouvelle architecture de bout en bout. Les tests restent limités à un seul bras robotique et un nombre réduit d'essais par tâche, ce qui invite à la prudence avant toute extrapolation vers des déploiements industriels à plus grande échelle.

Recherche❖Paper

1 source

39

2166arXiv cs.RO 

Apprentissage cross-modal visuo-tactile avec transformeurs à découpage d'actions pour la manipulation à contacts riches

Une équipe de recherche présente une méthode d'apprentissage par contraste visuo-tactile destinée aux robots manipulateurs confrontés à des tâches nécessitant un contact physique fin. Décrite dans un article publié sur arXiv (arXiv:2602.00514v3, version corrigée), l'approche aligne les images RGB externes et les images tactiles calibrées dans un espace de représentation partagé, via un objectif de type CLIP, puis intègre cette représentation dans une politique d'imitation basée sur un Action Chunking Transformer (ACT). Pour collecter les données, les chercheurs ont conçu un préhenseur visuo-tactile low-cost baptisé LVTG, pensé comme une plateforme modulaire et durable reproductible par d'autres laboratoires. Sur des tâches de manipulation à fort contact, le taux moyen de réussite passe de 30% pour une politique ACT vision seule à 42% avec l'ajout brut de signaux tactiles, puis à 54% grâce au pré-entraînement contrastif proposé. Ce résultat cible un point de friction concret pour l'industrie robotique: les capteurs tactiles produisent des signaux image-like, dépendants du matériel et faiblement corrélés aux flux visuels externes, ce qui rend leur exploitation directe peu efficace dans les politiques d'apprentissage par imitation. En démontrant qu'un alignement explicite entre modalités visuelle et tactile surpasse un simple ajout brut du signal tactile, l'étude apporte un argument empirique en faveur du pré-entraînement contrastif comme brique standard pour les politiques de manipulation fine, un enjeu direct pour les intégrateurs travaillant sur l'assemblage, l'insertion ou la préhension d'objets déformables. Le gain de 12 points entre ajout naïf et approche alignée reste toutefois mesuré sur un jeu de tâches limité, propre à un article de recherche, et ne présage pas encore d'un déploiement industriel. Le travail s'inscrit dans une lignée de recherches cherchant à combler l'écart entre la richesse des retours tactiles et leur faible exploitation réelle dans les politiques de contrôle robotique, un problème identifié depuis plusieurs années en robotique manipulative et exacerbé par l'hétérogénéité du matériel tactile disponible. Le choix d'un capteur low-cost et modulaire (LVTG) vise explicitement la reproductibilité, un critère souvent absent des travaux utilisant des capteurs tactiles propriétaires coûteux. L'article ne mentionne pas de partenariat industriel ni de calendrier de transfert vers un produit commercial: il s'agit à ce stade d'une contribution méthodologique et matérielle destinée à la communauté de recherche en apprentissage par imitation, sans acteur français ou européen identifié dans cette publication.

Recherche❖Paper

1 source

39

2167arXiv cs.RO 

Dextérité à l'aveugle : manipulation humanoïde corps entier par proprioception pure

Des chercheurs publient sur arXiv (arXiv:2608.29487v1, fin août 2026) une étude intitulée « Blind Dexterity », qui démontre des compétences de manipulation corporelle complète sur un humanoïde Unitree G1 sans aucune caméra, marqueur, capteur de force-couple ni capteur tactile. Le robot s'appuie uniquement sur sa proprioception embarquée, c'est-à-dire les retours des encodeurs articulaires. Les politiques entraînées réalisent quatre tâches distinctes : une marche bipède résistante aux poussées sans retour IMU, le contrôle actif d'un ballon de football arrêté du pied, la recherche puis le levage d'une valise par sa poignée, et la montée sur un skateboard positionné aléatoirement. Les auteurs attribuent ces résultats à un signal sous-exploité : l'évolution des lectures des encodeurs pendant un contact compliant et intentionnel, qui forme un canal tactile de tout le corps. Des estimateurs d'état entraînés séparément des politiques de contrôle confirment que la position des objets manipulés devient rapidement décodable à partir de courts historiques proprioceptifs, avec une chute nette de l'erreur de prédiction après un contact informatif. Ce résultat pèse sur un débat central du secteur humanoïde : faut-il empiler caméras, peau tactile et capteurs de force-couple pour obtenir de la dextérité, comme le font la plupart des piles vision-langage-action actuelles (Pi-0 de Physical Intelligence, GR00T N2 de Nvidia, Helix de Figure AI) ? L'étude suggère que la proprioception par encodeurs, combinée à un actionnement compliant déjà présent sur des robots commerciaux et des moteurs bas coût, forme à elle seule un socle pratique pour la manipulation dextre. Pour les intégrateurs, l'intérêt est d'abord économique : une architecture qui ne dépend pas d'une pile vision coûteuse pourrait alléger la nomenclature matérielle, tout en restant compatible avec un enrichissement sensoriel ultérieur. Il ne s'agit cependant ni d'un produit livré ni d'un déploiement industriel, mais de démonstrations en laboratoire dont la robustesse hors scénarios contrôlés reste à prouver. Le travail s'inscrit dans la course plus large aux compétences humanoïdes, dominée par les approches vision-langage-action de Figure AI (Figure 03, modèle Helix), Physical Intelligence (Pi-0) ou Nvidia (GR00T N2), qui misent sur caméras embarquées et vastes jeux de données vidéo. Le choix du Unitree G1, plateforme commerciale bas coût largement adoptée par les laboratoires académiques, illustre une tendance à tester ces hypothèses sur du matériel accessible plutôt que sur des prototypes propriétaires. Publié en preprint non encore relu par les pairs, l'article esquisse la proprioception pure comme brique de base, sur laquelle vision ou tact pourraient se greffer ensuite, sans calendrier de pilote industriel annoncé à ce stade.

Recherche❖Paper

1 source

39

2168arXiv cs.RO 

Des trajectoires multimodales aux trajectoires exécutables : un cadre de planification de trajectoire pour robots 4WIS

Un article publié sur arXiv fin août 2026 (référence 2608.29108) présente un cadre de planification de trajectoire pour les robots mobiles à quatre roues à direction indépendante (4WIS), capables de combiner plusieurs modes de déplacement, marche crabe, rotation sur place, virage classique, pour manœuvrer dans des espaces étroits. En amont, l'algorithme Hybrid A est étendu à un espace d'état en quatre dimensions intégrant le mode de déplacement, avec des coûts et heuristiques sensibles aux changements de mode et des courbes de Reeds-Shepp multi-modales. En aval, une optimisation de trajectoire par segments, basée sur un corridor de sécurité itératif amélioré, convertit les chemins discrets en trajectoires lisses avec transitions de mode à l'arrêt. Les auteurs rapportent les meilleures performances en sécurité, temps d'arrivée, précision terminale et temps de calcul, validées sur un robot 4WIS physique. L'enjeu vise un angle mort fréquent : la plupart des planificateurs exploitent mal la polyvalence mécanique des plateformes 4WIS, déjà présentes dans la logistique industrielle pour circuler dans des allées d'entrepôt étroites, en les traitant comme de simples robots différentiels ou omnidirectionnels. En intégrant le choix du mode de déplacement directement dans la recherche globale plutôt qu'en post-traitement, le cadre promet des trajectoires plus courtes et plus sûres sans sacrifier la faisabilité cinématique. Point notable pour les intégrateurs, la validation s'appuie sur un robot physique avec des transitions de mode nécessairement à l'arrêt, contrainte réelle souvent ignorée en simulation, ce qui réduit partiellement l'écart entre démonstration et exécutabilité terrain, même si les gains chiffrés restent à confirmer plus largement. Le travail prolonge les variantes de Hybrid A et les courbes de Reeds-Shepp déjà utilisées en planification pour véhicules à contrainte cinématique, généralement conçues pour un seul mode de déplacement. Les plateformes 4WIS, parfois appelées 4WIS4WID selon la motorisation, équipent déjà une partie des AGV et AMR industriels pour passer du déplacement longitudinal au latéral ou à la rotation sur place sans reconfiguration mécanique. Publié en preprint arXiv non encore évalué par les pairs, l'article ne cite aucune entreprise ni déploiement commercial et ne précise pas de suite prévue au-delà des essais réalisés : une contribution de recherche amont dont la portée dépendra de sa reprise par des équipes travaillant sur des flottes AMR réelles.

Recherche❖Paper

1 source

39

2169arXiv cs.RO 

SGE : exploration guidée par la sémantique pour environnements non structurés, par échantillonnage de points de passage dans l'espace image

Un article publié fin août 2026 sur arXiv (référence 2608.29315) présente SGE (Semantically-Guided Exploration), un framework modulaire d'exploration autonome pour véhicules terrestres. Le système intègre une segmentation sémantique au niveau du pixel directement dans le choix des points de passage (waypoints), échantillonnés dans l'espace image plutôt que dans une carte géométrique classique. Une fonction d'utilité évalue chaque candidat selon la traversabilité du terrain, la proximité des obstacles, la présence d'objets d'intérêt et une récompense basée sur la profondeur. Les waypoints retenus sont projetés en 3D puis ordonnés via une résolution en temps réel d'un problème du voyageur de commerce (TSP), pour une sélection d'objectif à horizon glissant. Le framework ajoute deux mécanismes pour la robustesse en conditions réelles : des zones tabous temporaires en cas d'échec de navigation, et une stratégie de relocalisation par graphe pour revenir efficacement sur des zones déjà explorées. Les auteurs rapportent des tests sur bancs de simulation standardisés face à des planificateurs d'exploration de référence, ainsi que des essais réels sur plusieurs plateformes robotiques, dans des bâtiments de campus et dans des mines de calcaire et de charbon. L'apport principal n'est pas la couverture volumétrique en elle-même, où SGE se dit seulement "compétitif" face à l'état de l'art sans avancer de chiffre précis dans le résumé, mais la possibilité d'orienter l'exploration vers des cibles sémantiques, un biais de tâche impossible à obtenir avec les méthodes purement géométriques utilisées jusqu'ici en exploration autonome. Pour les intégrateurs de robots mobiles destinés aux environnements non structurés (mines, sites industriels, inspection), c'est un signal que la segmentation sémantique en temps réel devient exploitable pour la navigation, au-delà de son usage habituel en perception ou en manipulation. La validation multi-plateforme et multi-domaine (intérieur, mines souterraines) constitue un argument de généralisation, mais reste un travail de recherche académique et non un produit commercialisé. Le papier s'inscrit dans la lignée des méthodes d'exploration frontière et "next-best-view" utilisées en robotique mobile depuis plusieurs années, en y ajoutant la couche sémantique désormais standard dans d'autres pans de la robotique. L'abstract ne cite aucun partenaire industriel ni acteur français ou européen, et le statut "new" sur arXiv signifie que l'article n'a pas encore été validé par relecture par les pairs ; ses prochaines étapes probables sont une publication en conférence ou revue et une extension à d'autres plateformes.

Recherche❖Paper

1 source

39

2170arXiv cs.RO 

LARC : certification paresseuse et adaptative de l'atteignabilité pour les trajectoires de robots manipulateurs

Des chercheurs ont publié le 29 août 2026 sur arXiv un article intitulé LARC (Lazy Adaptive Reachability Certification), décrivant une méthode de certification formelle des trajectoires de bras robotiques manipulateurs. Le principe : au lieu de vérifier les collisions uniquement sur des états échantillonnés le long d'une trajectoire, ce qui peut manquer des chocs entre deux points de mesure, LARC borne le mouvement entre les états via des capsules géométriques centrées sur le point médian de chaque intervalle, gonflées selon les vitesses maximales exactes de chaque articulation. La méthode ne subdivise finement que les intervalles où le test de dégagement reste ambigu, plutôt que de découper uniformément tout le temps de vol comme les approches classiques. Testée sur 160 trajectoires issues de 80 paires départ-arrivée exécutées sur un bras AgileX PIPER, elle reproduit toutes les décisions d'une méthode de référence à granularité fixe (profondeur neuf), mais avec seulement 20 328 évaluations d'intervalles, soit 24,8% du travail de la référence, pour une accélération médiane de 10,28 fois. Un audit indépendant via MoveIt/FCL, portant sur 158 051 états échantillonnés, a détecté des collisions dans 21 trajectoires utilisant une interpolation directe, et LARC n'en a certifié aucune à tort comme sûres. Pour les intégrateurs et concepteurs de bras robotiques industriels ou collaboratifs, ce travail s'attaque à un point de friction réel : les contrôles de sécurité basés sur l'échantillonnage discret d'une trajectoire peuvent laisser passer des collisions invisibles entre deux points testés, un écart connu entre validation en simulation et garantie réelle en continu. Les méthodes de certification par atteignabilité comblent ce trou mais coûtent cher en calcul si elles découpent le temps uniformément. En concentrant l'effort de calcul là où l'incertitude persiste, LARC réduit ce coût d'un facteur proche de quatre sans sacrifier la fiabilité des décisions, ce qui intéresse les pipelines de validation temps réel ou embarqués pour cobots et bras industriels. Un bémol toutefois : 27 des 139 trajectoires jugées propres par échantillonnage restent non certifiées par la méthode, et l'audit par échantillonnage lui-même ne peut pas prouver formellement l'absence de collision en temps continu, ce qui laisse une zone grise que les auteurs reconnaissent explicitement. Ce travail s'inscrit dans la lignée des méthodes de vérification formelle du mouvement robotique, alternative aux approches purement statistiques comme MoveIt/FCL, ici utilisées comme référence de comparaison et outil d'audit. LARC s'appuie sur des trajectoires articulaires en Hermite cubique par morceaux, format courant dans les bibliothèques de planification de mouvement. Le choix du bras AgileX PIPER, manipulateur léger à six degrés de liberté du fabricant chinois AgileX Robotics, ancre l'évaluation dans un contexte de bras collaboratif abordable plutôt que dans un laboratoire de recherche fermé. Il s'agit d'une contribution algorithmique validée par simulation et audit, sans pilote industriel ni déploiement annoncé à ce stade ; les prochaines étapes évoquées par les auteurs porteraient sur des bornes plus serrées pour réduire la part de trajectoires non certifiées et sur l'extension à des obstacles dynamiques.

Recherche❖Paper

1 source

39

2171arXiv cs.RO 

Correction d'actions sans réentraînement pour les échecs des modèles VLA, via retour en langage naturel

Des chercheurs ont publié fin août 2026 sur arXiv (2608.29967) CorrectVLA, une méthode qui corrige les échecs des modèles Vision-Language-Action (VLA) sans réentraînement. Le principe : un humain formule une seule consigne de correction en langage naturel, traduite en ajustements additifs de l'amplitude des actions et appliquée uniformément à tous les essais suivants, sans toucher aux poids de la politique. En simulation sur le benchmark LIBERO-90, CorrectVLA récupère des échecs de désalignement d'exécution aussi bien sur des tâches connues que sur des tâches inédites (out-of-distribution). Sur un bras robotique réel UFactory xArm7 soumis à un changement d'environnement, la méthode restaure un taux de réussite quasi parfait là où la politique de base échoue presque totalement, et généralise à de nouvelles positions et identités d'objets. Ce travail s'attaque à l'un des points faibles connus des VLA en déploiement : l'écart entre démonstrations impressionnantes et robustesse réelle sur le terrain. Pour les intégrateurs et décideurs industriels, l'intérêt est opérationnel : plutôt que de réentraîner un modèle coûteux à chaque échec observé, une simple instruction textuelle suffirait à corriger certains comportements erronés sur une flotte déjà déployée. Mais l'apport le plus utile est la taxonomie des échecs établie sur LIBERO-90 : seuls les échecs de désalignement d'exécution, où le robot vise la bonne cible mais mal calibre l'amplitude de son geste, sont corrigibles par ce biais. Quand la compréhension sémantique de la tâche elle-même fait défaut, la méthode échoue, ce qui fixe une limite opérationnelle claire et tempère l'idée que le feedback en langage suffirait à résoudre tous les problèmes de généralisation des VLA. Ce résultat s'inscrit dans la course aux modèles VLA généralistes (Pi-0, GR00T N2, Helix) de plus en plus déployés sur bras industriels et humanoïdes, où la question du contrôle post-déploiement face aux échecs en conditions réelles reste ouverte. Contrairement à un réentraînement complet ou à du fine-tuning, CorrectVLA se positionne comme une méthode d'intervention à l'inférence, complémentaire aux approches existantes de correction de politique. Les auteurs présentent ce travail comme une première délimitation empirique des cas où la correction sans réentraînement fonctionne, la piste des échecs de compréhension sémantique restant un chantier ouvert.

Recherche❖Paper

1 source

39

2172arXiv cs.RO 

GAFT : ajustement fin géolocalisé pour l'identification des dangers à partir d'échecs rares

Publiée le 30 août 2026 sur arXiv (2608.30858), une méthode baptisée GAFT (Geo-Anchored Fine-Tuning) détecte les structures physiques provoquant des pannes irrécupérables en navigation tout-terrain, comme l'enlisement sur obstacle ou un blocage nécessitant une intervention humaine. Ces échecs sont rares et coûteux à documenter, et les données disponibles associent une image à un résultat sans jamais indiquer quel indice visuel a causé la panne, ce qui pousse un entraînement classique à mémoriser des détails de scène plutôt qu'à généraliser. GAFT adapte le modèle de vision DINOv2 via LoRA, un fine-tuning à faible nombre de paramètres, en alignant une carte d'attention spatiale sur un a priori géométrique de la scène, sans dégrader les représentations pré-entraînées. Sur un benchmark forestier validé par interventions réelles, à travers dix entraînements indépendants, le score F2 moyen en évaluation leave-one-scenario-out passe de 0,0607 à 0,3757, gain statistiquement significatif, le meilleur modèle individuel atteignant 0,570; code et benchmark sont publiés sur GitHub. Pour les intégrateurs de robots mobiles tout-terrain, en agriculture, foresterie, défense ou logistique hors-piste, ce travail cible un angle mort connu: les obstacles évidents sont bien couverts par la perception embarquée classique, mais les pièges qui immobilisent un robot sans le détruire restent sous-documentés faute d'exemples d'échec en nombre suffisant. En montrant qu'un a priori géométrique explicite peut compenser la rareté de ces données négatives, GAFT illustre une approche de fine-tuning guidé par contrainte physique plutôt que par volume brut de données, pertinente partout où la collecte d'échecs réels reste risquée. Le saut de F2 de 0,06 à 0,38 en moyenne, encore loin d'une fiabilité de production, mesure concrètement l'écart entre un modèle de vision générique et un modèle spécialisé pour des dangers rares. La méthode combine DINOv2, le modèle de vision auto-supervisé de Meta AI, et LoRA, technique de fine-tuning à faible rang venue des grands modèles de langage puis étendue à la vision. Elle relève du champ académique de la navigation tout-terrain autonome, sans lien annoncé avec un fabricant de robots commercial: benchmark et code restent des artefacts de recherche ouverts, pas un produit ni un pilote industriel. Le score F2 maximal observé, 0,570, reste loin d'une fiabilité opérationnelle en forêt, ce qui laisse une marge de progression importante avant tout déploiement réel, les auteurs pointant vers l'extension du benchmark à d'autres environnements et le test d'autres architectures de vision fondation.

Recherche❖Paper

1 source

38

2173arXiv cs.RO 

RoboGesture : génération en temps réel de gestes de parole synchronisés sémantiquement pour l'interaction humanoïde

RoboGesture, un framework de recherche destiné à permettre aux robots humanoïdes de générer des gestes synchronisés et sémantiquement cohérents en réponse à la parole humaine, a été décrit dans un article publié sur arXiv fin août 2026 (arXiv:2608.28693). Le système s'appuie sur un jeu de données dédié couvrant plus de 300 catégories de gestes, construit via un pipeline automatisé produisant des paires audio-mouvement spécifiques au robot et garanties sans collision. L'architecture combine un "Hierarchical Semantic-Acoustic Aligner", qui extrait des indices prosodiques et sémantiques à plusieurs échelles directement depuis les tokens audio bruts, et un générateur de mouvement en continu basé sur un transformer de diffusion avec conditional flow matching. Une technique nommée "Anti-Inertia CFG Masking" empêche le modèle de retomber dans des schémas de mouvement répétitifs en le forçant à puiser activement dans le signal audio, tandis qu'un filtre de sécurité basé sur du contrôle prédictif (MPC) assure une exécution en temps réel sans collision sur le matériel physique. Les expériences ont été menées sur un humanoïde Unitree G1, avec des résultats présentés comme plus sûrs, plus rythmiquement cohérents et plus pertinents sémantiquement que les méthodes de référence existantes. Ce travail cible un angle mort du secteur humanoïde, focalisé jusqu'ici surtout sur la locomotion et la manipulation d'objets : la gestuelle expressive et conversationnelle, pourtant déterminante pour l'acceptabilité d'un robot en interaction sociale (accueil, guidage, service client). Les auteurs pointent un problème technique précis, "l'éclipse modale", où les modèles génératifs ignorent le signal audio et se contentent de prolonger l'inertie cinématique du mouvement précédent, produisant des gestes désynchronisés de la parole. Le filtre MPC vise à combler l'écart classique entre simulation et réel sur un point sensible : un humanoïde qui gesticule près d'un humain sans garantie anticollision est difficilement déployable. Ces résultats restent néanmoins issus d'un cadre évalué sur une seule plateforme, sans déploiement commercial annoncé : une preuve de concept méthodologique, pas un produit prêt à l'emploi. RoboGesture s'inscrit dans la vague plus large des modèles vision-langage-action qui cherchent à doter les humanoïdes d'un comportement naturel, aux côtés d'initiatives comme GR00T N2 de Nvidia, Helix de Figure AI ou Pi-0 de Physical Intelligence, mais avec un focus rare sur la gestuelle sociale plutôt que la manipulation ou la locomotion. Le choix du Unitree G1, plateforme chinoise relativement accessible et très utilisée par les laboratoires de recherche, souligne la nature académique du projet plus qu'une orientation produit immédiate. L'article ne mentionne aucune date de mise en œuvre industrielle ni partenariat commercial ; les prochaines étapes évoquées par les chercheurs portent sur l'élargissement du jeu de données et la validation en interaction réelle prolongée avec des utilisateurs humains.

Recherche❖Paper

1 source

38

2174arXiv cs.RO 

Le potentiel des modèles fondation haptiques

Un article publié sur arXiv sous la référence 2608.28664v1, intitulé « The Potential of Haptic Foundation Models », propose un cadre pour des modèles de fondation dédiés au toucher, baptisés Haptic Foundation Models (HFM). Les auteurs détaillent quatre axes de transition nécessaires pour passer de modèles passifs, de type LLM et VLM, à des HFM actifs : le couplage à l'action, l'espace de représentation de la dynamique physique, la granularité des séries temporelles continues, et la prédiction d'état futur conditionnée par l'action. L'article synthétise les jeux de données tactiles à grande échelle existants et compare quatre modèles haptiques, UniTouch, AnyTouch, T3 et Sparsh, sur un banc d'essai nommé TacBench, portant sur trois tâches : l'estimation de force, la détection de glissement et l'estimation de pose relative. Il s'agit d'un article de synthèse et de positionnement académique, accompagné d'une évaluation comparative, et non d'un produit commercial ni d'un déploiement industriel. L'enjeu identifié touche directement à un angle mort connu du secteur robotique : si les modèles de fondation ont transformé le traitement du langage et de la vision, leur extension à l'IA incarnée reste bridée par l'absence de capteurs tactiles génériques et de modèles capables de généraliser le toucher. Les modèles haptiques actuels restent figés sur des tâches spécifiques, freinés par l'hétérogénéité du matériel d'un dispositif à l'autre et par la nécessité de collecter des données par interaction physique active, contrairement au texte ou à l'image disponibles passivement en ligne. Cette limite concerne directement l'électronique grand public (smartphones, wearables, contrôleurs VR) ainsi que les robots domestiques et les dispositifs de suivi de santé, où une interaction physique sûre et adaptative est requise. L'article suggère ainsi que le sens du toucher constitue un chantier distinct de la vision et du langage dans la course aux modèles fondation pour la robotique. Le travail s'inscrit dans la dynamique plus large d'extension des modèles de fondation au-delà du texte et de l'image vers l'action physique, en s'appuyant sur des jeux de données tactiles et des modèles haptiques déjà publiés qu'il cherche à faire dialoguer via un référentiel commun d'évaluation, plutôt qu'à annoncer un nouveau système déployé.

Recherche❖Paper

1 source

38

2175arXiv cs.RO 

SUN : programmes persistants pour politiques ancrées dans le langage, du contrôle à l'apprentissage jusqu'au réel

Des chercheurs présentent SUN (Semantically UNified Programs), une méthode publiée en prépublication sur arXiv fin août 2026, associée au système Kuafu qui synthétise automatiquement des programmes typés à partir de descriptions en langage naturel et de la scène observée, pilotés par des modèles de vision-langage de grande taille. Ces programmes définissent une seule fois les relations géométriques et de contact, puis les compilent en coûts pour un contrôleur prédictif (MPC), en prédicats de réussite, en récompenses pour l'apprentissage par renforcement et en gardes de transition. Sur neuf tâches de manipulation, Kuafu atteint un taux de succès moyen de 82,03%, contre 35,67% pour une base de référence à récompense éparse et 24,75% pour une base Stage-BC. À l'échelle de 8192 environnements simulés en parallèle, le système génère 10,57 fois plus de temps de trajectoire réussie par heure de téléopération humaine équivalente. Avec seulement 500 trajectoires par tâche, les données de Kuafu permettent d'entraîner des politiques DP3 atteignant 46,0% de réussite en simulation, contre 22,4% pour les alternatives, et 34,7% sur des bras robotiques physiques Franka Emika et Kinova. Le résultat est méthodologique plus qu'industriel: il tente de réconcilier deux approches qui s'ignoraient jusque là, le contrôle basé modèle qui exécute des objectifs explicitement spécifiés, et l'apprentissage qui amortit ce comportement en politique réactive mais avec des récompenses bricolées à la main et un comportement qui dérive de ce que le contrôle avait validé. En conservant la sémantique de la tâche tout au long de la chaîne, plutôt qu'un pipeline bout-en-bout de type VLA, SUN et Kuafu évitent la collecte de démonstrations humaines et l'ingénierie manuelle de récompenses, un goulot d'étranglement connu pour les intégrateurs qui cherchent à industrialiser la manipulation robotique. Mais l'écart entre 46% de succès en simulation et 34,7% sur robot physique confirme que le passage sim-to-real reste un problème ouvert, même quand la sémantique de tâche est vérifiée par MPC en amont, un signal utile pour les décideurs B2B qui évaluent la maturité réelle des pipelines d'apprentissage par simulation avant tout achat ou pilote. Le travail s'inscrit dans la lignée des efforts pour automatiser la génération de récompenses et de curricula d'entraînement via des modèles de vision-langage, une direction parallèle aux approches VLA bout-en-bout poussées par des laboratoires comme Physical Intelligence avec Pi-0, NVIDIA avec GR00T N2, ou Figure AI avec Helix. Contrairement à ces systèmes orientés produit et déploiement humanoïde, SUN et Kuafu restent à un stade de recherche académique, validés sur des bras manipulateurs fixes Franka et Kinova plutôt que sur des plateformes mobiles ou humanoïdes, sans partenariat industriel ni calendrier de commercialisation annoncés. Aucun acteur français ou européen n'apparaît dans cette publication. La suite logique, non précisée par les auteurs, serait l'extension à des tâches plus longues et à des plateformes mobiles, ainsi qu'une réduction de l'écart simulation-réel qui conditionne l'adoption par les intégrateurs industriels.

Recherche❖Paper

1 source

38

2176arXiv cs.RO 

AnyWorld : des modèles du monde égocentriques factorisés pour généraliser entre différents robots

Des chercheurs ont publié le 29 août 2026 sur arXiv (2608.29242v1) un système baptisé AnyWorld, un modèle de « world modeling » conçu pour transférer l'expérience physique captée dans des vidéos humaines égocentriques vers des robots de morphologies différentes. Le principe consiste à décomposer chaque interaction humaine en trois axes contrôlables séparément : le mouvement, la trajectoire de caméra, et le corps agissant (l'embodiment), afin de régénérer, à partir d'une seule vidéo humaine, de multiples séquences vidéo-action « robot-natives » sans démonstrations appariées homme-robot. Le modèle est entraîné en deux temps : un pré-entraînement à grande échelle sur des vidéos d'interactions humaines, suivi d'un fine-tuning sur données mixtes multi-embodiment. Les auteurs valident l'approche sur deux terrains, le benchmark de manipulation de table RoboCasa avec le robot simulé GR1, et un robot humanoïde réel nommé IRON, sur lequel les données générées par AnyWorld améliorent les performances de manipulation. Cette contribution vise directement le goulot d'étranglement le plus cité en apprentissage robotique : la collecte à l'échelle d'expériences de manipulation riches en contacts physiques, coûteuse en téléopération et limitée en diversité d'environnements, de points de vue et de corps robotiques. En démontrant qu'une seule vidéo humaine peut être recomposée en données d'entraînement pour plusieurs embodiments et scènes tout en préservant la dynamique physique et les interactions avec les objets, AnyWorld s'attaque à un maillon faible des politiques VLA (vision-language-action) : la rareté de données réelles multi-robots. Le résultat le plus notable pour le secteur n'est pas le gain agrégé de performance mais une expérience contrôlée sur IRON, montrant que corriger un biais de complétion prématurée du modèle et ancrer la sélection spatiale de cible dans le langage nécessite à la fois un recalibrage de l'action et une recomposition visuelle ; une intervention limitée à l'action seule échoue à apprendre ce second comportement de façon fiable. Cela nuance l'hypothèse répandue selon laquelle corriger l'action suffit à combler un écart de politique. AnyWorld s'inscrit dans la lignée des modèles du monde vidéo appliqués à la robotique, un courant de recherche qui exploite la masse de vidéos humaines disponibles en ligne pour compenser la pénurie de données de téléopération, dans le sillage d'efforts autour de politiques VLA généralistes comme Pi-0 ou GR00T N2. Contrairement à ces systèmes orientés contrôle direct, AnyWorld se positionne en amont, comme une brique de génération de données capable d'alimenter l'entraînement de plusieurs types de robots à partir d'un même corpus vidéo humain. Il s'agit à ce stade d'une publication de recherche déposée sur arXiv, sans annonce de produit, de partenaire industriel ni de calendrier de déploiement commercial : les résultats reposent sur un seul robot humanoïde réel et un benchmark simulé, sans essai pilote à plus grande échelle annoncé pour l'instant. Les auteurs évoquent comme suite logique l'extension du nombre d'embodiments couverts et la validation sur des tâches de manipulation plus complexes.

IA physique❖Paper

1 source

37

2177arXiv cs.RO 

AGM : une mémoire ancrée dans la réussite pour agents en boucle fermée à politique VLA figée

Un preprint arXiv (2608.29537v1) présente AGM, pour Achievement-Grounded Memory, un framework léger pour politiques vision-langage-action (VLA) figées qui exécutent des blocs d'action en boucle ouverte sans suivre la progression de la tache. AGM découpe chaque tache en sous-objectifs relies a un pointeur de progression, qui n'avance que lorsque le sous-objectif courant est vérifie par une preuve physique. Cette vérification, pilotée par une seule tête de 2,43 millions de paramètres issue de modèles de fondation figes, combine indices proprioceptifs, suivi de points et comparaison cross-vue conditionnée par le langage. Sur le benchmark RoboMME Counting (taches PickXTimes et BinFill), AGM dépasse la meilleure base mémoire concurrente sans que le résume public ne chiffre précisément l'écart, et des essais complémentaires sur un robot physique confirment des gains similaires. Le problème cible est connu du secteur : une politique VLA figée ne peut ni confirmer qu'une sous-tache a réussi ni décider s'il faut réessayer ou continuer, et une mémoire externe mal conçue risque de confondre tentative et réussite, transformant une erreur locale en erreur d'état persistante. En n'autorisant la mise a jour de la mémoire qu'après vérification physique, AGM s'attaque directement a l'écart, souvent souligne dans l'industrie, entre démonstrations contrôlées et fiabilité réelle des VLA sur des taches longues. Pour les intégrateurs, l'intérêt pratique tient au fait que la politique reste figée, sans reentrainement ni inférence d'un grand modèle au moment du test, ce qui limite cout de calcul et latence en usage industriel. Ces travaux s'inscrivent dans la montée des politiques VLA figées comme couche de base pour la manipulation et l'humanoïde, a l'image de Pi-0, GR00T N2 ou Helix, saluées pour leurs compétences mais critiquées pour leur difficulté a suivre une tache longue. Le résume public de l'article ne nomme aucun laboratoire ni entreprise porteurs et reste au stade de preprint arXiv publie fin aout 2026, sans partenaire industriel ni calendrier de déploiement annonces. Les preuves apportées se limitent a un benchmark de comptage de taches et a des essais sur un robot physique dont la plateforme n'est pas précisée, ce qui invite a la prudence avant toute généralisation.

Recherche⚡Actu

1 source

37

2178arXiv cs.RO 

Actionneur élastique parallèle à double came avec compensation par ressort à gaz partagé pour chevilles humanoïdes

Des chercheurs ont publié le 30 août 2026 sur arXiv (référence 2608.30832v1) un article décrivant un nouvel actionneur élastique parallèle (PEA) à deux degrés de liberté destiné aux chevilles de robots humanoïdes. L'innovation centrale tient à une architecture à double came associée à un seul ressort à gaz partagé, qui assure la compensation de couple simultanément en tangage (pitch) et en roulis (roll), là où les solutions classiques emploient un élément élastique distinct par axe. Les auteurs présentent aussi un modèle mathématique couplé à deux degrés de liberté, formalisant l'interdépendance entre les deux unités de compensation via le ressort commun, puis un cadre de conception par optimisation permettant de générer des profils de came sur mesure à partir de couples cibles. L'intégration complète dans un CAO de bas de jambe est détaillée, et des simulations en analyse par éléments finis statique (FEA) et en cinématique viennent valider la faisabilité mécanique et l'efficacité du soulagement de couple. Aucun prototype physique ni test sur banc n'est mentionné à ce stade, il s'agit d'un travail de conception validé uniquement par simulation. Pour les concepteurs de robots humanoïdes, la cheville reste un point critique: elle doit délivrer un couple élevé en pitch et en roll tout en restant compacte, car sa masse influe directement sur la dynamique de marche et l'équilibre. Mutualiser la compensation élastique des deux axes dans un unique ressort réduit l'encombrement et la masse par rapport aux architectures multi-éléments, un enjeu direct pour la densité de couple et l'efficacité énergétique des actionneurs de cheville. Cette contribution reste toutefois académique et théorique: elle prouve un principe de conception, pas une performance mesurée sur matériel réel, une nuance importante pour qui évaluerait la maturité de la solution. Les actionneurs élastiques parallèles suscitent un intérêt croissant chez les développeurs de robots bipèdes et humanoïdes cherchant à réduire la consommation des moteurs par stockage et restitution d'énergie passive. L'article ne cite ni entreprise ni plateforme robotique associée, ce qui en fait une contribution de recherche indépendante plutôt qu'une annonce industrielle. Les prochaines étapes logiques seraient la fabrication d'un prototype physique et son intégration sur une jambe complète pour valider les résultats en conditions réelles.

Recherche❖Paper

1 source

37

2179arXiv cs.RO 

Doter des modèles fondation d'une architecture agentique pour la navigation autonome de longue portée dans le monde physique

Le 30 août 2026, des chercheurs ont publié sur arXiv (2608.30396) NavMCP, un framework qui assemble deux familles de modèles de fondation pour la navigation robotique sans les réentraîner. D'un côté, un modèle vision-langage (VLM) joue le rôle d'agent de raisonnement : il décide quelles informations chercher, où explorer, quand s'arrêter. De l'autre, un modèle de fondation pour la navigation (NFM) exécute chaque sous-objectif en boucle fermée. Les deux communiquent via trois canaux : l'intention traduit les besoins d'information en commandes de navigation, l'observation transforme les trajectoires en preuves exploitables, et la mémoire accumule les résultats, les échecs et les objectifs non résolus d'un appel à l'autre. Sur trois bancs d'essai de question-réponse incarnée (HM-EQA, MT-HM3D, EXPRESS-Bench), NavMCP établit de nouveaux résultats de référence, avec un gain de 14,9 points de pourcentage sur HM-EQA face à une architecture épisodique classique, à modèles identiques. Testé sur un robot quadrupède réel Unitree Go2, il atteint 78,3% de réussite, son avantage sur le meilleur concurrent passant de 10 à 45 points à mesure que l'horizon de la tâche s'allonge. L'intérêt de ces travaux tient au problème qu'ils ciblent : les VLM raisonnent bien mais restent peu fiables et inefficaces quand il faut répéter des actions de navigation, tandis que les NFM exécutent solidement des objectifs ponctuels mais oublient tout entre deux épisodes, sans mémoire persistante. NavMCP ne crée pas un nouveau modèle plus puissant, il orchestre deux modèles existants pour combler ce manque, ce qui est significatif pour l'industrie : cela suggère que l'assemblage intelligent de briques déjà entraînées peut rivaliser avec un réentraînement coûteux, une piste attractive pour les intégrateurs qui combinent des piles de navigation prêtes à l'emploi avec des couches de planification par VLM. L'écart de performance qui se creuse avec la longueur de la tâche est la donnée la plus parlante : c'est la mémoire persistante entre sous-objectifs, et non un modèle unique plus gros, qui débloque les tâches longues. Le travail s'inscrit dans la tendance plus large du "scaffolding" agentique, où des frameworks orchestrent des modèles de fondation complémentaires plutôt que d'en entraîner de nouveaux, une approche déjà répandue côté LLM et transposée ici à la robotique mobile. Le Unitree Go2, plateforme quadrupède abordable très utilisée en recherche, sert de banc d'essai réel, mais l'essentiel des résultats reste obtenu en simulation. Il s'agit d'un prépublication arXiv non encore évaluée par les pairs, sans acteur commercial ni FR/EU identifié, et sans annonce de déploiement ou de pilote industriel à ce stade.

Recherche❖Paper

1 source

37

2180arXiv cs.RO 

SmoothRL : apprentissage par renforcement en ligne pendant l'exécution asynchrone

Une publication mise en ligne fin août 2026 sur arXiv (2608.29768) présente SmoothRL, un cadre d'apprentissage par renforcement en ligne (RL) qui affine une politique robotique pré-entraînée pendant son exécution asynchrone. La méthode suit un paradigme value-gradient : elle met à jour les paramètres de la politique via le gradient de la fonction de valeur action par rapport aux actions produites, en modélisant explicitement la structure temporelle de l'inférence asynchrone. Chaque bloc d'actions généré est découpé en trois zones selon l'index de trame, une déjà engagée, une en cours d'exécution par le robot, une écartée par le cycle suivant, et seule la zone d'exécution reçoit un gradient. La méthode a été testée sur des tâches réelles de haute précision et sur des tâches très dynamiques nécessitant l'exécution asynchrone. Le problème visé est un point de friction réel pour l'industrie : plus les modèles fondation robotiques grossissent, plus leur latence augmente, ce qui a généralisé l'inférence asynchrone par blocs pour masquer ce délai, mais intégrer du RL en ligne dans cette boucle restait mal résolu, car appliquer un gradient sur un bloc entier ignore qu'une partie sera écartée avant d'être jouée. En restreignant le gradient à la fenêtre effectivement exécutée, SmoothRL corrige ce biais. Pour les intégrateurs qui déploient de gros modèles VLA sur des tâches de précision ou très dynamiques, cela ouvrirait la voie à un affinage post-déploiement plus fiable sans sacrifier la fluidité temps réel déjà obtenue par l'exécution asynchrone. C'est aussi un signe que l'écart entre démonstration et fiabilité réelle reste un chantier actif. Le résumé ne divulgue ni le laboratoire ni de plateforme robotique nommée, et la contribution reste académique, publiée sur arXiv sans annonce de produit ni de calendrier de déploiement industriel. Elle s'inscrit dans une tendance plus large du secteur, où l'inférence asynchrone par blocs équipe déjà des modèles VLA référencés comme Pi-0 de Physical Intelligence ou GR00T N2 de NVIDIA, précisément pour absorber la latence de modèles toujours plus massifs. Les auteurs présentent l'articulation entre exécution asynchrone et RL en ligne comme un angle mort de la recherche jusqu'ici, sans métrique chiffrée de performance ou de taux de succès dans le résumé.

Recherche❖Paper

1 source

37

2181arXiv cs.RO 

Somnambulisme : façonner les représentations privilégiées pour la locomotion aveugle de bout en bout des robots à pattes

Publié le 30 août 2026 sur arXiv sous la référence 2608.30883, un article de recherche présente SWAQ (SleepWalking for Robot Locomotion), une méthode d'apprentissage pour la locomotion aveugle des robots à pattes, sans capteurs extéroceptifs comme une caméra ou un lidar. Le système entraîne en une seule étape un réseau récurrent à retenir, via la reconstruction de variables physiques privilégiées au pas suivant, l'information utile à la tâche, tandis que le contrôleur déployé n'utilise qu'un chemin direct de l'historique vers l'action. Face à DWAQ, la référence non-extéroceptive la plus performante connue, SWAQ atteint un niveau de terrain moyen maximal supérieur de 15,0%, tout en réduisant de 44,4% le nombre d'opérations de calcul (MACs) par pas de contrôle. Des sondages couche par couche confirment que cette information reste linéairement décodable jusqu'à l'avant-dernière couche du réseau de politique. Le résultat compte pour la robotique à pattes appelée à évoluer sur terrain accidenté sans vision embarquée fiable ou trop coûteuse en calcul : un meilleur franchissement combiné à une inférence deux fois moins gourmande répond à une contrainte concrète des intégrateurs, limités par la puissance et la latence des processeurs embarqués. L'article contredit aussi une hypothèse répandue selon laquelle gérer l'observabilité partielle exigerait une décomposition architecturale explicite, comme des modules d'estimation d'état dédiés ou des historiques structurés. Il montre qu'un simple objectif d'apprentissage auxiliaire, sans modifier l'architecture du contrôleur déployé, suffit à faire persister l'information utile dans l'état interne du réseau récurrent, simplifiant potentiellement la conception de futurs contrôleurs de locomotion. Cette approche prolonge les méthodes d'apprentissage par renforcement à information privilégiée, de type enseignant-élève, où un expert ayant accès à l'état complet de la simulation entraîne un élève limité à l'historique de ses propres capteurs, pratique courante pour les robots quadrupèdes et bipèdes avant transfert au réel. DWAQ, cité comme point de comparaison, situe SWAQ dans cette filiation de travaux qu'il cherche à dépasser en performance comme en efficacité de calcul. L'article ne fait état d'aucun déploiement sur robot physique ni de partenariat industriel : il s'agit d'un travail théorique et empirique mené en simulation, complété par une analyse mathématique reliant la récupérabilité des variables privilégiées à l'écart de performance entre politiques fondées sur l'historique et celles disposant de l'information privilégiée.

Recherche❖Paper

1 source

37

2182arXiv cs.RO 

Apprendre à percevoir et manipuler par interaction distribuée du bras dans un robot souple

Publié début septembre sur arXiv (2608.30773), un article de recherche décrit un cadre d'« intelligence physique » pour la manipulation robotique par contact distribué, sans caméra. Le système s'appuie sur un bras hybride rigide-souple dont la seule source de perception est un réseau de capteurs inertiels (IMU) intégrés dans sa structure compliante. Une politique de contrôle dotée de mémoire, entraînée de bout en bout par apprentissage par renforcement, combine une exploration pré-entraînée, une optimisation conjointe exploration-saisie et une adaptation sim-to-real en deux étapes pour inférer position, forme et prise d'un objet à partir du seul historique des contacts. Résultat : le bras identifie et saisit à l'aveugle des objets variés en coordonnant exploration, détection du contact, localisation et enveloppement stable. Cette approche va à contre-courant de la tendance dominante en robotique humanoïde et industrielle, où la perception visuelle et les modèles vision-langage-action (VLA) comme Pi-0 de Physical Intelligence, GR00T N2 de Nvidia ou Helix de Figure concentrent l'essentiel des investissements. En résolvant un problème d'observabilité partielle par le seul toucher distribué, l'étude ouvre une piste complémentaire pour les cas où la caméra échoue (occlusion, poussière, faible luminosité, objets transparents ou déformables), un enjeu concret pour les intégrateurs de préhenseurs souples et d'AMR en logistique. Elle illustre aussi qu'un apprentissage bout en bout mémorisant l'historique tactile, plutôt qu'un simple asservissement réactif, peut transformer un contact brut en information exploitable, sans capteur de force dédié coûteux. Le travail s'inspire de la biologie, notamment de la trompe de l'éléphant et des bras de la pieuvre, capables de combiner exploration sensorielle et manipulation grâce à de vastes surfaces de contact compliantes, un principe que la robotique souple cherche depuis des années à traduire mécaniquement puis, ici, algorithmiquement. Le prototype testé reste un bras hybride de laboratoire, à distinguer des architectures rigides et pilotées par vision des grands acteurs humanoïdes actuels, de Figure AI (Helix) à Nvidia (GR00T N2) en passant par Physical Intelligence (Pi-0) ou Tesla (Optimus). Il s'agit à ce stade d'une publication de recherche arXiv, sans partenariat industriel ni calendrier de commercialisation annoncés, présentée par ses auteurs comme une preuve de principe appelée à s'étendre vers des tâches de manipulation plus complexes.

Recherche❖Paper

1 source

37

2183arXiv cs.RO 

Zeva : apprentissage causal en contexte pour une manipulation robotique généralisable

Zeva, présenté dans un article arXiv (identifiant 2608.30880v1) publié fin août 2026, est un nouveau framework de recherche pour la manipulation robotique généralisable. Son principe central: pendant le déploiement réel, le robot apprend directement de ses propres interactions physiques, sans jamais mettre à jour les poids de son modèle de politique (policy model), qui reste gelé. Un composant appelé Causal Interaction Extractor encode chaque action exécutée et le changement d'état qu'elle provoque en un signal d'interaction causale, stocké dans une mémoire causale à double échelle temporelle. Pour chaque nouvelle action, les signaux pertinents sont récupérés dans cette mémoire et injectés comme contexte dans le modèle figé, une forme d'apprentissage en contexte (in-context learning) appliquée pour la première fois, selon les auteurs, à l'expérience physique d'un robot. Les tests couvrent à la fois la simulation et la manipulation en conditions réelles, comparés à des VLA (vision-language-action) et des WAM de référence, sans que l'article précise de noms de robots, de sites de déploiement ou de chiffres de payload et de temps de cycle. Pour l'industrie robotique, l'intérêt de Zeva tient à une promesse précise: un taux de succès qui continue de progresser au fil du déploiement, sans réentraînement ni gradient, et une expérience d'interaction qui se généralise d'une tâche à l'autre. C'est une réponse directe à un problème connu des intégrateurs et des VLA actuels, à savoir l'écart entre performance en pré-entraînement et robustesse face à des conditions physiques imprévues sur le terrain. Si les résultats se confirment au-delà du cadre expérimental de l'article, cela ouvrirait la voie à des robots capables de s'adapter en usine sans cycle coûteux de collecte de données et de fine-tuning, un argument fort pour les décideurs B2B qui évaluent le coût total d'exploitation des humanoïdes et bras manipulateurs. Il convient toutefois de noter que l'affirmation d'être le "premier" framework de ce type, ainsi que le qualificatif de performance "meilleure parmi les VLA et WAM comparés", reste à valider par la communauté, l'article ne détaillant pas la méthodologie de sélection des tâches ni des vidéos de démonstration. Zeva s'inscrit dans la lignée des travaux récents sur les architectures VLA comme Pi-0 ou GR00T N2, qui cherchent à combiner généralisation par pré-entraînement massif et adaptabilité en ligne. Contrairement à ces approches qui misent sur des mises à jour de poids ou du fine-tuning post-déploiement, Zeva mise sur une mémoire externe consultée à l'inférence, une piste plus proche des techniques de récupération augmentée utilisées en traitement du langage. L'article ne mentionne aucun acteur français ou européen, ni de partenariat industriel ni de calendrier de pilotes commerciaux, ce qui situe cette publication au stade de la recherche académique plutôt que du produit prêt au déploiement.

Recherche❖Paper

1 source

37

2184arXiv cs.RO 

Forçage temporel : alignement de représentation 4D pour les modèles vision-langage-action

Des chercheurs présentent Temporal Forcing, une méthode d'alignement de représentation 4D pour les modèles vision-langage-action (VLA), détaillée dans un article publié sur arXiv (2608.30643v1) le 30 août 2026 ou aux alentours. Le système ajoute une voie dédiée à l'historique des observations, permettant à un modèle VLA standard de condenser cet historique en représentations latentes tenant compte du temps. Ces représentations sont ensuite alignées avec les caractéristiques géométriques extraites par un modèle de fondation 4D préentraîné, capable de capturer l'évolution d'une scène 3D dans le temps de façon géométriquement cohérente. Sur le benchmark LIBERO, Temporal Forcing atteint un taux de réussite de 98,8%, soit 2,2 points de plus que son modèle de base. Sur une tâche physique de placement d'objet caché ("hidden-placement"), le taux de réussite complet de la tâche passe de 20,0% à 43,3%. Le code source doit être rendu public, sans date de disponibilité précisée dans l'article. Cette avancée cible un problème connu des VLA actuels: la confusion entre états visuellement similaires (observation aliasing) et la difficulté à gérer des manipulations longues, deux limites qui découlent du fait que les représentations 3D classiques ne capturent qu'un instant figé de la scène, sans mémoire de son évolution. En démontrant qu'ajouter une dimension temporelle à l'alignement géométrique améliore concrètement le taux de succès sur une tâche physique réelle, et pas seulement en simulation, ces résultats nuancent l'idée que l'alignement 3D seul suffirait à rapprocher les VLA d'une robustesse proche de l'humain. Pour les intégrateurs et équipes de recherche en robotique manipulatrice, cela suggère qu'exploiter des modèles de fondation 4D préentraînés peut devenir un ingrédient standard pour améliorer la mémoire de contexte des politiques d'action, sans changer l'architecture de base du modèle VLA. Ce travail s'inscrit dans la lignée des méthodes récentes de VLA qui alignent leurs représentations internes sur la géométrie de scène 3D pour améliorer la manipulation, une approche qui a gagné du terrain mais bute sur les tâches à long horizon. Temporal Forcing se positionne comme une extension de ces approches géométriques plutôt qu'une rupture architecturale, en s'appuyant sur un modèle de fondation 4D externe déjà entraîné. Les auteurs annoncent la publication future du code, ce qui permettra à la communauté de valider les résultats sur d'autres benchmarks que LIBERO et la tâche physique testée, mais aucun calendrier de déploiement industriel ni de partenariat n'est mentionné à ce stade.

Recherche⚡Actu

1 source

36

2185arXiv cs.RO 

Contrôle de forme adaptatif au nombre de modules pour robots souples modulaires en série

Des chercheurs présentent une méthode de contrôle visuel de forme adaptable au nombre de modules pour des robots pneumatiques souples de type modulaire série. Un contrôleur entraîné uniquement sur des données d'actionnement d'un seul module est ensuite réutilisé tel quel sur des robots comptant de un à cinq modules, sans nouvelle collecte de données spécifique à chaque configuration. Le système décompose les images caméra du corps entier en patchs locaux par module grâce à un segmenteur commun capable de localiser chaque module quelle que soit la configuration testée, tandis qu'un même contrôleur local s'applique à chaque patch extrait. Une augmentation de données géométrique améliore le transfert vers les modules situés en aval de la chaîne, et un réseau léger de reconstruction de masque restitue un canal d'actionneur synthétiquement supprimé. Les expériences sur robots physiques valident le contrôle de forme sous des charges variables et des changements environnementaux, pour différents nombres de modules assemblés. Cette approche s'attaque à un verrou concret de la robotique molle modulaire : jusqu'ici, changer le nombre de modules d'un robot obligeait à recollecter des données et réentraîner un contrôleur, ce qui limitait fortement la scalabilité industrielle de ces architectures. En démontrant qu'un apprentissage réalisé sur un seul module suffit à piloter des assemblages de taille variable, les auteurs suggèrent une voie pour standardiser le contrôle de familles entières de robots modulaires reconfigurables, un enjeu direct pour les intégrateurs qui cherchent à adapter la longueur ou la charge utile d'un bras ou d'un manipulateur souple sans repartir de zéro à chaque itération matérielle. Cela renforce aussi l'hypothèse selon laquelle des politiques de contrôle par apprentissage, correctement structurées en composants locaux réutilisables, peuvent généraliser au-delà de la configuration précise sur laquelle elles ont été entraînées, un argument pertinent dans le débat plus large sur la transférabilité des politiques visuo-motrices en robotique souple. Le papier s'inscrit dans le courant du contrôle de forme basé image ("image based shape control"), une alternative aux modèles dynamiques complexes souvent nécessaires pour piloter des structures souples non linéaires. Les approches data-driven existantes restaient jusqu'ici cantonnées à des structures de robot fixes. La contribution ici repose sur une décomposition en patchs locaux couplée à un segmenteur de modules partagé, plutôt que sur un modèle end-to-end du robot entier. L'article, publié sur arXiv (identifiant 2608.29547), ne précise pas de nom de laboratoire ni de partenaire industriel dans le résumé fourni, ni de calendrier de déploiement au-delà des expériences physiques rapportées ; il s'agit à ce stade d'une publication de recherche, sans indication de transfert vers un produit commercial ou un pilote industriel.

Recherche❖Paper

1 source

36

2186arXiv cs.RO 

T-GMP : des modèles de mouvement génératifs conditionnés par le terrain pour une locomotion humanoïde naturelle et polyvalente

Des chercheurs ont mis en ligne une version révisée sur arXiv (arXiv:2606.06944v2) d'un article présentant T-GMP (Terrain-conditioned Generative Motion Priors), un module destiné à améliorer la marche des robots humanoïdes sur des terrains variés. Contrairement aux méthodes classiques d'apprentissage par renforcement, qui s'appuient sur des priors de mouvement figés, T-GMP apprend une variété latente de mouvements conditionnée par le terrain à partir d'un petit nombre de démonstrations expert associant états du robot et type de sol. Ce module permet des transitions de style fluides entre modes de marche, ce qui autorise une politique de contrôle unique capable de s'adapter aux variations de terrain plutôt que de nécessiter des politiques séparées. T-GMP est intégré dans un pipeline d'apprentissage adversarial : un discriminateur module dynamiquement les contraintes de naturel du mouvement selon les caractéristiques locales du sol, guidant la génération vers des trajectoires à la fois variées et proches du mouvement humain. Les auteurs ajoutent une pénalité de pose du pied (Foothold Penalty) pour favoriser des appuis sûrs sur terrains difficiles. Les expériences montrent que T-GMP surpasse les méthodes de référence sur trois critères : naturel du mouvement, diversité des mouvements et taux de réussite de la traversée, tout en conservant une coordination physique cohérente du corps. L'enjeu soulevé est un compromis récurrent en locomotion humanoïde : les politiques entraînées par imitation adversariale produisent des mouvements naturels mais figés sur un style unique, alors que diversifier le comportement dégrade en général le réalisme du geste. En conditionnant explicitement les priors sur le terrain plutôt que sur un style fixe, T-GMP vise à lever ce compromis, une seule politique restant capable de traverser des sols hétérogènes sans changer de réseau ni perdre en naturel. Pour les équipes qui développent des humanoïdes destinés à sortir des sols plats d'usine ou de laboratoire, entrepôts, chantiers, extérieurs, cette robustesse du déplacement touche directement l'un des principaux freins actuels à la commercialisation des humanoïdes généralistes. L'approche s'inscrit dans la tendance à rapprocher imitation de mouvement et généralisation par renforcement, plutôt qu'à multiplier des contrôleurs spécialisés par type de terrain. T-GMP prolonge la lignée des méthodes d'apprentissage de mouvement adversarial (proches des Adversarial Motion Priors désormais courantes en recherche sur la locomotion humanoïde), en y ajoutant un conditionnement terrain absent des approches à style fixe. Le document est une version révisée (v2) d'un preprint, sans mention de partenaire industriel, de plateforme robotique nommée ni de déploiement sur matériel réel : les résultats rapportés relèvent donc de benchmarks en simulation face à des méthodes concurrentes, pas d'une validation sur robot physique en conditions réelles. Aucun calendrier de transfert vers du matériel ni d'intégration à une plateforme humanoïde commerciale n'est communiqué, ce qui situe T-GMP au stade de la recherche méthodologique plutôt que du produit prêt à déployer.

Recherche❖Paper

1 source

36

2187arXiv cs.RO 

CGFM-Nav : mémoire cognitive de graphe-champ pour la navigation incarnée multimodale et continue guidée sémantiquement

Des chercheurs présentent CGFM-Nav, un framework de navigation robotique fondé sur un nouveau schéma de représentation d'environnement baptisé Cognitive Graph-Field Memory (CGFM), détaillé dans un article publié sur arXiv (référence 2608.29114v1) le 29 août 2026. CGFM combine une mémoire relationnelle explicite, sous forme de graphe de scène multimodal organisant objets, relations spatiales et observations visuelles, avec un champ sémantique continu qui guide l'exploration lorsqu'aucune correspondance fiable n'est trouvée dans le graphe. Le système repose sur un modèle vision-langage Qwen3-VL-8B comme backbone, complété par une sélection de sous-graphes pertinents pour la tâche, un raisonnement VLM et une boucle de vérification par feedback. Sur le benchmark GOAT-Bench, les auteurs rapportent une hausse du taux de succès global de 53,2% à 63,0%, et du score SPL (Success weighted by Path Length) de 30,0% à 39,6%, par rapport à une base équivalente sans CGFM. Ces chiffres sont qualifiés d'expérience préliminaire par les auteurs eux-mêmes, ce qui invite à la prudence avant toute généralisation. Pour l'industrie de la navigation robotique et de l'IA incarnée, ce travail s'attaque à un problème concret : les agents de navigation vision-langage (VLN) peinent historiquement à combiner mémoire sémantique persistante et exploration continue de zones inconnues, deux capacités habituellement traitées séparément. En prouvant qu'un même backbone VLM voit ses performances progresser significativement grâce à une meilleure structuration de la mémoire spatiale, l'étude appuie l'idée que les gains en navigation autonome ne viennent pas seulement de modèles plus gros, mais aussi de représentations d'environnement mieux conçues, un argument pertinent pour les intégrateurs travaillant sur des robots mobiles ou humanoïdes devant opérer en continu dans des environnements changeants. Ce travail s'inscrit dans la lignée des recherches en VLN qui cherchent à dépasser les limites des scene graphs statiques classiques, insuffisants pour guider l'exploration en l'absence de cible identifiée. Il se positionne dans un paysage où d'autres approches combinent déjà mémoire de graphe et modèles de fondation pour la navigation à long terme. L'article ne mentionne ni déploiement matériel, ni partenariat industriel, ni calendrier de suite : il s'agit à ce stade d'une contribution de recherche évaluée en simulation sur GOAT-Bench, sans validation en conditions réelles.

Recherche❖Paper

1 source

36

2188arXiv cs.RO 

DriftingVLA : génération vision-langage-action native en une étape par dérive temporelle par dimension

Des chercheurs présentent DriftingVLA, un modèle vision-langage-action (VLA) capable de générer un chunk d'action complet en une seule passe avant du réseau expert, sans les itérations multiples typiques des modèles à flux continus. Plutôt que d'apprendre un champ de flux nécessitant une intégration pas à pas à l'inférence, le système utilise un objectif de "distribution drifting" pour apprendre directement une correspondance entre bruit et séquence d'actions. Une innovation clé, le Per-Dimension Temporal Drifting (PDTD), traite chaque dimension de contrôle du robot comme une unité de dérive distincte durant l'entraînement, tout en laissant le modèle générer le chunk d'action de façon jointe pour préserver les dépendances entre dimensions. Sur les bancs d'essai, DriftingVLA atteint 98,32% de réussite sur LIBERO, 81,09% sur RoboTwin 2.0 et 77,67% sur six tâches réelles à bras simple et double, tout en offrant une génération 3,36 fois plus rapide que les approches multi-étapes. Pour les intégrateurs et ingénieurs en robotique, ce travail s'attaque à un goulot d'étranglement bien identifié du contrôle robotique en ligne : les modèles VLA à flux continu, malgré leur expressivité, imposent un raffinement multi-étapes qui alourdit la latence à chaque cycle de décision. En démontrant qu'un modèle "one-step" natif peut égaler voire dépasser des baselines multi-étapes et d'autres approches one-step existantes sur des tâches simulées et réelles, DriftingVLA apporte un élément de preuve empirique que la vitesse d'inférence n'a pas nécessairement à se payer en performance de contrôle. Ce résultat compte pour la course actuelle à l'exécution temps réel des modèles fondation robotiques, où la latence conditionne directement la viabilité industrielle d'un VLA sur une chaîne de production ou un bras manipulateur. Cette publication s'inscrit dans la lignée des modèles VLA à flux qui ont établi la génération d'action continue mais restent pénalisés par leur coût d'inférence itératif. Les auteurs comparent explicitement DriftingVLA à des baselines de flux multi-étapes ainsi qu'à d'autres modèles one-step existants, qu'il surpasse sur l'ensemble des bancs d'essai testés. Il s'agit à ce stade d'un travail de recherche évalué en simulation (LIBERO, RoboTwin 2.0) et sur un nombre restreint de tâches réelles, sans indication d'intégration commerciale ou de déploiement industriel annoncé ; la suite logique consisterait en une validation sur un éventail plus large de plateformes robotiques et de tâches de manipulation avant toute adoption par des intégrateurs.

IA physique❧Opinion

1 source

36

2189arXiv cs.RO 

Acquisition autonome de compétences de manipulation robotique par diversité-qualité guidée par le langage

Des chercheurs publient le 30 aout 2026 sur arXiv (2608.30983) une méthode d'apprentissage de manipulation robotique combinant algorithmes de quality-diversity (QD) et grands modèles de langage, a partir d'une simple description de la tache en langage naturel. Le système n'exige plus qu'un expert écrive a la main les fonctions de fitness et de diversité : un LLM explore un espace réduit de fonctionnels pour générer lui-même ces métriques, sans prompt spécifique ni fine-tuning. Les chercheurs adaptent pour cela une variante multi-descripteurs de l'algorithme MAP-Elites, nommée MES. Teste dans le simulateur Genesis sur quatre taches de manipulation, le système produit des archives de primitives de mouvement plus diversifiées que les méthodes QD classiques a paramétrage manuel ou infère. Pour les intégrateurs et les laboratoires de robotique, l'enjeu est le goulot d'étranglement des bibliothèques de primitives de mouvement, dont la construction exige aujourd'hui qu'un ingénieur code a la main un critère de succès différent pour chaque nouvelle tache. Contrairement aux techniques de reward-shaping par LLM, qui n'apprennent qu'une seule politique performante, cette méthode produit un répertoire entier de comportements varies, ce qui permettrait a un robot de s'adapter zero-shot a des contraintes rencontrées au déploiement, comme un obstacle ou une contrainte d'espace inédite, sans reentrainement. C'est un argument de plus en faveur de l'usage des LLM pour automatiser l'ingénierie de récompense en robotique par apprentissage, au-delà de la simple génération d'une politique rigide et unique. Les algorithmes de quality-diversity, popularises par MAP-Elites, sont utilises depuis plusieurs années en robotique pour construire des répertoires de comportements plutôt qu'une seule solution optimale, notamment pour la marche adaptative ou la manipulation robuste aux pannes. Leur limite restait la dépendance a des métriques de fitness et de diversité écrites par des experts, un frein a l'autonomie complète du robot, que les approches de reward-shaping par LLM contournaient au prix d'une sortie unique et peu adaptable. Le travail, publie en preprint sur arXiv le 30 aout 2026, n'a été valide qu'en simulation, sur quatre taches de manipulation dans Genesis, sans transfert démontre sur robot physique ni calendrier de déploiement industriel annonce.

Recherche❖Paper

1 source

35

2190arXiv cs.RO 

Apprentissage embarqué ancré cognitivement pour robots terrestres en environnements physiques inconnus

Une équipe de recherche a publié fin août 2026 sur arXiv un article décrivant CogRun, un framework permettant à des robots terrestres à vocation safety-critical d'apprendre en temps réel, entièrement embarqué sur puces edge-AI, dans des environnements physiques inconnus, sans carte préalable ni connaissance perceptuelle de la zone. L'architecture repose sur trois modules : un Learning-Agent, qui combine apprentissage par renforcement acteur-critique et instance-based learning (IBL, une forme d'apprentissage inspirée des sciences cognitives) via des mémoires de rejeu dédiées, un échantillonnage d'expérience piloté par la cognition et un mélange d'actions sensible à la sécurité ; un Rational-Agent, module non-apprenant chargé exclusivement des fonctions critiques de sécurité ; et un Coordinator qui arbitre les interactions entre les deux. L'ensemble de la chaîne autonome (perception, apprentissage, contrôle) tourne localement, sans aucune dépendance aux communications sans fil. Les auteurs rapportent des tests sur un robot quadrupède évoluant dans une forêt sauvage réelle, ainsi que sur un véhicule tout-terrain autonome dans une forêt sauvage simulée. L'intérêt pour l'industrie robotique tient moins à des chiffres de performance, l'abstract n'en fournit aucun (pas de temps de cycle, de taux de succès ou de comparatif quantitatif publié, ce qui invite à la prudence tant que le papier complet ou une revue par les pairs n'est pas disponible, qu'à la démonstration d'un apprentissage continu et sûr sans lien réseau. C'est un point sensible pour les déploiements en zones à connectivité limitée ou nulle (forêts, sites industriels isolés, opérations de défense ou de secours), où la dépendance au cloud ou à la téléopération reste un frein connu des intégrateurs. En séparant explicitement une couche qui apprend d'une couche non-apprenante garante de la sécurité, CogRun répond aussi à une critique récurrente des architectures RL embarquées jugées imprévisibles en conditions réelles. Le travail s'inscrit dans la recherche sur l'apprentissage continu ("runtime learning") pour robots mobiles évoluant hors cartographie SLAM classique, un axe distinct des approches VLA génératives popularisées par les humanoïdes commerciaux. Aucune affiliation industrielle ni partenaire de déploiement n'est mentionnée dans le résumé, il s'agit d'une publication de recherche académique, non d'un produit commercialisé. Seul le cas du quadrupède a été validé en conditions réelles ; le véhicule tout-terrain n'a été testé qu'en simulation, une extension à un déploiement physique constituant une suite logique mais non annoncée.

Recherche❖Paper

1 source

35

2191arXiv cs.RO 

RLinf-USER : un système unifié et extensible pour l'apprentissage de politiques en ligne en conditions réelles pour l'IA incarnée

Le préprint arXiv:2602.07837 (quatrième version, publiée en remplacement d'une version antérieure) présente USER, un système conçu pour l'apprentissage de politiques en ligne directement dans le monde réel, et non en simulation. Contrairement à un environnement simulé, où l'on peut accélérer le temps, réinitialiser un robot instantanément ou dupliquer massivement les essais, l'entraînement physique impose des contraintes de vitesse, de coût et d'usure matérielle qui, selon les auteurs, transforment le problème en un défi d'ingénierie systémique autant qu'algorithmique. USER répond à ce constat par deux couches complémentaires. Côté infrastructure, une couche d'abstraction matérielle unifie la gestion de robots hétérogènes, tandis qu'un plan de communication adaptatif organise l'entraînement réparti entre cloud et périphérie (edge). Côté apprentissage, le système repose sur un entraînement entièrement asynchrone, un buffer de rejeu persistant et sensible au cache, ainsi que des abstractions extensibles pour définir récompenses, algorithmes et politiques. Les expériences, menées en simulation et sur du matériel réel, couvrent la coordination multi-robots, des manipulateurs de types différents, l'entraînement cloud-edge avec de grands modèles, et des sessions asynchrones de longue durée. L'abstract ne fournit toutefois aucun chiffre précis de charge utile, de degrés de liberté ou de temps de cycle, ce qui limite l'évaluation indépendante des gains annoncés. Pour l'industrie robotique, ce travail cible un goulot d'étranglement rarement documenté publiquement: faire fonctionner l'apprentissage par renforcement en ligne sur des flottes physiques hétérogènes, à l'heure où les modèles VLA (vision-langage-action) type Pi-0 ou GR00T nécessitent des volumes de données et des cycles d'entraînement continus. Une brique d'orchestration cloud-edge réutilisable, si elle tient ses promesses au-delà du cadre expérimental, réduirait le travail d'intégration pour les équipes qui déploient plusieurs types de bras ou de robots mobiles sous une même boucle d'apprentissage. Mais l'absence de métriques quantitatives comparatives dans l'abstract invite à traiter cette annonce comme une proposition d'architecture logicielle validée en laboratoire, pas comme un système prêt à l'échelle industrielle. Cette publication s'inscrit dans une tendance plus large: à mesure que les modèles fondation pour la robotique (Pi-0 de Physical Intelligence, GR00T N2 de NVIDIA, Helix de Figure) gagnent en taille, l'entraînement purement simulé montre ses limites face au fossé sim-to-réel, poussant les laboratoires vers l'apprentissage en ligne sur robot réel. Le statut de préprint en quatrième révision suggère un travail encore en itération académique, sans calendrier de déploiement pilote ni partenaire industriel annoncé à ce stade.

Recherche❖Paper

1 source

35

2192arXiv cs.RO 

DARP : un jeu de données bimanuel calibré RGB-D-IR pour la perception robotique multi-vues

Le dataset publié sur arXiv (2608.31002v1) présente DARP (Dual-Arm Robotic Perception), un jeu de données calibré RGB-D-infrarouge issu de deux bras manipulateurs indépendants, chacun équipé d'une caméra Intel RealSense en configuration eye-in-hand, placés de part et d'autre d'un même plan de travail. Dix objets de table, sans pose fixe ni marqueur, ont été capturés via un protocole entièrement automatisé : localisation automatique, confirmation croisée entre les deux bras, génération adaptative de points de vue et enregistrement continu RGB, profondeur et infrarouge stéréo synchronisé avec les états articulaires des robots. Un pipeline de fusion multi-vues déterministe, sans complétion apprise ni générative, convertit ces observations calibrées en nuages de points et maillages de surface mesurés ; sur 224 images-clés de test et 1,56 million de points 3D, la distance médiane point-maillage atteint 2,13 mm (RMSE de 4,04 mm), avec 96,56% des points situés à moins de 10 mm de la surface mesurée. Le jeu de données est publié en libre accès sur IEEE DataPort, sous le DOI 10.21227/rmv3-be47. La perception à partir d'un point de vue unique souffre d'auto-occlusions et d'une visibilité incomplète des surfaces, un frein connu pour la manipulation fine, le bin-picking ou l'assemblage collaboratif. En combinant deux bras mobiles plutôt qu'un rig de caméras fixes, DARP fournit un cadre calibré permettant d'évaluer objectivement des algorithmes de fusion multi-vues, de perception active et de raisonnement sur des observations partielles, sans recourir à des vidéos sélectionnées ou des métriques qualitatives. Les résultats millimétriques annoncés valident surtout la précision du pipeline de calibration et de reconstruction géométrique lui-même, et non une capacité de manipulation en conditions réelles : il s'agit d'une brique d'infrastructure de recherche reproductible, utile aux laboratoires travaillant sur la perception bi-manuelle ou collaborative, un terrain encore dominé par des configurations mono-bras. Les caméras montées au poignet sont courantes en robotique manipulatrice, mais la plupart des jeux de données existants, qu'il s'agisse de rigs fixes ou de capteurs mono-bras, ne capturent pas la complémentarité géométrique d'une observation bi-manuelle synchronisée et libre de toute contrainte de pose. DARP se positionne comme une alternative en ciblant spécifiquement la reconstruction collaborative par deux agents mobiles indépendants, sans marqueurs ni positions imposées aux objets. Aucun acteur industriel n'est associé à cette publication, de nature purement académique ; les auteurs présentent DARP comme une ressource réutilisable pour de futurs travaux de reconstruction multi-vues, de fusion multimodale et d'apprentissage sur des observations partielles d'objets, sans calendrier de suivi ni déploiement industriel annoncé à ce stade.

Recherche❖Paper

1 source

35

2193arXiv cs.RO 

Grands modèles vision-langage-action (VLA) pour la manipulation robotique : une revue

Une équipe de chercheurs publie sur arXiv (référence 2508.13073, troisième version) une revue systématique consacrée aux modèles Vision-Language-Action (VLA) construits sur de grands modèles vision-langage (VLM) pour la manipulation robotique. Le travail propose une taxonomie en deux familles d'architectures : les modèles monolithiques, déclinés en conception à système unique ou à double système selon le degré d'intégration entre perception et action, et les modèles hiérarchiques, qui séparent explicitement la planification de l'exécution via des représentations intermédiaires interprétables. La revue couvre l'articulation de ces modèles avec l'apprentissage par renforcement, l'optimisation sans réentraînement, l'apprentissage à partir de vidéos humaines et les modèles du monde, et recense les jeux de données et benchmarks du domaine. Les auteurs publient une page de projet mise à jour en continu sur GitHub, sous le compte JiuTian-VL. Contrairement aux annonces produits qui rythment l'actualité de la robotique humanoïde, ce travail ne présente ni déploiement ni chiffre de performance vérifié : c'est un effort de mise en ordre académique, justifié par la fragmentation et les incohérences de taxonomie qui caractérisent aujourd'hui le champ des VLA. Pour les intégrateurs et décideurs B2B, l'intérêt est méthodologique plutôt qu'opérationnel : la distinction entre architectures monolithiques et hiérarchiques donne une grille pour décrypter des offres commerciales qui se réclament du "VLA" sans détailler leur conception interne. La revue rappelle aussi que plusieurs briques restent des chantiers ouverts, mémoire, perception 4D, adaptation efficace, coopération multi-agents, ce qui tempère l'idée qu'un modèle vision-langage-action généraliste serait déjà un problème résolu à l'échelle industrielle. Les VLA se sont imposés ces dernières années comme alternative aux méthodes robotiques à base de règles, jugées incapables de généraliser à des environnements non structurés, en s'appuyant sur des VLM pré-entraînés sur de vastes corpus image-texte. Cette revue s'inscrit dans une production académique croissante qui tente de cartographier un champ où de nombreux laboratoires publient des architectures concurrentes sans convention de classification commune, d'où l'objectif affiché de résoudre les incohérences des taxonomies existantes. Le document ne cite aucun système commercial ni partenaire industriel précis ; il est pensé comme une ressource vivante, régulièrement actualisée, utile pour situer les futures annonces de VLA propriétaires, qu'elles viennent de laboratoires de recherche ou de fabricants de robots humanoïdes, par rapport à l'état de l'art académique.

Recherche❖Paper

1 source

35

2194arXiv cs.RO 

DREAM : génération de démonstrations au déploiement via transfert réel-vers-simulation pour une adaptation évolutive des politiques

Publié fin août 2026 sur arXiv (2608.29078), l'article présente DREAM (Deployment-Time Demonstration Generation via Real-to-Sim), qui génère automatiquement des données d'entraînement pour un modèle vision-langage-action (VLA) déjà pré-entraîné, sans démonstration humaine spécifique au poste de travail. À partir d'une capture de la scène et d'une instruction en langage naturel, le système reconstruit l'environnement, traduit l'instruction en objectifs symboliques et critères de réussite via un grand modèle de langage, puis planifie des trajectoires par planification tâche-et-mouvement (TAMP). Ces trajectoires sont dupliquées sur des configurations d'objets aléatoires, validées par les critères générés, puis converties en paires image-action pour affiner le VLA. Sur robot réel, les auteurs mesurent le gain de réussite apporté par cet affinage face à un déploiement direct, et comparent le coût de collecte à la téléopération humaine. L'enjeu concerne directement les intégrateurs en robotique de manipulation : déployer un VLA généraliste dans un nouvel entrepôt, une nouvelle cellule ou un nouvel arrangement d'objets exige aujourd'hui de nouvelles démonstrations téléopérées, une opération coûteuse qui freine le passage à l'échelle des politiques généralistes du secteur. En remplaçant cette collecte par de la simulation, de la planification symbolique et du rendu synthétique, DREAM teste l'hypothèse selon laquelle l'écart entre démonstration et déploiement réel peut être comblé sans intervention humaine répétée à chaque site. Si l'approche se confirme, elle intéresse les acteurs qui envisagent de déployer des VLA de type Pi-0 ou GR00T chez plusieurs clients sans constituer une équipe de téléopérateurs pour chaque nouvelle configuration, un frein réel à la commercialisation des politiques généralistes. DREAM s'inscrit dans une lignée de travaux combinant reconstruction real-to-sim, grands modèles de langage et planification robotique pour réduire la dépendance à la téléopération, en parallèle des efforts de plusieurs laboratoires de manipulation depuis l'essor des VLA. Le résumé ne précise ni la plateforme robotique, ni le nombre de degrés de liberté, ni de taux de réussite ou de ratio de coût, des éléments à vérifier dans le texte complet avant toute extrapolation industrielle. Il s'agit pour l'instant d'un résultat de recherche à l'état de prépublication, non d'un produit déployé commercialement, dont la portée dépendra de sa capacité à généraliser au-delà des tâches testées sur robot réel.

Recherche❧Opinion

1 source

35

2195arXiv cs.RO 

Hydra : un modèle d'action pour la navigation combinant planification latente discrète et exécution par flow-matching continu

Des chercheurs présentent Hydra, un modèle "World Action Model" conçu pour la planification et le contrôle en temps réel de robots physiques, décrit dans un article publié le 28 août 2026 sur arXiv (référence 2608.28995v1). Le problème que Hydra cherche à résoudre est celui du décalage de représentation entre les modèles du monde, qui imaginent des futurs possibles à partir d'images, et les planificateurs, qui doivent aujourd'hui décoder chaque candidat de trajectoire en pixels haute dimension pour l'évaluer, une étape coûteuse qui freine le contrôle en temps réel. Hydra intègre le planificateur, à la fois l'échantillonneur et l'évaluateur, directement à l'intérieur du modèle, en construisant un espace latent unifié couvrant états visuels, poses physiques et actions de contrôle, compressé via des quantifications vectorielles en vocabulaires discrets d'intentions kinodynamiques et d'états visuels. Les candidats sont classés par un "Kinematic-Perceptual Cost" sans jamais repasser par l'espace des pixels, une approche que les auteurs nomment Discrete Latent Planning (DLP), couplée à du Flow Matching conditionnel pour transformer chaque intention discrète en trajectoire continue exécutable. Le système a été évalué sur deux plateformes robotiques physiques, sans que l'article ne précise leurs marques ou modèles. Pour l'industrie robotique, cette approche s'attaque directement à un goulot d'étranglement reconnu des architectures VLA (vision-language-action) et des modèles du monde génératifs: la latence introduite par la reconstruction pixel par pixel à chaque étape de planification. Si les résultats se confirment au-delà du cadre de cet article de recherche, ils suggèrent qu'un espace latent partagé et discret peut remplacer la recherche coûteuse en pixels sans sacrifier la qualité de l'exécution en boucle fermée, ce qui intéresserait directement les intégrateurs cherchant à déployer des politiques réactives sur du matériel embarqué à ressources limitées. Les auteurs affirment que Hydra dépasse les modèles du monde de référence en planification orientée objectif, tout en égalant ou dépassant les politiques réactives de type "foundation policy" les plus avancées, une comparaison à prendre avec prudence puisqu'elle provient des auteurs eux-mêmes et non d'une évaluation indépendante. Ce travail s'inscrit dans la lignée des efforts récents visant à combiner modèles du monde génératifs et politiques d'action, un axe de recherche exploré notamment par des familles de modèles comme Pi-0 ou GR00T N2 pour l'exécution réactive continue, mais où peu d'approches avaient jusqu'ici cherché à unifier explicitement planification discrète et exécution continue dans un même espace latent. L'article ne mentionne ni partenariat industriel, ni feuille de route de déploiement, ni acteur français ou européen; il s'agit à ce stade d'une contribution académique publiée en preprint, sans validation par les pairs ni pilote industriel annoncé.

Recherche❧Opinion

1 source

35

2196arXiv cs.RO 

PAVE : alignement prédictif et évolution guidée par la valeur pour les politiques monde-action

Un article publié le 30 août 2026 sur arXiv sous la référence 2608.30378 présente PAVE (Predictive Alignment and Value-Guided Evolution for World-Action Policies), une méthode d'entraînement pour les politiques vision-langage-action (VLA) qui génèrent des actions robotiques continues. Les auteurs pointent deux limites du clonage de comportement standard: les représentations apprises ne sont pas explicitement contraintes à décrire l'évolution de la scène à plusieurs échelles temporelles, et les trajectoires de déploiement de qualité inégale sont réutilisées sans distinguer la dynamique physique utile du comportement indésirable. PAVE conserve un objectif JEPA local à décalage fixe et y ajoute un alignement de transition multi-horizon calculé à 25%, 50%, 75% et 100% de l'épisode restant, des cibles qui n'existent que pendant l'entraînement et ne transmettent aucun token futur explicite à la tête d'action. La méthode entraîne en parallèle un critique de valeur distributionnel indépendant sur les trajectoires cumulées de déploiement, calcule des avantages à N pas alignés sur des blocs d'action, puis les convertit en conditions textuelles positives, négatives ou nulles pour un acteur par flow matching. Le prédicteur multi-horizon et le critique sont retirés à l'exécution en ligne, préservant une génération d'action directe à partir de l'observation courante, de l'instruction et de la proprioception. Les auteurs rapportent la meilleure performance globale sur trois benchmarks de simulation. Ce travail s'attaque à deux angles morts des politiques VLA génératives: leur incapacité à raisonner explicitement sur l'évolution d'une tâche dans le temps, et le gaspillage de données de déploiement hétérogènes, habituellement écartées faute de signal de valeur. En couplant un objectif prédictif type JEPA à un critique appris a posteriori, PAVE cherche à faire cohabiter apprentissage de représentation et amélioration de politique guidée par la récompense sans alourdir l'inférence, un compromis qui intéresse directement les intégrateurs cherchant à exploiter des logs de déploiement imparfaits plutôt que de ne s'entraîner que sur des démonstrations propres. Si le résultat se confirme au-delà de la simulation, il renforcerait l'idée que les architectures VLA peuvent absorber un signal d'amélioration proche du reinforcement learning sans sacrifier la latence de l'exécution directe. La validation ne porte toutefois que sur trois benchmarks de simulation non identifiés, sans transfert documenté vers un robot réel: la revendication de "meilleure performance globale" reste une annonce de recherche, pas une preuve de généralisation sim-to-real. PAVE s'inscrit dans une lignée de recherche qui enrichit les politiques robotiques génératives d'un objectif de type modèle du monde, dans la filiation des architectures JEPA conçues pour apprendre des représentations prédictives sans reconstruction pixel par pixel. L'acteur par flow matching, conditionné dynamiquement par un signal de valeur positif, négatif ou nul, rejoint une tendance plus large consistant à coupler génération d'action continue et apprentissage hors ligne à partir de trajectoires de déploiement imparfaites plutôt que de les écarter. Le papier ne mentionne ni partenaire industriel, ni déploiement sur robot physique, ni date de publication de code: il s'agit d'une contribution académique dont la suite logique attendue serait une évaluation sur matériel réel et une comparaison directe avec les politiques VLA de référence du secteur.

Recherche❧Opinion

1 source

34

2197arXiv cs.RO 

Méthode systématique d'allègement en robotique par optimisation de la distribution d'énergie de déformation

Un article de recherche publie sur arXiv en aout 2026 (arXiv:2608.29146v1) présente une méthode systématique d'allègement des robots fondée sur la distribution de l'énergie de déformation (strain energy). Le principe de départ: dans un système mécanique optimal en masse, cette énergie par unité de masse doit être repartie uniformément entre les composants. Ce critère permet de découpler l'optimisation au niveau du système entier: chaque pièce reçoit un objectif de conception dérivé de sa part d'énergie de déformation, puis est optimisée séparément selon la méthode la plus adaptée (dimensionnement, optimisation topologique, choix de matériau), ce qui conserve la complexité de calcul au niveau de la pièce tout en optimisant le système complet. La méthode est démontrée sur un bras robotique générique, avec des scenarios combinant allègement et amélioration de la rigidité, plusieurs matériaux, plusieurs conditions de charge, et une analyse du comportement vibratoire. L'abstract ne communique aucun chiffre de gain en masse, en rigidité ou en temps de calcul. Pour l'industrie robotique, l'enjeu est concret. Les robots de service au contact des humains, bras collaboratifs, robots mobiles, plateformes humanoïdes, doivent être légers pour la sécurité, l'agilité et l'autonomie énergétique, sans perdre en rigidité structurelle. Or ces systèmes comptent souvent des dizaines de composants hétérogènes, ce qui rend l'optimisation topologique globale très couteuse en calcul. En fournissant un critère physique unique pour repartir l'effort d'optimisation composant par composant, cette méthode vise a rendre l'allègement systémique praticable a l'échelle industrielle, un intérêt direct pour les concepteurs de bras robotiques, d'exosquelettes ou de châssis d'AMR qui cherchent a réduire le poids embarque sans multiplier les cycles de simulation complets. Ce travail s'inscrit dans la lignée des recherches en conception mécanique cherchant a dépasser l'optimisation topologique classique, traditionnellement menée pièce par pièce sans vision système, faute de critère de répartition de l'effort. Aucun partenaire industriel ni déploiement sur un produit commercial n'est mentionne: il s'agit d'une contribution méthodologique publiée en preprint, validée sur un cas d'école plutôt que sur un robot en production, et aucun acteur français ou européen n'y figure. Les suites logiques, non précisées par les auteurs, seraient une validation sur des structures robotiques réelles a plus grande échelle et une comparaison chiffrée avec les méthodes d'optimisation topologique existantes.

Recherche❖Paper

1 source

34

2198arXiv cs.RO 

EMERGE-Policy : un esprit robotique qui dépasse la politique unique

Publié fin août 2026 sur arXiv (2608.29896v1), EMERGE-Policy propose un cadre agentique structuré en graphe pour piloter un robot, en rupture avec l'idée d'une politique unique. Un Agent Principal conserve l'état de la tâche dans sa fenêtre de contexte, pendant que des Sous-Agents dédiés à la perception, à la surveillance de l'exécution, à la vérification et à la mémoire travaillent dans des contextes isolés et ne remontent que des preuves pertinentes. Une interface de "Skills" unifie des modules hétérogènes en trois familles, Opérationnelle, Imagination et Évaluation, avec vérification par critères, diagnostic textuel des échecs et récupération par "Branch Stack", le tout appuyé par une mémoire externe économe en tokens. Sans fine-tuning additionnel, les auteurs annoncent des résultats supérieurs sur plusieurs benchmarks publics et des essais sur robot réel, sans toutefois préciser dans l'abstract les benchmarks, scores ou matériel utilisés. La démarche rompt avec le paradigme dominant du modèle vision-langage-action (VLA) unique entraîné de bout en bout, popularisé par des familles comme Pi-0, GR00T ou Helix, en traitant ces modèles comme de simples "skills" appelables par un orchestrateur multi-agent plutôt que comme la politique elle-même. Elle transpose au contrôle robotique des techniques déjà courantes chez les agents LLM: agent principal, sous-agents spécialisés, mémoire externe, vérification par critères. Pour les intégrateurs, l'enjeu est la fiabilité en conditions réelles: si la robustesse vient de l'orchestration et de l'auto-vérification plutôt que d'un modèle toujours plus gros, cela offrirait une voie pour corriger les échecs sans réentraîner le modèle de base, une réponse directe à l'écart persistant entre démonstrations et déploiement reproché aux VLA. Le travail s'inscrit dans une tendance plus large de transfert des architectures d'agents LLM, orchestration multi-agents, appel d'outils, mémoire persistante, vers la robotique, alors que les modèles de fondation VLA (RT, OpenVLA, GR00T N2, Pi-0, Helix) sont devenus la recette par défaut pour la manipulation chez les humanoïdes. L'article ne mentionne aucune institution ni entreprise porteuse du projet et reste une prépublication non revue par les pairs. EMERGE-Policy est donc pour l'instant une proposition de recherche, pas un système déployé ou commercialisé, dont les résultats appellent une évaluation indépendante avant toute extrapolation industrielle.

Recherche❖Paper

1 source

34

2199arXiv cs.RO 

Motus2 : un modèle du monde général auto-évolutif pour la manipulation dextérique

Un article déposé sur arXiv fin août 2026 (arXiv:2608.30237) présente Motus2, un modèle du monde pour la manipulation dextre. Plutôt que d'ajouter une simple tête d'action à un simulateur, il repose sur un seul réseau à poids partagés exposant trois interfaces : une politique qui propose des séquences d'actions, un simulateur qui en prédit les conséquences visuelles, et un évaluateur qui juge ces prédictions, le tout formant une boucle fermée de décision et d'apprentissage. L'entraînement combine démonstrations expertes triées et interactions ratées, réutilisées comme signal pour la dynamique et la valeur. Les données montent en échelle, de vidéos égocentriques monoculaires vers des données stéréo puis des trajectoires robotiques réelles, avec retour tactile et instanciation sur une plateforme biomimétique à deux bras et deux mains dextres. Aucun chiffre de charge utile, de temps de cycle ou de taux de réussite n'est fourni. L'enjeu est de dépasser un défaut classique des modèles du monde robotiques, la déconnexion entre prédiction et apprentissage utile. En unifiant politique, simulateur et évaluateur, Motus2 vise une boucle d'auto-amélioration où le robot apprend aussi de ses échecs, non plus seulement de démonstrations humaines coûteuses à collecter à grande échelle, un frein connu pour les modèles vision-langage-action comme Pi-0 ou GR00T N2. Si l'approche se confirme au-delà du papier, elle réduirait la dépendance à la téléopération massive. L'absence de métriques chiffrées dans le résumé invite toutefois à la prudence, il s'agit d'une proposition architecturale, non d'un résultat comparé publiquement à l'état de l'art. Ce travail s'inscrit dans la vague des modèles du monde appliqués à la robotique généraliste, où les laboratoires opposent depuis 2025 approches génératives pures et architectures hybrides combinant simulation et politique. Motus2 se distingue par le partage total des poids entre ses trois fonctions et l'usage explicite des échecs comme signal d'apprentissage. Le choix d'une plateforme bimanuelle à mains dextres et retour tactile vise la manipulation fine plutôt que la seule locomotion humanoïde. L'article ne précise ni laboratoire d'origine ni calendrier de déploiement pilote, à ce stade Motus2 reste un jalon de recherche en préprint, dont la validation empirique reste à documenter.

IA physique❖Paper

1 source

33

2200arXiv cs.RO 

Apprentissage de la traversée agile de structures 3D éparses par des humanoïdes grâce à la perception

Les chercheurs à l'origine de la publication arXiv 2608.29769, mise en ligne fin août 2026, présentent un système de contrôle perceptif pour robot humanoïde capable de traverser des structures 3D éparses de type barres de singe (monkey bars). Le robot doit sauter pour agripper la structure, se déplacer de barre en barre par brachiation, puis atterrir en sécurité. La politique de contrôle, entraînée par apprentissage par renforcement, exploite directement les données brutes d'un lidar solid-state monté sur la tête, traitées par un encodeur à mécanisme d'attention couplé à une mémoire récurrente pour extraire la géométrie utile de retours lidar clairsemés. L'entraînement suit un pipeline enseignant-élève séquencé par phases, combinant des experts privilégiés spécialisés pour le saut initial, la brachiation et l'atterrissage. Le transfert vers le matériel réel intègre la modélisation du bruit lidar, de la chute de tension de la batterie et des limites thermiques des actionneurs, le robot étant équipé de crochets passifs en guise d'effecteurs pour une prise fiable sur les barres. Sur le matériel, la politique complète la séquence saut-brachiation-atterrissage dans 14 essais sur 15, sur trois configurations de barres différentes, avec des vitesses de brachiation atteignant 0,5 m/s. Le même socle de perception permet aussi d'entraîner séparément une politique capable de se baisser sous des obstacles suspendus fins, avec des sections de seulement 2 cm. Ce travail illustre un déplacement du curseur dans la recherche en robotique humanoïde: au-delà de la marche sur sol plat, l'enjeu devient la traversée de terrains épars et suspendus, difficiles à percevoir avec un lidar dont les retours sont peu denses sur des géométries fines. Le taux de réussite de 14/15, bien que sur seulement trois configurations testées et non en environnement réel diversifié, constitue une preuve tangible que le transfert simulation-vers-réel peut fonctionner pour du contrôle dynamique du corps entier conditionné par la perception, y compris en tenant compte de contraintes matérielles concrètes comme la dérive de tension batterie ou l'échauffement des actionneurs. Pour les intégrateurs et décideurs du secteur, ce résultat reste un signal de recherche plutôt qu'une brique produit: il valide une approche technique (RL perceptif basé lidar avec encodeur attentionnel) mais ne dit rien des coûts, de la robustesse en conditions non contrôlées, ni d'un calendrier de commercialisation. Le papier s'inscrit dans une dynamique plus large de la recherche en locomotion agile pour humanoïdes, où les capacités testées glissent progressivement de la marche et de la course vers des compétences proches du parkour: sauts précis, franchissement d'obstacles suspendus, préhension dynamique. Le résumé ne précise pas l'affiliation des auteurs ni de partenariat industriel, et aucun acteur français ou européen n'est mentionné dans cette publication. Les prochaines étapes attendues pour ce type de travaux incluent l'élargissement à des configurations de barres plus variées et des tests en environnements moins contrôlés, avant d'envisager une application à des scénarios concrets comme l'inspection ou la navigation en environnement encombré.

Recherche❖Paper

1 source