Actualités robotique — page 63

7 309 articles au fil, du plus récent au plus ancien.

43

3101arXiv cs.RO 

Première déployable à centre de masse dynamique : un référentiel unifié pour l'équilibre monopode humanoïde

Une équipe de recherche en robotique humanoïde publie un constat sévère sur arXiv (2608.00500v1) : sur un benchmark dédié à l'équilibre monopode, huit politiques de contrôle unifiées considérées comme état de l'art échouent intégralement, ne tenant une position stable sur une seule jambe pour aucun des 90 mouvements testés. Ces systèmes ne préviennent pas la perte d'équilibre, ils la subissent et compensent en sautillant ou en reposant le pied au sol. Les chercheurs identifient la cause : aucune politique matérielle n'exploite le point de capture (xCoM), une variable dérivée de la vitesse du centre de masse, car son calcul classique nécessite une vitesse linéaire du bassin qu'aucun capteur embarqué ne fournit directement. Leur solution consiste à exprimer cette vitesse par rapport au pied d'appui plutôt qu'à un référentiel absolu, ce qui fait disparaître le terme problématique et rend l'observation reconstructible à partir des seuls encodeurs et de la centrale inertielle. Entraînée avec la méthode FastSAC en configuration asymétrique, avec un critique privilégié et sans distillation, la politique résultante (baptisée FDDC) tient un équilibre monopode propre sur 86 des 90 mouvements de test répartis en neuf classes de postures, et le résultat se transfère à un robot Unitree G1 réel. Pour l'industrie humanoïde, ce travail documente un angle mort rarement chiffré : la capacité à rester stable est traitée comme acquise dans les démonstrations, alors qu'elle échoue de façon quasi systématique dès qu'on la teste rigoureusement hors des trajectoires d'entraînement habituelles. Cela relativise les vidéos de marche ou de manipulation dynamique diffusées par les fabricants, dont la robustesse posturale reste largement invérifiée en dehors du script filmé. L'étude d'ablation renforce ce point : retirer la seule observation de centre de masse dynamique fait chuter le score de 40 points, ce qui en fait le facteur dominant, davantage qu'un ajustement de récompense ou d'architecture. Les auteurs situent leur approche dans la lignée du contrôle postural humain, dont ils traduisent terme à terme la logique de récompense, et publient l'ensemble du code ainsi qu'un benchmark sim-à-sim agnostique à la méthode, évalué dans un simulateur différent de celui de l'entraînement pour limiter le biais. L'objectif affiché est de transformer l'équilibre d'une astuce ponctuelle par tâche en une capacité mesurable et comparable à l'échelle du secteur.

Recherche❖Paper

1 source

43

3102arXiv cs.RO 

Pourquoi le découpage en séquences (action chunking) améliore-t-il les performances du clonage comportemental en robotique ?

Une équipe de recherche en apprentissage robotique publie une étude (arXiv:2608.02547v1) qui démonte les explications reçues sur le "action chunking", cette technique consistant à faire prédire et exécuter plusieurs actions d'affilée à une politique de contrôle plutôt qu'une seule à la fois, généralisée dans les politiques de clonage comportemental. À travers des expériences en simulation et en conditions réelles, les auteurs montrent que les trois hypothèses jusqu'ici avancées pour expliquer son efficacité, la cohérence temporelle, la réduction d'horizon et l'apprentissage de représentation, ne tiennent pas à l'épreuve des faits. Le vrai mécanisme, selon eux, tient à une expressivité non markovienne accrue et à une réduction de l'erreur cumulative par rapport aux politiques markoviennes classiques, un effet qui peut être entièrement reproduit par de simples politiques retardées, prédisant une action unique à partir d'une observation vieille de k pas de temps. Les chercheurs identifient aussi un second bénéfice, baptisé "implicit ensembling": en apprenant simultanément plusieurs relations temporelles entre observations et actions, une politique chunkée se comporte comme un ensemble de modèles, gagnant en robustesse et en généralisation. Cette clarification a une portée pratique directe pour quiconque conçoit des politiques VLA (vision-langage-action) ou des pipelines de clonage comportemental: elle explique un gain de performance jusqu'ici traité comme un fait empirique quasi magique, et ouvre la voie à des architectures plus efficaces. Les auteurs démontrent qu'on peut égaler les performances du action chunking sans chunking, en déployant une politique sous forme d'ensemble à délais aléatoires, puis proposent une classe de politiques instanciant explicitement cet ensemble, qui surpasse le chunking classique sur plusieurs bancs d'essai. Pour les équipes qui entraînent des modèles de contrôle par imitation, cela suggère un axe d'optimisation concret: remplacer un chunking coûteux en calcul par un ensemble de politiques à délais, plus léger et potentiellement plus performant. Le action chunking s'est imposé ces dernières années comme composant standard dans des architectures largement utilisées comme ACT (Action Chunking Transformer) ou Diffusion Policy, ainsi que dans plusieurs modèles VLA récents, sans qu'un consensus scientifique n'explique précisément pourquoi il fonctionne aussi bien. Ce travail s'inscrit dans un effort plus large de la recherche en robotique pour dépasser les résultats empiriques et bâtir une théorie du clonage comportemental, alors que les hypothèses concurrentes s'accumulaient sans validation rigoureuse comparative.

Recherche❖Paper

1 source

43

3103arXiv cs.RO 

Vers un toucher intégral scalable en géométrie pour humanoïdes : peau EIT conforme imprimée en 3D

Une équipe de recherche a publié le 4 août 2026 sur arXiv (référence 2608.02080) une peau tactile conforme fabriquée par impression 3D, basée sur la tomographie d'impédance électrique (EIT), pour la détection tactile corps entier des humanoïdes. Le dispositif combine une couche de TPU (polyuréthane thermoplastique) conducteur poreux formant un domaine de détection continu, et des patchs de contact à faible résistance qui améliorent la sensibilité tout en préservant l'imprimabilité. Le contact avec la peau modifie les tensions mesurées aux électrodes de bord, reconstruites par un solveur EIT de Gauss-Newton en une seule étape, sans post-traitement supervisé. Trois prototypes ont été testés : une version plane, une version courbe en U, et une géométrie qualitative reprenant la forme du visage d'iCub, l'humanoïde de l'Istituto Italiano di Tecnologia. Sur le prototype courbe, l'erreur de localisation moyenne atteint 6 mm sur 18 positions de contact. L'enjeu dépasse la simple prouesse technique. Les réseaux de taxels classiques (capteurs tactiles discrets multipliés sur la surface) passent mal à l'échelle : plus la surface couverte augmente, plus le câblage devient complexe, et chaque nouvelle géométrie de robot impose un redesign spécifique. En s'appuyant sur une fabrication additive adaptable à la géométrie, cette approche EIT vise justement à réduire ce fardeau de redesign propre à chaque morphologie, un enjeu central alors que l'industrie humanoïde cherche à équiper des corps entiers de peau tactile plutôt que des zones isolées (mains, pieds). Il faut toutefois noter les limites : la validation repose sur seulement 18 points de contact pour le prototype courbe, et le test sur la géométrie de visage reste qualitatif, sans erreur de localisation chiffrée. Ce travail reste donc à un stade de preuve de concept, pas de peau déployée sur un robot fonctionnel. L'EIT tactile n'est pas une idée nouvelle en robotique : elle séduit depuis plusieurs années comme alternative aux grilles de capteurs denses, puisqu'elle ne nécessite de mesurer qu'aux électrodes périphériques et reconstruit la position du contact par un problème inverse. Le choix d'iCub comme géométrie de test s'inscrit dans une tradition de plateformes de recherche académique en robotique tactile. Les prochaines étapes attendues porteraient sur le passage à l'échelle d'un corps entier, l'intégration sur du matériel robotique réel, et une validation quantitative au-delà du test qualitatif sur la forme du visage, ce papier n'ayant pas encore été évalué par les pairs.

Recherche❖Paper

1 source

42

3104arXiv cs.RO 

Traduction pipeline hybride d'estimation de l'attention pour une IHR adaptative avec une tête robotique expressive

Une équipe de recherche présente dans un article arXiv (soumis fin juillet 2026, référence 2608.00284) un pipeline hybride d'estimation de l'attention visuelle pour l'interaction homme-robot, testé sur une tête robotique expressive basée sur l'écosystème open source InMoov. Le système combine deux couches de perception indépendantes: une couche géométrique rapide qui suit en haute fréquence la position du visage et l'orientation de la tête pour la régulation temporelle, et une couche sémantique s'appuyant sur un modèle vision-langage (VLM) qui analyse les images brutes de la caméra égocentrique du robot pour produire des étiquettes contextuelles (attention portée au robot, usage du téléphone, regard ailleurs). Ces deux flux sont fusionnés par une machine à états finis qui pilote le comportement adaptatif du robot: activation, mise en attente, reprise d'interaction et retour au repos. Le dispositif a été évalué avec 10 participants sur 40 essais, répartis entre une condition de référence et une condition d'interaction adaptative avec distraction. Cette démonstration illustre une tendance de fond dans la robotique sociale: le passage d'une perception purement géométrique, rapide mais limitée au suivi de pose, vers des architectures hybrides qui ajoutent une couche de compréhension contextuelle via VLM sans sacrifier la réactivité temps réel nécessaire à une interaction fluide. Pour les intégrateurs travaillant sur des robots d'accueil, d'assistance ou éducatifs, l'apport principal est méthodologique plutôt que spectaculaire: les auteurs montrent que les signaux géométriques et sémantiques apportent une information non redondante, ce qui justifie l'architecture à deux couches plutôt qu'un unique modèle VLM plus lourd et plus lent. Le résultat reste toutefois un prototype de recherche à faible échelle, avec des essais contrôlés en laboratoire et non un déploiement en conditions réelles. InMoov, plateforme de tête et de main robotiques open source lancée par le designer français Gaël Langevin il y a plus d'une décennie, sert ici de base matérielle low-cost pour prototyper des comportements d'interaction adaptative habituellement réservés à des plateformes commerciales fermées. L'article s'inscrit dans la lignée des travaux combinant perception classique et modèles de fondation multimodaux pour l'HRI, un axe de recherche actif face à des systèmes concurrents intégrant directement la compréhension de scène dans des architectures VLA plus larges. Les auteurs ne mentionnent pas de suite commerciale ou de partenariat industriel annoncé à ce stade.

Recherche❖Paper

1 source

42

3105arXiv cs.RO 

Planification à base d'agents en lots pour le service de politiques robotiques

Des chercheurs du Georgia Tech (laboratoire RL2) publient un article intitulé "Action Chunk Scheduling for Batched Robot Policy Serving" (arXiv:2608.00337v1), qui pose un problème encore peu formalisé dans la robotique : comment servir un même modèle de politique robotique, hébergé sur un GPU distant, à plusieurs robots simultanément. Les auteurs présentent Armory, un système de service ("serving") conçu pour cet usage et validé à la fois sur des flottes de robots simulés et sur des robots réels. Leurs expériences montrent que les heuristiques de scheduling classiques (les méthodes de batching habituelles en inférence LLM) fonctionnent correctement tant que tous les robots de la flotte sont identiques et consomment les actions au même rythme. Mais dès que les robots consomment leurs "action chunks" (blocs d'actions produits par les modèles Vision-Language-Action) à des vitesses différentes, ces heuristiques échouent : elles ne tiennent pas compte des contraintes en boucle fermée ("closed-loop") propres à l'exécution de politiques robotiques. Pour corriger ce défaut, l'équipe propose un nouvel algorithme de scheduling qui intègre cette hétérogénéité de rythme entre robots, avec un gain de débit système mesuré jusqu'à 18 % lors d'essais réels. Le code et les détails sont disponibles sur gatech-rl2.github.io/actionchunkscheduling. Le résultat touche un point aveugle du déploiement à grande échelle des modèles fondation pour la robotique (VLA type Pi-0, GR00T N2, Helix ou autres) : le calcul embarqué est limité en puissance et en encombrement, ce qui pousse naturellement vers une inférence déportée sur GPU distant, mutualisée entre plusieurs robots pour amortir les coûts. Or les architectures de batching héritées du monde LLM, pensées pour du texte asynchrone, ignorent la contrainte physique du temps réel robotique : un robot qui épuise son buffer d'actions avant d'être resservi s'arrête ou dégrade sa trajectoire. Ce papier démontre empiriquement que cette mécanique de service compte autant que la qualité du modèle lui-même pour faire fonctionner une flotte hétérogène en production, un enjeu direct pour les intégrateurs qui veulent mutualiser l'inférence entre robots de générations ou de tâches différentes plutôt que de multiplier les cartes embarquées. Ce travail s'inscrit dans la vague récente de modèles VLA génériques (Pi-0 de Physical Intelligence, GR00T N2 de NVIDIA, Helix de Figure) qui cherchent à démontrer un contrôle robotique à l'échelle d'une flotte plutôt qu'à l'unité, un terrain où l'infrastructure de service devient aussi critique que l'entraînement. En formalisant le problème comme un scheduling explicite et en le testant sur du matériel réel plutôt que seulement en simulation, les auteurs positionnent Armory comme une brique d'infrastructure réutilisable, potentiellement comparable aux serveurs d'inférence LLM (type vLLM) mais adaptée aux contraintes temps réel de la robotique. L'article ne précise pas de partenariat industriel ni de déploiement commercial annoncé ; il s'agit pour l'instant d'un résultat de recherche académique, avec du code ouvert, plutôt que d'un produit prêt à l'emploi.

Infrastructure⚡Actu

1 source

42

3106arXiv cs.RO 

Filtrage adaptatif de Kalman basé sur les résidus pour l'estimation d'état des robots à pattes

Des chercheurs proposent une nouvelle méthode d'adaptation en ligne pour l'estimation d'état des robots à pattes, publiée sur arXiv (2608.02316) début août 2026. Le filtre de Kalman est l'outil standard pour estimer la position et la vitesse du corps flottant d'un robot en fusionnant plusieurs capteurs, mais le réglage de ses paramètres de bruit (matrices de covariance de processus Q et de mesure R) exige une expertise pointue et reste figé face aux changements de démarche ou d'environnement. L'équipe introduit une adaptation basée sur le résidu du filtre et l'innovation, intégrée dans un filtre de Kalman étendu invariant (InEKF) qui fusionne données IMU et cinématique des pattes. Les tests, menés en intérieur et en extérieur sur un quadrupède Unitree Go2, montrent qu'adapter uniquement R suffit à améliorer la précision de 25 % en trot par rapport à un InEKF réglé de façon fixe, tout en égalant les performances d'une approche concurrente basée sur des capteurs de force au sol. Pour l'industrie robotique, l'enjeu dépasse la seule performance chiffrée: cette méthode supprime le besoin de capteurs de force plantaire, souvent coûteux ou absents sur des plateformes commerciales comme le Go2, et réduit la dépendance à un réglage manuel expert lors du déploiement sur de nouveaux terrains ou de nouvelles démarches. Pour les intégrateurs qui cherchent à faire tourner des robots à pattes hors laboratoire, sur des sols irréguliers ou en extérieur, un estimateur d'état qui s'auto-ajuste en temps réel limite les échecs de contrôle liés à un mauvais calage des filtres, un problème récurrent qui freine le passage des démonstrations en intérieur vers des déploiements réels plus robustes. L'estimation d'état par filtre de Kalman est un pilier du contrôle basé modèle en robotique à pattes depuis des années, avec l'InEKF comme évolution reconnue pour sa cohérence géométrique. Les approches précédentes s'appuyaient largement sur des capteurs de force additionnels pour corriger les dérives, une solution matérielle plus lourde. En s'appuyant uniquement sur IMU et cinématique, cette adaptation résiduelle s'inscrit dans une tendance plus large vers des pipelines de perception moins dépendants d'instrumentation spécialisée, avec des validations attendues sur d'autres démarches et plateformes bipèdes ou humanoïdes.

Recherche❖Paper

1 source

42

3107arXiv cs.RO 

Modèles du monde en temps réel : étude empirique de l'exécution fluide via déploiement asynchrone

Des chercheurs publient une étude empirique comparant six stratégies de déploiement asynchrone pour les World Action Models (WAM), ces modèles qui génèrent des blocs d'actions à horizon fixe via débruitage itératif (diffusion). Le problème ciblé : cette génération itérative introduit une latence d'inférence importante, provoquant pauses, actions obsolètes et discontinuités lors de l'exécution robotique. Publiée le 1er août 2026 (arXiv:2608.01880), l'étude teste sur un robot bimanuel fonctionnant à 10 Hz six approches : exécution synchrone, commutation asynchrone pure, fusion post-hoc des actions, fusion pendant le débruitage, guidage de vélocité au moment de l'inférence, et génération conditionnée par préfixe. L'évaluation combine analyse hors ligne des trajectoires et expériences en conditions réelles sur trois types de tâches : manipulation dynamique, placement de précision et tâches à long horizon. Résultat central : la génération conditionnée par préfixe, qui apprend pendant l'entraînement à produire des continuations d'actions cohérentes, obtient le meilleur équilibre entre performance, vitesse d'exécution et fluidité de trajectoire. Cette étude s'attaque à un verrou d'ingénierie rarement documenté publiquement : les WAM basés sur la diffusion, comme Pi-0, GR00T N2 ou Helix, doivent produire des séquences d'actions par débruitage itératif, un processus lent qui entre en conflit direct avec les exigences temps réel du contrôle moteur. Les auteurs montrent qu'un mauvais alignement temporel entre observations, prédictions et commandes exécutées crée des discontinuités aux frontières des blocs d'actions qu'aucune technique de fusion ne peut corriger après coup, un point souvent négligé dans les démonstrations marketing de robots humanoïdes. Ils montrent aussi que le guidage de vélocité, une piste pourtant prometteuse sur le papier, échoue à contraindre fiablement les actions déjà engagées sur leur plateforme. Pour les intégrateurs et ingénieurs déployant des VLA en production, ces résultats offrent un guide pratique des compromis réels plutôt qu'une promesse générique de fluidité. Le travail s'inscrit dans la lignée des recherches sur les modèles vision-langage-action (VLA) qui, depuis l'essor de l'architecture par diffusion pour la génération de trajectoires robotiques, cherchent à résoudre la tension entre expressivité du modèle et contraintes de latence en temps réel. Il ne s'agit pas d'un produit commercialisé ni d'un déploiement industriel annoncé, mais d'une étude empirique de laboratoire comparant des stratégies existantes sur un banc d'essai contrôlé. Les auteurs présentent leurs résultats comme une clarification méthodologique destinée à guider les futurs déploiements de WAM à forte latence, sans préciser à ce stade de suite commerciale ou de partenariat industriel.

Recherche❖Paper

1 source

42

3108arXiv cs.RO 

Contrôleur co-adaptatif entraîné en simulation pour exosquelettes de hanche : validation métabolique et biomécanique de l'entraînement multi-agents par étapes (SMAT)

Des chercheurs ont publié le 4 août 2026 sur arXiv (2608.00715v1) la première validation physiologique de SMAT (Staged Multi-Agent Training), un contrôleur d'exosquelette de hanche entraîné entièrement en simulation physique. La méthode repose sur un curriculum en quatre étapes qui entraîne conjointement un acteur musculosquelettique simulant l'humain et un acteur bilatéral pilotant l'exosquelette de hanche, une approche pensée pour gérer la co-adaptation entre le porteur et le dispositif, un problème non stationnaire puisque l'utilisateur réorganise sa coordination neuromusculaire au fur et à mesure que l'appareil modifie la dynamique articulaire. La politique a été déployée sur du matériel réel et testée sur huit adultes en bonne santé, avec mesure du coût métabolique par calorimétrie indirecte sur trois conditions : sans exosquelette, exosquelette passif, et assistance active. L'assistance active a réduit la dépense métabolique nette de 19,7 % par rapport au mode passif (p < 0,001), et l'analyse biomécanique a confirmé une puissance mécanique de hanche majoritairement positive chez tous les sujets, avec un ratio de puissance positive de 0,98. La politique s'est aussi généralisée à différentes vitesses de marche et différents terrains, sans réentraînement spécifique à chaque sujet. Ce résultat compte parce qu'il répond directement à un doute récurrent dans le secteur de l'exosquelette assisté : les contrôleurs appris en simulation tiennent-ils réellement la comparaison face au benchmark de référence, la mesure métabolique en conditions réelles ? Beaucoup de démonstrations de dispositifs d'assistance s'arrêtent à des essais biomécaniques ou à des retours qualitatifs, sans franchir l'étape de la validation métabolique complète. Ici, un seul modèle entraîné en sim, déployé tel quel sur huit personnes différentes, produit un bénéfice mesurable et statistiquement significatif, ce qui constitue un argument concret pour le transfert sim-to-real dans les dispositifs portables et pour les approches d'apprentissage multi-agents appliquées à la robotique portée. Le travail s'inscrit dans la lignée des recherches sur l'assistance à la marche par exosquelette, un champ où les contrôleurs basés sur des règles ou des optimisations individuelles dominent encore largement le marché commercial. SMAT avait déjà montré des gains en simulation et une assistance positive sur banc d'essai avant cette étude ; la contribution ici est la validation clinique sur sujets sains. Les auteurs notent que la généralisation aux terrains et vitesses ouvre la voie à des essais élargis, potentiellement vers des populations cliniques ou des usages industriels, sans que des dates de déploiement commercial ne soient précisées.

Exosquelettes❖Paper

1 source

42

3109arXiv cs.RO 

Weights or Skills ? Un panorama des techniques d'apprentissage pour robots, des poids prédictifs d'action aux robots qui écrivent leurs propres compétences

Un nouveau survey déposé sur arXiv (2608.01851v1, catégorie "new") propose une taxonomie de l'apprentissage robotique organisée autour d'un axe central : poids figés contre code exécutable. D'un côté les modèles vision-langage-action (VLA), qui encodent la compétence dans des poids gelés après entraînement. De l'autre, des agents qui écrivent et corrigent eux-mêmes leurs compétences sous forme de code. Les auteurs classent les méthodes "code-as-policy" selon leur degré d'auto-amélioration, de la simple génération de programme zero-shot jusqu'à une boucle ouverte combinant retour d'exécution, mémoire de compétences persistante et recherche évolutionnaire. Seuls quelques systèmes très récents, comme ASPIRE, ENPIRE et RoboClaw, occupent cette case la plus avancée. Le survey passe aussi en revue le pôle "compétences", de la découverte non supervisée par apprentissage par renforcement aux bibliothèques de compétences pilotées par grands modèles de langage, et relève que le mot "skill" recouvre au moins cinq sens différents, dont un seul, la version code, permet une auto-amélioration sans mise à jour de gradient. Au total, 77 systèmes représentatifs sont analysés à travers six familles de techniques. Pour les intégrateurs et décideurs en robotique, cette cartographie clarifie un choix stratégique concret : miser sur des politiques VLA prévisibles mais figées, ou sur des agents capables de faire évoluer leurs propres compétences sans réentraînement, au prix d'une fiabilité encore incertaine. Le survey pointe aussi un décalage révélateur pour le secteur commercial : les places de marché de compétences robotiques existantes, qui vendent des "skills" en un clic, ne livrent aujourd'hui que de la lecture statique, sans adaptation réelle. Cela douche l'idée d'un écosystème mature de compétences interopérables entre robots. Plutôt qu'un catalogue exhaustif, les auteurs ont volontairement resserré leur corpus à 77 systèmes avec des définitions opérationnelles et les limites explicites de chaque famille de méthodes. Ils formulent enfin un agenda de recherche autour de problèmes non résolus : adaptation, portabilité inter-plateformes, traçabilité de provenance, vérification de sécurité, composition et standardisation des compétences, autant de chantiers dont dépendra la viabilité d'une véritable économie du skill robotique.

Recherche❖Paper

1 source

42

3110arXiv cs.RO 

Robot quadrupède aveugle : Open-DiffLoco, apprentissage différentiable open source pour la locomotion déployable

Un preprint publié le 2 août 2026 sur arXiv (arXiv:2608.02069) présente Open-DiffLoco, un framework open source pour entraîner des politiques de locomotion quadrupède "aveugle" (sans caméra, uniquement proprioceptive) via simulation différentiable. Le système implémente l'algorithme SHAC (Short-Horizon Actor-Critic) dans MuJoCo XLA (MJX) et a été testé sur un robot Unitree Go2. La politique déployée se passe d'observations privilégiées comme la vitesse linéaire du corps et ne repose sur aucune trajectoire de référence, avec une fonction de récompense fortement simplifiée par rapport aux pipelines RL classiques. Sur le robot physique, elle suit des commandes de vitesse omnidirectionnelles avec une erreur quadratique moyenne inférieure à 0,2 m/s, atteint des vitesses supérieures à 1 m/s, et résiste aux terrains irréguliers ainsi qu'aux poussées latérales externes. L'entraînement consomme moins de 6 Go de VRAM sur une seule GPU RTX 5080 et se termine en 20 à 60 minutes. Les auteurs introduisent aussi JAVE (Jacobian-Augmented Value Estimation), une extension qui supervise les jacobiennes du critique pour améliorer l'apprentissage du gradient de politique en début d'entraînement. Code et vidéos sont disponibles sur diffloco.martin-opat.com. L'apport principal n'est pas la performance brute mais l'accessibilité. La simulation différentiable promettait depuis plusieurs années des gains d'efficacité face au RL classique, mais aucun outil open source ne permettait jusqu'ici un transfert simulation-vers-réel complet et reproductible. En abaissant le coût de calcul à moins d'une heure sur du matériel grand public, Open-DiffLoco réduit la barrière d'entrée pour les labos académiques et petites équipes sans accès aux clusters des grands groupes. Supprimer les observations privilégiées et les trajectoires de référence répond aussi au problème classique du "reality gap": une politique entraînée sans ces béquilles simulées généralise statistiquement mieux sur le terrain réel. C'est une contribution méthodologique, pas un produit commercial, mais elle valide l'idée que la simulation différentiable peut remplacer une part de l'ingénierie de récompense complexe encore dominante dans le secteur. Le travail s'appuie sur SHAC, algorithme acteur-critique à horizon court développé initialement chez Nvidia, adapté ici à MuJoCo XLA, moteur de simulation différentiable de Google DeepMind optimisé pour le calcul vectorisé sur GPU. Le choix du Unitree Go2, plateforme quadrupède peu coûteuse largement adoptée en recherche académique face aux robots industriels type Boston Dynamics, traduit une volonté de reproductibilité par des équipes aux moyens limités. Les auteurs, autour de Martin Opat, revendiquent la première implémentation open source complète pour la locomotion déployable via simulation différentiable. La suite logique pointe vers des morphologies plus complexes, notamment humanoïdes, et vers l'ajout de perception visuelle au-delà de la seule proprioception testée ici.

Recherche❖Paper

1 source

41

3111arXiv cs.RO 

Interpréteur vision-langage ancré pour la planification bimanuelle de tâches et mouvements à long horizon

Le laboratoire de recherche Omron Sinic X a publié une version mise à jour sur arXiv d'un article présentant ViLaIn-TAMP, un système hybride de planification pour robots bimanuels. Le framework combine trois briques : un interpréteur vision-langage (ViLaIn, dérivé d'un travail antérieur) qui convertit des entrées multimodales en spécifications structurées au format PDDL, un moteur de planification tâche-et-mouvement (TAMP) qui transforme ces spécifications en séquences de trajectoires concrètes en vérifiant leur faisabilité géométrique et symbolique avant exécution, et un module de planification corrective (CP) qui récupère les retours d'échec moteur et les réinjecte comme contraintes pour affiner la spécification initiale. Les chercheurs ont conçu des tâches de manipulation bimanuelle complexes dans un contexte de cuisine pour évaluer le système. Résultat : ViLaIn-TAMP dépasse de 17,5 points le taux de réussite moyen d'une approche de référence où un modèle vision-langage sert directement de planificateur, et le module correctif ajoute 32,9 points supplémentaires. Le framework a aussi été testé sur un robot physique à deux bras. L'enjeu dépasse la simple performance chiffrée. La quasi-totalité des travaux existants sur la planification pilotée par le langage se limite à des tâches de préhension-dépose à un seul bras, laissant la manipulation bimanuelle, où les sous-tâches sont étroitement interdépendantes et où les collisions inter-bras doivent être gérées explicitement, largement inexplorée. Les modèles vision-langage seuls agissent en boîte noire, sans garanties de sécurité vérifiables, tandis que les planificateurs symboliques classiques offrent ces garanties mais exigent une expertise poussée pour être configurés. En combinant les deux, ViLaIn-TAMP vise à répondre à un besoin concret pour les intégrateurs industriels : obtenir un comportement robotique interprétable et vérifiable avant déploiement, plutôt qu'une démonstration qui échoue silencieusement en conditions réelles. Le travail s'inscrit dans la continuité d'un ViLaIn antérieur, adapté ici pour la planification tâche-et-mouvement complète plutôt que la seule interprétation de scène. Il se positionne explicitement contre les approches où un modèle vision-langage fait office de planificateur de bout en bout, une tendance qui gagne du terrain mais que ces résultats questionnent en matière de fiabilité sur tâches longues et bimanuelles. Le code et les démonstrations sont disponibles sur la page du projet hébergée par Omron Sinic X.

Recherche❖Paper

1 source

41

3112arXiv cs.RO 

Ego2Robot : synthèse de données robotiques à grande échelle à partir de données humaines égocentriques

Une équipe de recherche publie Ego2Robot, un pipeline conçu pour transformer des vidéos de manipulation humaine filmées à la première personne (égocentriques) en données d'entraînement robotique. La méthode combine trois étapes : le retargeting des actions humaines vers des trajectoires robotiques, la synthèse visuelle d'un bras robotique inséré dans la scène, et une curation de qualité à plusieurs niveaux pour filtrer les séquences exploitables. Le résultat annoncé est un jeu de données de 18 561 heures de données robotiques synthétisées, couvrant 15 morphologies de robots différentes, ce qui en ferait le plus grand corpus ego-vers-robot jamais constitué. Pour évaluer la capacité de généralisation des modèles entraînés sur ces données, les auteurs étendent le benchmark RoboTwin2.0 avec des axes de perturbation dissociés : apparence visuelle, disposition de la scène, morphologie du robot et sémantique de la tâche. L'article, déposé sur arXiv (2608.02580), reste à ce stade un preprint non encore relu par les pairs. L'enjeu dépasse la simple taille du jeu de données. Les travaux précédents avaient montré que le retargeting vidéo pouvait produire des politiques efficaces mais limitées à une seule tâche, à petite échelle. Ego2Robot teste pour la première fois si cette approche apporte un bénéfice en pré-entraînement à grande échelle pour des modèles vision-langage-action (VLA), la brique centrale des robots généralistes actuels type Pi-0, GR00T N2 ou Helix. Les auteurs rapportent que le pré-entraînement conjoint sur données synthétisées et données robotiques réelles améliore de façon consistante la généralisation hors distribution, avec une validation sur déploiement réel. Si ces résultats se confirment, cela renforcerait l'idée que la vidéo humaine égocentrique, abondante et bien moins coûteuse à collecter que la téléopération, peut combler une partie du déficit de données qui freine l'entraînement des modèles robotiques généralistes. Le goulot d'étranglement des données reste le frein numéro un des modèles de manipulation généralistes : la téléopération reste coûteuse à grande échelle, et la simulation pure souffre encore d'un écart sim-to-real. Ego2Robot s'inscrit dans une lignée de travaux cherchant des sources de données alternatives, aux côtés d'approches par simulation ou par vidéos web génériques. Aucun acteur français ou européen n'apparaît dans cette publication. Les auteurs mettent à disposition une page projet dédiée, sans calendrier annoncé pour une éventuelle mise à disposition publique du jeu de données complet.

Recherche❖Paper

1 source

41

3113arXiv cs.RO 

RobotDancing : l'apprentissage par renforcement à action résiduelle permet un suivi robuste des mouvements humanoïdes sur le long terme

Des chercheurs présentent RobotDancing, une méthode d'apprentissage par renforcement en une seule étape pour faire exécuter à des robots humanoïdes des mouvements de danse longs et dynamiquement exigeants, avec une robustesse accrue face aux erreurs d'accumulation. Le principe : plutôt que de demander à la politique de recréer entièrement un mouvement de référence retargeté (transposé depuis une capture humaine vers la cinématique du robot), RobotDancing prédit des corrections résiduelles sur les cibles articulaires. La politique se concentre ainsi sur la compensation des écarts dynamiques entre la référence et le robot réel (limites d'actionneurs, latence, friction, inertie) plutôt que sur la resynthèse complète du geste. Une politique est entraînée par séquence de référence, avec une recette d'entraînement et de déploiement commune réutilisée entre mouvements et plateformes. L'équipe a évalué la méthode sur huit chorégraphies issues du jeu de données LAFAN1, exécutées sur le robot Unitree G1, avec des expériences complémentaires de transfert inter-plateforme sur les Unitree H1 et H1-2. Le problème ciblé est central dans la robotique humanoïde actuelle : les mouvements retargetés depuis des captures humaines sont cinématiquement plausibles mais dynamiquement incohérents avec le robot réel, ce qui fait dériver le suivi de trajectoire sur les séquences longues et finit par déstabiliser le contrôleur. En montrant des politiques G1 capables d'exécuter des comportements longs et énergétiques directement sur matériel, sans ajustement au moment du test, RobotDancing apporte un signal concret sur la viabilité du transfert simulation-vers-réel pour du contrôle whole-body à haute dynamique, un point souvent démontré en vidéo mais rarement quantifié avec rigueur dans la littérature. Le travail s'inscrit dans la lignée des méthodes de motion tracking par RL pour humanoïdes, où LAFAN1 sert de banc d'essai de référence pour les mouvements complexes. La publication, une version révisée sur arXiv (2509.20717v2), inclut des clips qualitatifs sur H1 et H1-2 pour illustrer la généralisation inter-plateforme, sans toutefois fournir de métriques chiffrées équivalentes à celles obtenues sur le G1, ce qui invite à la prudence sur l'ampleur réelle du transfert démontré.

Recherche❖Paper

1 source

40

3114arXiv cs.RO 

RIT* : arbres riemanniens informés pour la planification de mouvement optimale adaptative au coût

Des chercheurs présentent RIT (Riemannian Informed Trees), un nouveau framework de planification de mouvement qui remplace les primitives euclidiennes utilisées dans les algorithmes de recherche "batch-informed" (comme BIT) par leurs équivalents riemanniens. Concrètement, RIT construit un ensemble informé plus resserré et cohérent en coût, effectue une recherche de plus proches voisins sous une métrique de distance anisotrope, et évalue le coût des arêtes du graphe via un schéma en cascade pour rester efficace en calcul. Les auteurs ajoutent aussi CARM (Collision-Adaptive Metric Refinement), un mécanisme qui apprend en ligne un champ de coût de proximité aux obstacles à partir des retours de collision, réduisant la dépendance à un design de métrique fixé à l'avance. Les tests couvrent des environnements allant de 2 à 14 dimensions. Le code et les vidéos de démonstration sont disponibles sur le site des auteurs (muhayyuddin.github.io/ritstar). Pour les praticiens de la planification de trajectoire en robotique (bras manipulateurs, robots bimanuels, systèmes à haute dimensionnalité), ce travail répond à une limite connue des planificateurs informés classiques: leur heuristique euclidienne devient trompeuse dès que le coût réel du mouvement varie spatialement, par exemple près d'obstacles ou dans des zones de configuration contraintes. En intégrant une métrique riemannienne adaptative, RIT évite de gaspiller des échantillons dans des régions de l'espace des configurations qui semblent proches au sens euclidien mais coûtent cher à traverser réellement. Cela touche directement à la question de la mise à l'échelle des planificateurs pour la manipulation dextre et les systèmes multi-bras, un point de friction connu en robotique industrielle. Les gains mesurés sont substantiels dans les régimes à forte anisotropie: jusqu'à 13,0% d'amélioration du coût initial médian face à BIT sur un benchmark 3D anisotrope, jusqu'à 9,0% sur le coût final médian en manipulation à 6 degrés de liberté, et entre 24,8% et 63,5% sur un problème de planification bimanuelle à 14 degrés de liberté, où les méthodes informées euclidiennes classiques se dégradent nettement. En dimension basse ou à métrique spatialement constante, RIT reste seulement compétitif avec BIT*, ce qui borne clairement le domaine où l'apport de la méthode se justifie.

Recherche❖Paper

1 source

40

3115arXiv cs.RO 

Mamba Policy : vers une politique de diffusion 3D efficace avec des modèles à états sélectifs hybrides

Une équipe de recherche présente Mamba Policy, une nouvelle architecture pour piloter des robots manipulateurs en 3D, décrite dans une version mise à jour de l'article arXiv:2409.07163. Les modèles de diffusion sont devenus une méthode de référence pour apprendre à prédire des trajectoires d'action en manipulation robotique, mais ils s'appuient généralement sur de lourds réseaux UNet comme backbone, difficiles à faire tourner sur du matériel contraint en ressources, comme l'électronique embarquée d'un bras robotique. Les auteurs remplacent une partie de cette architecture par des blocs Mamba, un type de modèle à état sélectif réputé pour sa faible complexité de calcul en modélisation de séquences. Le résultat, baptisé Mamba Policy, réduit le nombre de paramètres de plus de 80 % par rapport au réseau de politique original, tout en obtenant de meilleures performances. La brique technique centrale, le XMamba Block, combine les informations d'entrée avec des caractéristiques conditionnelles en mélangeant mécanismes Mamba et attention pour une extraction de features plus fine. Pour l'industrie robotique et les équipes de recherche en manipulation, ce travail répond à une contrainte très concrète: les politiques de diffusion actuelles, aussi précises soient-elles, restent souvent trop volumineuses pour un déploiement embarqué en temps réel. Diviser le coût de calcul par cinq tout en gagnant en performance ouvre la voie à des politiques d'action utilisables sur des contrôleurs moins puissants, un enjeu clé pour les intégrateurs qui veulent sortir la manipulation robotique du laboratoire. Les auteurs mettent aussi en avant une meilleure robustesse sur les tâches à long horizon, un point faible connu des méthodes de diffusion classiques. Ce travail s'inscrit dans la vague plus large de modèles Mamba, apparus récemment comme alternative crédible aux architectures Transformer pour le traitement de séquences longues avec moins de calcul. Les expériences ont été menées sur les bancs d'essai académiques Adroit, Dexart et MetaWorld, avec plusieurs variantes de Mamba testées au sein du framework, et complétées par des essais en conditions réelles pour valider les résultats hors simulation. Le code et les détails du projet sont publiés en open source.

Recherche❖Paper

1 source

40

3116arXiv cs.RO 

GraRe : réévaluation des candidats de préhension pour détecteurs de préhension 6-DoF figés

Des chercheurs proposent GraRe, une méthode de re-classement des candidats de préhension pour détecteurs de saisie 6 degrés de liberté (6-DoF) déjà entraînés, sans modifier le détecteur ni ses candidats. Le point de départ est une observation empirique sur GraspNet-1Billion, le benchmark de référence pour l'évaluation de la préhension robotique : le score de confiance produit par les détecteurs existants est souvent mal corrélé à la qualité réelle de la prise, ce qui pousse des candidats pourtant viables en bas du classement au moment de l'exécution. GraRe estime la qualité de chaque candidat à partir de trois sources combinées par un Transformer : les attributs propres au candidat, une représentation géométrique locale stratifiée en coquilles autour du point de contact, et le contexte de l'objet dans la scène. Ce score prédit est ensuite fusionné avec la confiance initiale du détecteur pour produire le classement final. Testée sur trois détecteurs figés différents, la méthode améliore systématiquement la précision moyenne (AP), avec des gains allant jusqu'à 13,60 points, et des essais sur robot réel confirment une préhension robuste dans des scènes encombrées. L'intérêt pour l'industrie tient à la nature "plug-in" de l'approche : GraRe ne nécessite ni réentraînement ni accès aux poids du détecteur sous-jacent, ce qui en fait une couche logicielle ajoutable à des pipelines de préhension déjà déployés en usine ou en entrepôt. Le résultat confirme un problème connu mais rarement quantifié dans la littérature sur la préhension : la confiance d'un détecteur n'est pas un proxy fiable de la qualité de prise, un écart qui coûte cher en taux d'échec réel malgré des métriques d'entraînement flatteuses. Pour les intégrateurs qui exploitent des systèmes de préhension basés sur GraspNet, PointNet ou des architectures dérivées, ce travail suggère qu'un gain de performance mesurable est accessible sans toucher au pipeline de perception principal, un levier économique important quand le recalibrage complet d'un détecteur est coûteux. Ce travail s'inscrit dans la lignée des recherches sur GraspNet-1Billion, benchmark massif de préhension 6-DoF publié il y a plusieurs années et devenu standard pour comparer les détecteurs de saisie. Le champ a longtemps concentré ses efforts sur l'amélioration directe des détecteurs plutôt que sur le classement de leurs sorties, une piste que GraRe explore comme complément indépendant. Les auteurs positionnent leur contribution comme orthogonale aux avancées futures sur les détecteurs eux-mêmes, laissant ouverte la question de son passage à l'échelle sur des catalogues d'objets plus larges ou des scènes encore plus denses en clutter.

Recherche❖Paper

1 source

40

3117arXiv cs.RO 

CAAT : mise à l'échelle de l'attention sensible au contact et masquage tactile pour la manipulation riche en contacts, économe en données

Résumé des faits établis en trois paragraphes, sans traitement d'outil nécessaire ici. Une équipe de recherche présente CAAT (Contact-Aware Attention scaling and Tactile masking), un framework léger conçu pour améliorer les politiques d'apprentissage visuo-tactile dans la manipulation robotique impliquant des contacts physiques. Le principe repose sur deux mécanismes explicites : une pondération dynamique de l'attention qui privilégie les informations visuelles avant le contact et bascule vers les informations tactiles pendant le contact, ainsi qu'un masquage qui supprime les tokens tactiles statiques de fond en comparant l'observation courante à une référence sans contact. CAAT s'intègre directement aux politiques Transformer existantes sans modifier leur décodeur d'action. En simulation, son association avec ACT (Action Chunking Transformer) améliore le taux de réussite moyen de 18,0 points de pourcentage par rapport à une fusion visuo-tactile directe, et de 10,0 points par rapport à un gating appris classique. En conditions réelles, sur une plateforme UMI visuo-tactile, CAAT atteint un taux de réussite moyen de 60,0% combiné à trois architectures différentes, ACT, Diffusion Policy et $\pi0$ (Pi-0), dépassant la meilleure référence de 21,1 points en moyenne. Ce résultat s'attaque à un problème concret pour les intégrateurs et chercheurs en manipulation robotique: les politiques Transformer actuelles traitent le signal tactile de façon peu efficace, soit en le concaténant brutalement aux tokens visuels, soit via un gating appris qui manque de prior explicite sur la physique du contact. En injectant une connaissance a priori simple, mais structurante, sur le moment où le tactile devient pertinent, CAAT permet d'apprendre des représentations plus efficaces à partir de moins de démonstrations, un enjeu central pour la manipulation contact-riche (insertion, assemblage, préhension délicate) où les données d'entraînement réelles restent coûteuses à collecter. Le fait que le gain se maintienne à travers trois architectures de politique différentes, y compris un modèle VLA comme $\pi0$, suggère que le mécanisme est généralisable plutôt que spécifique à une architecture, ce qui renforce sa valeur pratique pour les équipes qui expérimentent déjà avec différents backbones de politique. Le travail s'inscrit dans la lignée des recherches sur la fusion multimodale pour la manipulation robotique, où l'intégration du tactile aux pipelines visuo-moteurs reste un chantier actif depuis l'essor des politiques basées sur l'imitation (ACT, Diffusion Policy) et plus récemment des modèles vision-langage-action comme $\pi_0$. Les auteurs positionnent CAAT comme une brique modulaire, "plug-and-play", plutôt qu'une nouvelle architecture de politique concurrente, ce qui facilite son adoption par des équipes déjà investies dans ACT ou Diffusion Policy. L'article, disponible sur arXiv (2608.01102v1) avec une page de projet dédiée, ne mentionne pas de déploiement industriel ni de partenariat commercial à ce stade: il s'agit d'un travail de recherche validé en simulation et sur un banc de test UMI en laboratoire, sans indication de calendrier vers une intégration produit.

Recherche❖Paper

1 source

40

3118arXiv cs.RO 

TRACE : optimisation ergodique de trajectoire pour la reconstruction active de scène

Des chercheurs du Spike Lab de l'université Johns Hopkins publient sur arXiv (arXiv:2608.02304v1) TRACE, un système de planification de trajectoire pour la reconstruction active de scènes en 3D par Gaussian splatting. Le constat de départ : les systèmes existants sélectionnent leur prochaine vue caméra au coup par coup, selon le principe du « next-best-view » (NBV), puis relient chaque vue choisie par une planification de chemin à courte portée. Cette approche ignore la structure globale de l'information disponible sur la scène et produit des trajectoires inefficaces, où le capteur perd du temps de déplacement entre les points de vue retenus. TRACE reformule le problème comme une couverture ergodique : la statistique spatiale moyennée dans le temps de la trajectoire du capteur doit correspondre à une distribution cible d'information, calculée en continu à partir de l'incertitude et de la visibilité de la carte en cours de construction. Le calcul des trajectoires repose sur un planificateur à horizon dit « kernel-ergodique », combinant flux de gradient et déplétion d'empreinte, ce qui boucle directement cartographie et optimisation de trajectoire. Sur le jeu de données Replica, TRACE améliore le PSNR de 1,5 dB par rapport aux méthodes NBV de référence ; le code est publié sur GitHub (spikelab-jhu/trace-active-reconstruction). Ce résultat s'attaque à un angle mort classique de la cartographie active en robotique : la plupart des pipelines (drones d'inspection, robots mobiles équipés de caméras, capture pour jumeaux numériques) traitent la sélection de vue et la planification de chemin comme deux problèmes séparés résolus l'un après l'autre, ce qui sacrifie l'efficacité globale de la mission à des décisions locales optimales à chaque étape. En unifiant les deux dans un seul problème de couverture ergodique, TRACE ouvre une piste pour réduire le temps de vol ou de déplacement nécessaire pour atteindre une qualité de reconstruction donnée, un paramètre critique pour l'autonomie énergétique d'un drone ou le temps d'immobilisation d'un site industriel en cours de numérisation. Le gain de 1,5 dB reste toutefois mesuré sur un seul jeu de données (Replica, surtout des scènes intérieures synthétiques) face à un nombre limité de baselines NBV : la généralisation à des environnements réels, bruités et à grande échelle n'est pas encore démontrée. Le travail s'inscrit dans la lignée des méthodes de prochaine meilleure vue, d'abord développées pour la cartographie robotique puis adaptées aux représentations neuronales de scène, NeRF d'abord, Gaussian splatting depuis 2023, qui ont remis le placement de caméra au centre du problème puisque la qualité de reconstruction dépend directement de la couverture obtenue. L'approche ergodique elle-même n'est pas neuve en robotique, elle a déjà servi à la recherche et à la surveillance distribuée, mais son couplage direct avec une carte Gaussian-splatting incertaine constitue l'apport revendiqué ici. Publié comme un article de recherche pur, sans annonce produit ni partenaire industriel cité, TRACE appelle désormais des tests sur robots réels et des comparaisons avec d'autres planificateurs actifs récents ; le code ouvert sur GitHub devrait faciliter une réplication rapide par la communauté.

Recherche❖Paper

1 source

40

3119arXiv cs.RO 

Démystifier quand et pourquoi les VLA échouent dans les tâches à contact riche, et comment y remédier

Un nouveau papier de recherche publié sur arXiv (2608.01402v1) s'attaque à un problème resté largement ignoré jusqu'ici : comprendre précisément pourquoi les modèles Vision-Language-Action (VLA) échouent sur les tâches de manipulation à contact riche, celles qui exigent une interaction physique précise comme l'insertion de pièces ou l'assemblage. Les auteurs identifient deux modes d'échec distincts. Les échecs de précision proviennent d'un décalage entre l'entraînement des politiques par flow-matching et leur usage réel. Les échecs de force, eux, découlent de la structure particulière des signaux de force, différente des signaux visuels ou proprioceptifs habituels. Pour corriger chacun de ces deux modes, l'équipe propose un mécanisme ciblé, combinés dans une méthode baptisée FACT. Testée sur près de 2 500 essais réels répartis sur cinq tâches à contact riche, FACT atteint un taux de réussite moyen de 66 %, contre 41 % pour la meilleure référence existante. Cet écart de 25 points sur des tâches concrètes est significatif pour l'industrie robotique, où la manipulation fine reste l'un des principaux obstacles au déploiement des VLA hors des démonstrations contrôlées. Les travaux précédents s'étaient concentrés sur des architectures augmentées de capteurs de force ou des régularisateurs ajoutés à l'entraînement, sans vraiment diagnostiquer la cause des échecs. En isolant deux mécanismes de défaillance bien identifiés plutôt qu'en empilant des correctifs génériques, cette approche fournit aux intégrateurs et chercheurs un cadre plus clair pour évaluer si un modèle VLA est réellement fiable sur des tâches d'assemblage ou de contact fin, un enjeu central pour les applications industrielles et l'automatisation de précision. Le papier s'inscrit dans la lignée des recherches récentes sur les modèles vision-langage-action, une famille d'architectures qui vise à unifier perception, raisonnement et contrôle moteur pour des robots généralistes. Jusqu'à présent, la littérature avait surtout cherché à limiter les échecs de contact via des ajouts matériels ou des contraintes d'entraînement, sans distinguer les causes profondes. En proposant un diagnostic structurel des deux modes de défaillance, les auteurs ouvrent la voie à des correctifs plus ciblés, potentiellement transférables à d'autres familles de politiques robotiques, même si l'ampleur réelle de ce gain en conditions industrielles reste à confirmer au-delà du cadre expérimental du papier.

Recherche❖Paper

1 source

40

3120arXiv cs.RO 

Identification et exploitation de la structure dans la co-conception de robots

Une équipe de recherche publie une nouvelle analyse du co-design robotique, c'est-à-dire l'optimisation conjointe de la morphologie d'un robot et de son système de contrôle, un problème de recherche en haute dimension particulièrement coûteux à résoudre. Les auteurs ont étudié les paysages de co-design de quatre tâches, deux de locomotion en robotique souple et deux de manipulation, et ont identifié trois régularités communes à ces espaces de recherche. D'abord, au sein d'une même région, la qualité des solutions varie principalement le long d'une variété de faible dimension, avec très peu de variation dans les directions orthogonales, ce qui réduit de fait la dimensionnalité effective à explorer. Ensuite, dans les régions de meilleure qualité, cette variance se répartit sur davantage de dimensions, ce qui oblige la recherche à élargir progressivement son périmètre à mesure que la qualité progresse. Enfin, dans ces mêmes régions de haute qualité, les variations dépendent de dimensions conjointes morphologie-contrôle, imposant une exploration couplée des deux paramètres plutôt que séparée. À partir de ces observations, les chercheurs ont conçu un algorithme de co-design qui exploite explicitement cette structure. Les résultats mesurés sont significatifs pour le secteur : l'algorithme proposé produit des co-designs 36 % meilleurs que ceux des méthodes de référence actuelles, et ces méthodes concurrentes nécessitent environ dix fois plus d'évaluations de fonction pour atteindre une qualité comparable. Pour les équipes qui conçoivent des robots souples ou des systèmes de manipulation, cela représente un gain direct en coût de calcul et en temps d'itération, un facteur souvent limitant quand chaque évaluation implique une simulation physique coûteuse. Le travail apporte surtout une preuve que la performance des algorithmes de co-design ne tient pas qu'à la puissance de calcul brute, mais à la capacité à repérer et exploiter la géométrie sous-jacente du problème, un point utile face à l'hypothèse répandue que plus d'évaluations suffit à compenser une recherche non structurée. Le co-design morphologie-contrôle reste un domaine de recherche actif, car les approches historiques traitent souvent la forme du robot et sa commande comme deux problèmes séparés, optimisés en alternance ou séquentiellement, ce qui ignore leurs interactions. Les auteurs situent leur contribution par rapport aux algorithmes de recherche évolutionnaire et bayésienne existants, qu'ils utilisent comme lignes de base, et valident leur approche par une étude d'ablation qui isole l'apport de chacun des trois principes identifiés. La publication, une version révisée déposée sur arXiv, ouvre la voie à des méthodes de co-design applicables à des plateformes robotiques réelles, où la réduction du nombre de simulations nécessaires pourrait accélérer sensiblement les cycles de conception.

Recherche❖Paper

1 source

39

3121arXiv cs.RO 

Robots aériens dotés d'une perception aéroacoustique passive incarnée pour la détection relative et la poursuite mutuelles

Des chercheurs présentent SonicFly, un système de perception acoustique passive permettant à un drone d'en suivre un autre en se basant uniquement sur le bruit naturel de vol du drone meneur, sans signalisation acoustique active, sans communication inter-robots, sans partage GPS et sans infrastructure de capteurs externe. Le dispositif embarque un réseau léger de quatre microphones, des représentations acoustiques adaptées aux rotors des multirotors, un estimateur neuronal de gisement et de distance (bearing-range), ainsi qu'un filtrage à seuil de confiance pour piloter le vol en boucle fermée. Lors d'essais de poursuite en extérieur, dans des trajectoires et conditions opérationnelles variées, le système a maintenu une distance au meneur avec une erreur moyenne de 1,34 mètre, malgré une forte interférence acoustique générée par le drone suiveur lui-même (ego-acoustique) et la variabilité environnementale. L'intérêt principal de ces travaux est de démontrer, pour la première fois de façon quantifiée, qu'un signal jusque-là négligé, le bruit de vol lui-même, contient assez d'information pour assurer une perception relative fiable entre robots aériens. C'est significatif pour les essaims de drones et les scénarios où le GPS est indisponible ou brouillé, où la communication radio est limitée en bande passante ou détectable, ou où l'ajout de caméras et de calcul embarqué pour la vision est trop coûteux en poids ou en énergie. Pour les intégrateurs de systèmes multi-drones (inspection, défense, logistique en essaim), cela ouvre une modalité de secours ou complémentaire aux approches vision et GPS, avec un coût matériel très faible (quatre microphones). Il s'agit toutefois d'une preuve de faisabilité en conditions expérimentales contrôlées, pas d'un produit déployé : la robustesse face à un bruit ambiant plus dense (zones urbaines, autres essaims) reste à démontrer. Cette approche s'inscrit dans la lignée des travaux sur la perception incarnée (embodied perception), où un agent exploite les signaux générés par sa propre action ou celle d'un pair plutôt que des capteurs dédiés. Elle se positionne en complément des méthodes dominantes de coordination de drones, vision par caméra, télémétrie radio, GPS relatif, chacune ayant ses propres limites en environnement contesté ou contraint en poids. Les auteurs identifient des principes de conception clés (structure harmonique, séparabilité spectrale, indices spatiaux) qui ouvriront la voie à des variantes futures, potentiellement appliquées à la coordination d'essaims plus larges ou à d'autres classes de robots mobiles bruyants.

Recherche❖Paper

1 source

39

3122arXiv cs.RO 

Autonomie robotique face à des incertitudes multiples et simultanées d'origine inconnue dans les systèmes complexes basés sur ROS : qui est responsable ?

Des chercheurs présentent une approche d'auto-adaptation pour systèmes robotiques basés sur ROS2, capable de gérer plusieurs défaillances simultanées dont l'origine reste incertaine. Construite sur le cadre MAPE-K (Monitor, Analyze, Plan, Execute, Knowledge), elle traite trois cas rarement combinés jusqu'ici : pannes concurrentes de criticité différente, défaillances en cascade d'un module à l'autre, et plusieurs stratégies de correction possibles pour une même panne détectée. Les concepteurs définissent des règles d'adaptation décrivant motifs de panne, niveaux de criticité et stratégies envisageables ; un graphe de dépendances extrait automatiquement à l'exécution permet une analyse de cause racine légère et un classement des stratégies pour privilégier les corrections minimales. Un module d'auto-optimisation apprend en continu les probabilités de succès de chaque stratégie. L'équipe a testé son approche sur un scénario de robot sous-marin et un cas d'usage de perception, avec code source disponible publiquement. Pour les intégrateurs déployant des flottes robotiques réelles, ce travail cible un angle mort des architectures existantes : la plupart supposent une correspondance figée entre une panne et sa solution, une hypothèse qui tient rarement sur des plateformes ROS2 où capteurs et modules logiciels sont fortement couplés. Les résultats montrent une identification correcte des causes racines parmi des pannes concurrentes, une préférence pour les corrections peu coûteuses, et moins d'adaptations inutiles, tout en restant comparable aux référentiels conçus pour des pannes séquentielles uniques. La contribution n'améliore donc pas la performance brute sur les cas simples, mais élargit le domaine de pannes gérables sans les dégrader, un compromis utile pour la robustesse de robots industriels ou sous-marins. Ce travail prolonge les architectures d'informatique autonome type MAPE-K, étudiées en génie logiciel mais peu éprouvées sur des piles ROS2 confrontées à des pannes multiples et à sources incertaines. La version publiée est une révision (replace) d'un article soumis en avril 2025. Les auteurs se positionnent explicitement contre les approches existantes, séquentielles et à correspondance panne-solution prédéfinie. Le code étant public, la suite logique serait une validation sur d'autres plateformes robotiques et en conditions réelles, au-delà des deux scénarios testés.

Recherche❖Paper

1 source

39

3123arXiv cs.RO 

GenTrack : alignement physique pour la génération de mouvement natif au robot et le suivi humanoïde en zéro-shot

Des chercheurs présentent GenTrack, un nouveau framework d'apprentissage conjoint pour générer et suivre des mouvements sur robots humanoïdes, détaillé dans un article publié le 1er août 2026 sur arXiv (2608.01410v1). Le système a été testé sur le robot Unitree G1, avec deux architectures de suivi de mouvement, ProtoMotions et SONIC. L'évaluation couvre trois jeux de données en zero-shot : les benchmarks publics AMASS et LAFAN, ainsi qu'un ensemble privé de 1 024 paires prompt-mouvement collectées hors distribution, censé refléter des conditions réelles variées. Le principe central de GenTrack consiste à faire alterner deux étapes en ligne : un alignement du générateur de mouvements ancré dans l'exécution réelle et calculé de façon relative par groupe, puis un entraînement du tracker sur les nouvelles références ainsi produites, le tout stabilisé par des mécanismes d'ancrage et de rejeu pour limiter la dérive du modèle. L'enjeu technique visé est connu des équipes qui travaillent sur le contrôle des humanoïdes : les générateurs de mouvement texte-vers-mouvement, entraînés sur des données de capture humaine ou retargetées, produisent des trajectoires plausibles cinématiquement mais souvent inexécutables physiquement par un robot réel. Les approches existantes traitent ce problème dans un seul sens, en figeant soit le corpus généré, soit le tracker récompensé. GenTrack propose une boucle fermée entre les deux composants. Selon les auteurs, cette co-évolution en ligne améliore à la fois l'exécutabilité robotique des mouvements générés et la couverture zero-shot du tracker, avec un gain particulièrement marqué sur les références hors distribution, c'est-à-dire les cas les plus proches d'un usage industriel réel plutôt que d'un benchmark contrôlé. Le travail s'inscrit dans la lignée des recherches sur les modèles de suivi de mouvement génériques pour humanoïdes, où l'extension de la couverture zero-shot dépendait jusqu'ici de corpus embarqués coûteux à agrandir. GenTrack propose une alternative sans collecte de données supplémentaire, en exploitant plutôt un post-entraînement conjoint génération-suivi. L'article ne mentionne pas de déploiement industriel ni de partenaire matériel au-delà du G1 de Unitree utilisé comme plateforme d'évaluation ; il s'agit à ce stade d'une contribution méthodologique plutôt que d'un produit commercialisé.

Recherche❖Paper

1 source

39

3124arXiv cs.RO 

MANGO-Grasp : champs de Mahalanobis sur gaussiennes 3D orientées géométrie pour la préhension dextérique inter-incarnations

Des chercheurs publient MANGO-Grasp, une nouvelle méthode de préhension dextre "cross-embodiment", c'est-à-dire capable de fonctionner sur des mains robotiques multi-doigts très différentes sans réglage spécifique à chacune. Le système représente les objets sous forme de primitives gaussiennes 3D orientées selon la géométrie locale de la surface (des sortes de petites plaques alignées avec des normales sortantes), tandis que chaque main robotique est décrite par des points clés de surface encodés dans un descripteur "morpho-kinématique" combinant forme et articulation. L'innovation centrale est l'usage de champs de Mahalanobis entre ces points clés et les primitives d'objet : ils servent à la fois de cible d'apprentissage et de guide d'optimisation au moment de la préhension, en montant fortement le long de la normale à la surface mais restant plats dans le plan tangent, ce qui colle à la physique réelle du contact. Sur les benchmarks CMAP et MultiGripperGrasp, MANGO-Grasp dépasse la meilleure méthode concurrente entraînée sur la même main de jusqu'à 8,24 points de pourcentage en simulation, et transfère en zéro-shot vers une main jamais vue (SharpaWave) avec un gain de 16,57 points sur le meilleur baseline zero-shot, pour un taux de réussite de 86 % en conditions réelles. Ce résultat s'inscrit dans un enjeu clé pour les intégrateurs de robotique dextre : la généralisation d'une politique de préhension à de nouveaux effecteurs sans reprendre tout l'entraînement, un frein majeur au déploiement commercial de mains robotiques variées. Le fait qu'une seule formulation d'optimisation, avec les mêmes hyperparamètres, fonctionne sur toutes les morphologies testées suggère que le goulot d'étranglement historique (représentations d'objets trop pauvres en géométrie locale, descripteurs de main incomplets) peut être résolu sans architecture ad hoc par robot, un argument utile face au scepticisme habituel sur l'écart démo/réalité en manipulation robotique. Le papier (arXiv:2608.02014v1) se positionne face aux méthodes "interaction-centric" existantes, jugées insuffisantes sur la représentation fine de la géométrie de surface et l'encodage combiné de la morphologie et de la cinématique des mains. Le code et les matériaux complémentaires sont annoncés pour publication ultérieure sur la page du projet, mais ne sont pas encore disponibles à ce stade : il s'agit d'un preprint, pas encore d'une solution intégrée ou commercialisée.

Recherche❖Paper

1 source

39

3125arXiv cs.RO 

IA physique : TravKAN, une analyse rapide et interprétable de la franchissabilité par réseaux de Kolmogorov-Arnold

Chercheurs en robotique mobile, une nouvelle architecture baptisée TravKAN vise à résoudre un compromis classique en robotique autonome : celui entre précision et interprétabilité pour l'analyse de traversabilité, c'est-à-dire l'estimation en temps réel de la capacité d'un robot à franchir un type de terrain donné. Publié le 2 août 2026 sur arXiv (référence 2608.02320v1), le papier s'appuie sur les Kolmogorov-Arnold Networks (KAN), une architecture qui remplace les poids fixes des réseaux de neurones classiques par des fonctions univariées apprenables, ce qui permet d'extraire après entraînement une expression analytique symbolique du modèle, baptisée TravKAN-Lite. Les auteurs introduisent aussi un jeu de descripteurs manuels construits à partir du canal de réflectivité des capteurs LiDAR, une information jusqu'ici peu exploitée alors qu'elle renseigne sur la nature et l'état de surface du sol, en complément des données géométriques habituelles. Le système a été testé sur des jeux de données publics couvrant des environnements urbains et tout-terrain réels, face à des références solides comme les réseaux profonds et XGBoost. Sur le plan des résultats, TravKAN dépasse les modèles profonds conventionnels et s'approche des performances de XGBoost, tout en conservant une architecture compacte et un temps de calcul compatible avec un usage embarqué temps réel. L'enjeu dépasse la seule performance brute : dans les systèmes robotiques amenés à prendre des décisions de sécurité, comme éviter un obstacle ou refuser de s'engager sur un terrain instable, la capacité à inspecter et comprendre pourquoi un modèle a estimé qu'un terrain est franchissable ou non devient un critère d'adoption à part entière, notamment pour la certification et le déploiement en conditions réelles chez les intégrateurs. Les études d'ablation menées par les auteurs confirment la robustesse du modèle face à des variations architecturales et quantifient l'apport spécifique des descripteurs de réflectivité. Le travail s'inscrit dans la lignée des recherches récentes sur les KAN, une alternative aux perceptrons multicouches proposée fin 2024 pour offrir une meilleure interprétabilité tout en gardant une capacité d'approximation comparable. Jusqu'ici, l'analyse de traversabilité reposait presque exclusivement sur des réseaux profonds ou des arbres de décision boostés par gradient, performants mais opaques. TravKAN se positionne comme une alternative analytique déployable, sans annonce de partenariat industriel ni de calendrier de déploiement à ce stade : il s'agit d'un résultat de recherche académique, à confirmer par une adoption ultérieure sur des plateformes robotiques réelles.

Recherche❖Paper

1 source

39

3126arXiv cs.RO 

SelfWAM : un modèle unifié d'action et du monde auto-fondé pour le contrôle rapide de robots

Une nouvelle publication arXiv (2608.00725v1) présente SelfWAM, un modèle unifié de type "World Action Model" (WAM) conçu pour le contrôle rapide de robots manipulateurs. Contrairement aux WAM classiques qui prédisent les observations futures uniquement à partir du prompt de tâche et du contexte visuel, ce qui les pousse à capturer une progression générique de la tâche plutôt que les conséquences précises de l'action exécutée, SelfWAM s'appuie sur une architecture Mixture-of-Transformers (MoT) spécialisée par modalité. Elle prédit simultanément trois éléments: l'action à exécuter, les images RGB futures conditionnées par cette action, et des masques de silhouette du robot lui-même. Pendant l'entraînement conjoint, le modèle laisse la branche vidéo attendre une copie "propre" de l'action démontrée, ce qui transforme cette branche en modèle des conséquences spécifiques à chaque action, sans ralentir le chemin d'inférence rapide dédié uniquement à l'action. Les auteurs ajoutent des objectifs spécifiques au prompt pour la prédiction des masques du robot, une supervision qui retire les détails d'apparence et concentre l'apprentissage sur les changements visuels directement liés au mouvement du bras. Les tests sur le benchmark RoboTwin 2.0 et sur des tâches de manipulation en conditions réelles montrent des prédictions plus sensibles à l'action et une amélioration des performances de la politique de contrôle, sans dégrader la vitesse d'inférence. Pour le secteur, ce travail s'attaque à un problème connu des modèles vision-langage-action (VLA): la difficulté à faire coïncider prédiction visuelle et effet réel de l'action, un écart qui limite souvent le transfert entre simulation et monde réel. En couplant explicitement la prédiction future à une action "propre" et à la silhouette du robot, SelfWAM cherche à combler ce fossé sans sacrifier la latence, un compromis central pour tout déploiement industriel où le temps de cycle compte. Il s'agit ici d'une publication de recherche déposée sur arXiv, sans produit commercial ni déploiement annoncé: SelfWAM s'inscrit dans la lignée des World Action Models qui gagnent du terrain comme alternative aux politiques purement réactives, en misant sur une modélisation conjointe action-observation pour améliorer la généralisation des robots manipulateurs.

IA physique⚡Actu

1 source

39

3127arXiv cs.RO 

FlowPilot : modélisation monde-action en temps réel pour la navigation agile de drones

Des chercheurs présentent FlowPilot, un modèle compact de navigation temps réel pour drones, fonctionnant entièrement à bord à partir d'un flux de profondeur. Contrairement aux pipelines classiques qui reconstruisent une carte locale avant d'optimiser une trajectoire, ou aux politiques bout-en-bout sans prédiction de scène, FlowPilot débruite conjointement les observations de profondeur futures et les trajectoires exécutables via du flow matching. L'architecture associe un mélange de transformeurs à double flux, où un expert vidéo et un expert action partagent l'attention pour s'informer mutuellement. Au déploiement, seul le flux d'action est actif : le système produit une trajectoire paramétrée en polynômes de Bernstein de degré 7, l'état courant fixant les points de contrôle initiaux et le réseau prédisant cinq points libres, garantissant une continuité C² avec vitesse, accélération et jerk en forme close. Le modèle est entraîné sur une pyramide de données à trois niveaux (simulation haut débit, simulation photoréaliste, données réelles embarquées). En simulation, il surpasse les méthodes d'apprentissage et d'optimisation concurrentes face à un encombrement croissant et des vitesses jusqu'à 8 m/s. Sur un quadricoptère physique, le pipeline perception-action complet tourne en moins de 18 ms sur un Jetson Orin NX, avec des vols jusqu'à 5,5 m/s en intérieur encombré et en forêt, sans assistance extérieure. Cette démonstration cible un point de friction connu de l'autonomie aérienne : l'écart entre performance en simulation et robustesse réelle en environnement encombré à haute vitesse. En fusionnant prédiction de scène et génération de trajectoire dans un seul modèle plutôt qu'en deux étages séparés, FlowPilot transpose à l'aérien une logique de "world-action model" jusqu'ici surtout explorée en manipulation robotique au sol. Le budget de calcul, 18 ms de bout en bout sur du matériel embarqué léger, intéresse directement les intégrateurs d'inspection industrielle ou de logistique par drone, où poids et consommation du calculateur restent contraignants. L'écart entre les 8 m/s simulés et les 5,5 m/s atteints en vol réel rappelle toutefois que la validation reste celle d'un seul papier académique, sans comparaison indépendante ni déploiement commercial. Ce travail s'inscrit dans la recherche sur la navigation de drones par apprentissage, où les approches oscillent entre cartographie-puis-optimisation et politiques bout-en-bout. Les modèles par flow matching, popularisés récemment en génération d'image et en robotique de manipulation à l'image des politiques VLA telles que Pi-0 ou GR00T N2, sont ici transposés à la navigation aérienne pour produire des trajectoires lisses et dynamiquement réalisables. Publié sur arXiv fin juillet 2026 en prépublication non relue par les pairs, l'article ne mentionne aucune affiliation industrielle ni calendrier commercial. Les suites attendues porteraient sur l'extension à des vitesses et environnements plus variés, et sur une comparaison indépendante face aux meilleures méthodes de navigation par optimisation déjà déployées sur drones commerciaux.

IA physique⚡Actu

1 source

39

3128arXiv cs.RO 

QuASH : interroger des cartes robotiques vision-langage grâce à des heuristiques en langage naturel

Le papier QuASH (arXiv:2510.14546, version 2, publié en remplacement d'une version antérieure) s'attaque à un problème central de la cartographie robotique par embeddings visuo-langagiers : une fois qu'un modèle de type CLIP encode la scène en vecteurs sémantiques, comment déterminer précisément quelles zones de l'environnement correspondent réellement à une requête textuelle libre ("trouve la porte rouge", par exemple) plutôt que de se contenter d'un simple score de similarité cosinus. Les auteurs proposent d'exploiter les synonymes et antonymes du terme recherché dans l'espace d'embedding, via des heuristiques, pour estimer la zone linguistique pertinente autour de la requête. Cette estimation sert ensuite à entraîner un classifieur léger qui partitionne l'environnement entre correspondances et non-correspondances, au lieu de s'appuyer sur un seuil de similarité brut. La méthode a été testée à la fois sur des cartes robotiques et sur des benchmarks d'images standards, avec des gains mesurés en "queryability" (capacité à retrouver correctement les objets ou zones demandés). L'intérêt pratique dépasse la seule démonstration académique : la plupart des systèmes de cartographie sémantique open-vocabulary (VLMaps, CLIP-Fields, NLMap et équivalents) souffrent aujourd'hui d'un écart entre la richesse du vocabulaire qu'ils prétendent gérer et la fiabilité réelle des requêtes en conditions variées. En proposant une couche de classification entraînable, agnostique au type d'encodeur et à la représentation de carte utilisée, QuASH offre un correctif générique et peu coûteux en données d'entraînement, potentiellement intégrable a posteriori sur des pipelines existants sans réentraîner le modèle visuo-langagier de base. Pour les équipes qui développent des systèmes de navigation ou de manipulation guidés par le langage naturel, c'est un signal que le goulot d'étranglement se déplace de la génération d'embeddings vers l'interprétation fine des requêtes. Le travail s'inscrit dans la lignée des recherches sur les cartes sémantiques ouvertes issues des progrès des VLM depuis 2022-2023, où l'enjeu est passé de la simple détection d'objets étiquetés à une compréhension de scène en vocabulaire libre. Aucune plateforme robotique ni déploiement industriel spécifique n'est mentionné dans cette publication, qui reste à ce stade une contribution méthodologique validée sur benchmarks plutôt qu'un système déployé sur le terrain.

Recherche❖Paper

1 source

39

3129arXiv cs.RO 

Transfert simulation-réel dans les mécanismes de jambes à liaisons parallèles via normalisation dynamique côté simulateur

Un article de recherche publié sur arXiv (référence 2608.01697v1) propose une méthode baptisée Simulator-Side System Normalization (S3N) pour réduire l'écart entre simulation et réel dans les mécanismes de jambe à liaisons parallèles. Le problème identifié: lorsqu'un mécanisme à liaisons parallèles est modélisé en simulation par un arbre cinématique en série (une simplification courante car les moteurs physiques gèrent plus facilement les chaînes sérielles que les boucles fermées), les mappings classiques basés sur le jacobien préservent la cohérence cinématique mais ignorent la redistribution de l'inertie et de l'amortissement des actionneurs, ainsi que l'inertie des liaisons omise lors de cette réduction. Deux variantes sont testées: S3N-Act, qui intègre l'inertie et l'amortissement des actionneurs par transformation de coordonnées, et S3N-Full, qui restaure aussi l'inertie résiduelle des liaisons via identification séparée des réponses fréquentielles au niveau actionneur et jambe. Sur une validation à 2 degrés de liberté, S3N-Full réduit les erreurs RMS de position articulaire et de couple de 80,9% et 82,1% respectivement par rapport à la référence par jacobien. En mouvement de pitch sur place, la RMSE de la force de réaction au sol chute de 65,1% (S3N-Act) et 62,4% (S3N-Full). En locomotion circulaire, l'écart sim-to-réel normalisé par commande passe de 17,3% à 9,9% avec S3N-Full. Ce travail cible un point de friction technique précis mais central pour l'entraînement de politiques par renforcement en robotique de jambes: les mécanismes à liaisons parallèles offrent une meilleure densité de couple aux chevilles et genoux, un choix de conception de plus en plus courant sur les robots à pattes et humanoïdes, mais leur représentation fidèle en simulation reste coûteuse. Une normalisation côté simulateur qui conserve la topologie en arbre sériel tout en corrigeant la dynamique effective permettrait d'entraîner des politiques avec un simulateur cohérent avec le matériel réel, sans reconstruire un moteur physique dédié aux boucles fermées. Le papier s'inscrit dans un courant de recherche plus large sur la réduction de l'écart sim-to-réel pour la locomotion à pattes, où l'identification de système et le domain randomization sont des approches concurrentes déjà répandues. Les auteurs ne sont pas précisés dans le résumé, et il s'agit d'un travail académique préliminaire (preprint) plutôt que d'un déploiement matériel ou d'un produit commercialisé.

Recherche❖Paper

1 source

39

3130arXiv cs.RO 

Vérification probabiliste de l'action réalisable des politiques visuomotrices par entraînement basé sur des ensembles

Des chercheurs viennent de publier sur arXiv (papier 2608.02545) une méthode de vérification formelle pour les politiques visuomotrices des robots, celles qui transforment des images caméra en actions de commande via des réseaux VLA (vision-language-action). Le problème qu'ils adressent : l'analyse d'atteignabilité (reachability analysis), qui garantit mathématiquement qu'un robot ne dépassera pas certaines limites d'action, devient ingérable dès qu'on utilise de gros encodeurs visuels, car propager l'incertitude à travers tout le réseau de bout en bout est trop coûteux en calcul et donne des marges de sécurité absurdement larges. Leur solution consiste à geler l'encodeur visuel et à ne propager les ensembles d'incertitude que dans l'interface de basse dimension entre cet encodeur et la politique de décision en aval, calibrée à partir de perturbations de pose de caméra mises à l'écart. Cette propagation utilise des zonotopes (une représentation géométrique d'ensembles) pour produire une largeur d'enveloppe de sortie que l'entraînement dit "set-based" optimise directement. En évaluation, une calibration conforme fractionnée au niveau des trajectoires convertit les écarts d'action mesurés en un rayon d'action atteignable probabiliste, avec une garantie de couverture statistique à échantillon fini. Pour l'industrie robotique, l'enjeu dépasse la curiosité académique : c'est une brique de sécurité qui manquait cruellement aux politiques VLA déployées en usine ou en environnement partagé avec des humains. Aujourd'hui, la plupart des démonstrations de robots humanoïdes ou de bras manipulateurs pilotés par des modèles de type Pi-0, GR00T N2 ou Helix reposent sur la confiance empirique plutôt que sur une preuve mathématique de leurs limites d'action, ce qui freine leur certification pour des tâches critiques. En montrant qu'un entraînement contraint par ensembles réduit le rayon d'incertitude sans sacrifier les performances en boucle fermée, les auteurs suggèrent qu'il est possible d'obtenir des garanties de sécurité formelles sans reconcevoir entièrement l'architecture des politiques, ce qui intéressera directement les intégrateurs et les responsables de certification qui cherchent à faire homologuer des systèmes robotiques autonomes. Cette approche s'inscrit dans un courant de recherche plus large sur la vérification formelle des systèmes d'apprentissage profond, historiquement concentré sur les réseaux de classification ou de contrôle simples, et qui commence seulement à s'attaquer aux politiques visuomotrices modernes à grande échelle. Les auteurs comparent leur méthode à plusieurs contrôles alternatifs, entraînement comportemental seul, cohérence observationnelle, perturbations adversariales ponctuelles, qui produisent tous des rayons d'atteignabilité plus larges, ce qui valide empiriquement l'intérêt de leur approche par ensembles. Le papier ne mentionne pas de déploiement industriel ni de partenariat commercial : il s'agit à ce stade d'une contribution méthodologique testée en expériences de manipulation contrôlées, dont les prochaines étapes logiques seraient l'extension à des politiques plus complexes ou à des robots mobiles et humanoïdes en conditions réelles.

Recherche❖Paper

1 source

39

3131arXiv cs.RO 

RL Bootstrapping d'OpenVLA-OFT pour une nouvelle incarnation robotique

Une équipe de recherche a testé l'adaptation du modèle vision-langage-action OpenVLA-OFT à un robot parallèle à câbles (CDPR) doté d'une pince simple, une morphologie totalement absente des jeux de données habituels utilisés pour entraîner ce type de modèle. Plutôt que de recourir au fine-tuning supervisé classique, qui exige des démonstrations spécifiques à chaque robot, les chercheurs ont opté pour de l'apprentissage par renforcement en simulation, avec des récompenses géométriques denses calculées directement à partir de l'état du simulateur. L'entraînement s'est déroulé en deux temps : une phase PPO pour les primitives de mouvement directionnel, suivie d'une phase GRPO reprenant le point de contrôle du PPO et élargissant le répertoire d'instructions à des commandes conditionnées par objet. Sur les quatre instructions directionnelles communes aux deux phases, le taux de réussite moyen passe de 34,25 % après PPO à 53,50 % après PPO puis GRPO, avec des gains particulièrement marqués sur les commandes "aller à gauche" et "reculer". La phase GRPO introduit aussi l'instruction "aller vers" appliquée à huit objets cibles, pour un taux de réussite strict de 9,75 % (39 succès sur 400 essais). L'intérêt de ces travaux tient moins à la performance brute, encore modeste, qu'à la méthode : contrairement aux résultats précédents obtenus avec OpenVLA et OpenVLA-OFT, qui s'appuient sur des jeux de démonstrations et des bras robotiques rigides standards, cette approche ne mobilise aucune donnée spécifique à l'embodiment cible. Pour les intégrateurs travaillant sur des morphologies robotiques atypiques, où collecter des démonstrations coûte cher ou reste impossible, cela ouvre une piste crédible pour amorcer un contrôleur fonctionnel sans données dédiées. Les auteurs restent toutefois prudents : les essais qualitatifs montrent souvent un comportement d'approche correct vers la cible, suivi d'une instabilité en fin de trajectoire, et le taux de réussite strict à moins de 10 % ne permet pas de parler de manipulation robuste. Ce travail s'inscrit dans la vague plus large des modèles vision-langage-action (VLA), dont OpenVLA-OFT, Pi-0 ou GR00T N2 sont des représentants, généralement entraînés et validés sur des bras manipulateurs classiques plutôt que sur des architectures à câbles. L'étude, publiée en preprint sur arXiv, reste cantonnée à la simulation : aucun transfert vers un robot physique n'est rapporté à ce stade, et les auteurs présentent leurs résultats comme une première preuve de faisabilité plutôt qu'un système déployable.

Recherche⚡Actu

1 source

39

3132arXiv cs.RO 

Cloud-Edge Collaboratif Latence-Tolérant : des Modèles Vision-Langage-Action à Spécialisation Représentationnelle Émergente

Des chercheurs publient le 1er août 2026 sur arXiv (2608.00569v1) CloudEdgeVLA, une architecture qui résout un conflit systémique dans le déploiement de modèles Vision-Language-Action (VLA) à plusieurs milliards de paramètres sur des robots mobiles : le raisonnement sémantique tourne mieux sur GPU cloud, mais le contrôle en boucle fermée doit répondre localement malgré la latence et la gigue réseau. Le système sépare les rôles : un VLA cloud encode les observations retardées en caractéristiques de tâche à variation lente, tandis qu'une tête légère côté edge combine la dernière caractéristique cloud disponible avec la vision locale en temps réel. L'entraînement associe des images actuelles et des images retardées aléatoirement à la même action cible, forçant la représentation cloud à préserver l'information de haut niveau pendant que le chemin edge fournit les corrections sensibles à l'état. Résultat mesuré sur les quatre suites du benchmark LIBERO : CloudEdgeVLA conserve entre 63,8 % et 78,0 % de taux de succès avec une fenêtre de délai uniforme de 40 pas, contre au maximum 6,4 % pour la référence VLASH et 3,0 % pour les approches à chemin unique testées. Pour l'industrie robotique, ce résultat s'attaque directement à l'écart entre démonstration et réalité qui limite le déploiement de VLA lourds : jusqu'ici, faire grossir un modèle cloud pour de meilleures performances sémantiques dégradait la réactivité du contrôle dès que le réseau introduisait du délai ou de la gigue. En traitant le désalignement temporel comme un problème d'apprentissage de représentation plutôt que par une synchronisation bloquante ou des règles de planification explicites, CloudEdgeVLA ouvre une voie où les modèles cloud peuvent continuer de croître pendant que le calcul embarqué reste léger, un enjeu direct pour les intégrateurs qui doivent équiper des flottes de robots avec du matériel de bord limité. Le travail s'inscrit dans la lignée des politiques hiérarchiques et asynchrones existantes, dont les auteurs notent qu'elles améliorent le débit mais laissent les représentations du chemin lent arriver périmées ou nécessitent des indices de délai explicites. La comparaison avec VLASH, cité comme référence, situe l'apport dans la continuité de la recherche récente sur le contrôle robotique distribué cloud-edge. L'article ne mentionne pas de partenaire industriel ni de calendrier de déploiement réel, ce qui en fait pour l'instant une contribution de recherche évaluée en simulation sur LIBERO, sans validation encore rapportée sur du matériel physique.

IA physique⚡Actu

1 source

39

3133arXiv cs.RO 

VertiAKD : cinématique adaptative en tout-terrain sur des sols très accidentés

Des chercheurs proposent VertiAKD, un framework qui apprend à des robots terrestres à s'adapter à des terrains accidentés en transférant des connaissances entre véhicules différents. Le système encode conjointement la configuration mécanique du véhicule, ses transitions de trajectoire et les caractéristiques locales d'élévation et de sémantique du terrain dans une représentation partagée de mobilité. Face à un nouveau véhicule confronté à un terrain inédit, VertiAKD identifie les descripteurs de mobilité les plus pertinents issus de véhicules déjà connus et les transfère pour initialiser un modèle kinodynamique via des encodeurs de fonctions, affiné ensuite en continu à partir des observations reçues en flux, sans réentraînement par descente de gradient. Les tests ont été menés dans le simulateur Verti-Bench, construit sur le moteur multi-physique Chrono, ainsi que sur cinq configurations physiques distinctes de la plateforme Verti-4-Wheeler. Avec seulement une minute de nouvelles données de trajectoire et les caractéristiques de terrain associées, VertiAKD réduit l'erreur de prédiction à long terme jusqu'à 34,52 % par rapport à un simple transfert direct des descripteurs de mobilité, et jusqu'à 94,43 % face aux méthodes concurrentes. L'enjeu dépasse la performance brute d'un modèle : c'est la capacité à déployer rapidement une flotte hétérogène de robots tout-terrain sans collecte de données et réentraînement spécifiques à chaque plateforme, un frein connu à la mise à l'échelle de l'autonomie hors route. Les approches existantes de transfert inter-véhicules supposaient jusqu'ici un terrain plat, tandis que les modèles kinodynamiques sensibles au terrain exigeaient une collecte de données propre à chaque robot. VertiAKD s'attaque aux deux contraintes simultanément, ce qui intéresse directement les opérateurs de flottes robotiques agricoles, militaires ou de secours confrontées à des sols géométriquement et sémantiquement complexes, là où l'écart entre simulation et réalité physique reste un obstacle majeur à la navigation fiable. Le travail s'inscrit dans la continuité des recherches sur la plateforme Verti-Wheeler et le simulateur Verti-Bench, développés pour étudier la mobilité sur terrain « verticalement contraignant » (pentes, obstacles rocheux, végétation dense). Aucun acteur industriel n'est cité dans cette publication, purement académique et publiée sur arXiv le 4 août 2026 ; les auteurs valident leur approche à la fois en simulation et par des essais physiques de suivi de trajectoire en boucle fermée, une étape jugée nécessaire avant tout déploiement réel sur des robots tout-terrain autonomes.

Recherche❖Paper

1 source

39

3134arXiv cs.RO 

Collaboration en peinture humain-robot combinant optimisation par préférences et primitives de mouvement dynamiques

Des chercheurs présentent un système de peinture collaborative homme-robot combinant optimisation par préférences et primitives de mouvement dynamiques, décrit dans une publication arXiv (2608.01981v1). L'idée centrale : un robot assiste un opérateur humain pendant une tâche de peinture en ajustant en temps réel l'orientation de la pièce travaillée pour suivre celle de la main de l'opérateur. Le réglage des paramètres de contrôle, le temps d'exécution, la réactivité du robot et l'amplification de rotation, repose sur l'algorithme GLISp, une méthode d'optimisation par préférences (PBO) qui apprend directement du retour humain plutôt que d'une fonction de récompense prédéfinie. Les primitives de mouvement dynamiques (DMP), technique classique de génération de trajectoires en robotique, ont été modifiées pour rendre le comportement du robot plus réactif et mieux adapté aux contraintes ergonomiques. Le système a été testé avec un groupe hétérogène de participants réalisant des tâches de peinture réelles, avec des résultats montrant une réduction de l'effort perçu par l'opérateur et une amélioration des résultats du processus. L'intérêt de ce travail dépasse la seule peinture industrielle : il illustre une approche de calibration de robots collaboratifs qui évite le réglage manuel fastidieux des paramètres de comportement, un problème récurrent en cobotique. En laissant l'humain guider l'apprentissage par préférences successives plutôt qu'en programmant des règles fixes, le système s'adapte à la morphologie et au style de chaque opérateur sans reprogrammation. Pour les intégrateurs et décideurs industriels, cela ouvre une piste vers des postes de travail hybrides où le robot compense la charge physique sans remplacer le geste humain, particulièrement pertinent dans les tâches de finition, peinture, ponçage, polissage, où la dextérité humaine reste difficile à automatiser entièrement. Ce travail s'inscrit dans un courant de recherche plus large sur l'apprentissage par préférences appliqué à la robotique collaborative, où les DMP servent depuis longtemps de brique standard pour générer des trajectoires adaptatives. Il s'agit ici d'une contribution académique de validation expérimentale plutôt que d'un produit commercialisé : aucune entreprise ni site de déploiement industriel n'est mentionné, l'évaluation se limitant à un groupe de participants en conditions contrôlées. Les prochaines étapes attendues porteraient sur l'extension de la méthode à d'autres tâches manuelles assistées et sur des essais à plus grande échelle.

Recherche❖Paper

1 source

38

3135arXiv cs.RO 

HapticVLA : manipulation riche en contacts via un modèle vision-langage-action sans détection tactile à l'inférence

HapticVLA, décrit dans un article arXiv (2603.15257v2, republié) sans affiliation académique précisée, propose une architecture vision-langage-action capable de manipulation en contact riche sans capteur tactile embarqué au moment de l'inférence. La méthode se déroule en deux étapes couplées. D'abord, un module baptisé SA-RWFM (Safety-Aware Reward-Weighted Flow Matching) entraîne un expert d'action par flow matching à partir de récompenses tactiles précalculées, qui pénalisent une force de préhension excessive et des trajectoires de saisie sous-optimales. Ensuite, la Distillation Tactile (TD) transfère cette capacité vers un VLA classique : un token tactile compact, issu du modèle SA-RWFM, sert de cible d'apprentissage à un VLA étudiant qui doit le prédire uniquement à partir de la vision et de l'état du robot. Résultat annoncé sur des expériences réelles : un taux de réussite moyen de 86,7 %, supérieur à celui de VLA de référence, y compris des versions disposant d'un vrai retour tactile pendant l'inférence. L'intérêt pratique tient au coût et à la reproductibilité. Les capteurs tactiles dédiés renchérissent le matériel et compliquent le transfert d'un comportement appris d'une plateforme robotique à une autre. Si l'approche tient sur d'autres tâches et d'autres bras, elle affaiblirait une hypothèse répandue dans le secteur, celle qu'un retour haptique direct est indispensable pour un contrôle fin de la force de préhension sur des objets fragiles ou déformables. Pour les intégrateurs industriels, cela ouvrirait la voie à des lignes de préhension contact-riche moins instrumentées, donc moins chères à déployer et à maintenir. Il s'agit toutefois d'un résultat de recherche publié sur arXiv, pas d'un produit commercialisé ni d'un déploiement industriel annoncé. Le papier s'inscrit dans la vague actuelle des modèles VLA généralistes pour la manipulation, aux côtés de GR00T N2 de NVIDIA, Pi-0 de Physical Intelligence ou Helix de Figure, qui cherchent tous à réduire la dépendance à des capteurs spécialisés tout en préservant une manipulation fine. Aucune date de disponibilité ni partenariat industriel n'est mentionné dans l'abstract, la validation reste donc circonscrite au cadre expérimental décrit.

IA physique⚡Actu

1 source

38

3136arXiv cs.RO 

Un aéronef à rotors basculants doté d'une pince pour tâches de contact stables par ancrage environnemental

Des chercheurs ont présenté un nouveau type de drone conçu pour ancrer physiquement sa base dans son environnement afin de réaliser des tâches de contact stables, selon une publication arXiv du 1er août 2026 (2608.01736v1). La plateforme combine un multirotor à rotors inclinables, capable de découpler le tangage du mouvement d'avancement pour maintenir un vol stationnaire stable même à des angles de tangage non nuls, et une pince prismatique sous-actionnée entraînée par câbles, dotée d'une compliance mécanique lui permettant de s'adapter à des géométries irrégulières pour s'agripper à une structure. Les essais en vol sur robot réel montrent que cet ancrage réduit de plus de 95 % l'erreur quadratique moyenne (RMSE) de dérive positionnelle par rapport à un vol libre de référence, y compris dans des conditions venteuses. Une fois ancré, le système résiste à des forces de réaction longitudinales allant jusqu'à 75 newtons tout en conservant une pose stable, et sa dérive positionnelle ne dépasse jamais 3 millimètres sur l'ensemble des géométries et orientations de cibles testées. Cette avancée s'attaque à une limite structurelle des drones classiques: leur instabilité dès qu'ils entrent en contact physique avec une surface, ce qui restreint aujourd'hui leur usage à l'observation à distance plutôt qu'à l'intervention directe. En transformant un aéronef en plateforme de travail temporairement fixe, cette approche ouvre la voie à des tâches nécessitant une force et une précision impossibles en vol libre, comme le perçage ou l'installation de capteurs. Pour les intégrateurs industriels et les opérateurs d'inspection d'infrastructures, cela représente une alternative crédible aux nacelles élévatrices ou aux interventions humaines en zones difficiles d'accès, à condition que la robustesse démontrée en essais contrôlés se confirme sur le terrain. Le papier s'inscrit dans le champ plus large de la manipulation aérienne, où plusieurs équipes de recherche explorent des mécanismes de perchage ou d'ancrage pour stabiliser les drones lors d'interactions physiques. Les auteurs présentent leurs résultats comme une preuve de viabilité plutôt qu'un produit commercial: ils citent explicitement comme applications futures l'échantillonnage de la santé des arbres par forage et l'installation de capteurs en environnements difficiles d'accès, sans annoncer de calendrier de déploiement ni de partenaire industriel à ce stade.

Recherche❖Paper

1 source

38

3137arXiv cs.RO 

Système de fabrication robotisé pour la production automatisée d'actionneurs élastomères diélectriques

Des chercheurs décrivent, dans une étude publiée sur arXiv (référence 2608.00369v1), un système robotique automatisé pour la fabrication de condensateurs souples utilisés comme actionneurs et capteurs, les actionneurs à élastomère diélectrique (DEA). Les travaux se concentrent sur les deux étapes jugées les plus déterminantes pour la qualité finale du composant : la formation de la couche diélectrique par enduction centrifuge (spin coating) et le dépôt des électrodes en nanotubes de carbone (CNT) par tamponnage. Vingt DEA multicouches ont été produits selon ce procédé, chacun comportant 12 couches diélectriques d'une épaisseur moyenne de 55,37 microns (écart type 2,04 microns) et 11 électrodes CNT alternées. Résultat mesuré : une réduction de 14,2 % du temps de fabrication total, et une intervention humaine supprimée sur 56,1 % du processus. L'intérêt de ces travaux dépasse le simple gain de productivité en laboratoire. Les DEA, technologie clé de la robotique souple pour les préhenseurs adaptatifs, les muscles artificiels ou les interfaces haptiques, souffrent historiquement d'une fabrication artisanale, lente et peu reproductible, ce qui freine leur passage du prototype académique au composant industrialisable. En automatisant précisément les étapes les plus sensibles à la variabilité opérateur, cette approche s'attaque directement au goulot d'étranglement de la répétabilité, condition nécessaire pour qu'un intégrateur ou un fabricant envisage sérieusement ces actionneurs souples en dehors du cadre expérimental. Le développement des DEA s'inscrit dans un mouvement plus large de robotique souple cherchant des alternatives légères et conformables aux actionneurs rigides classiques. Jusqu'ici, la production restait majoritairement manuelle, couche par couche, dans des environnements de recherche. Cette démonstration sur vingt unités multicouches constitue une étape de validation de procédé plutôt qu'un produit commercial ; les auteurs ouvrent la voie à une automatisation plus poussée des lignes de production, condition probable pour un futur transfert vers une fabrication à plus grande échelle.

Recherche❖Paper

1 source

38

3138arXiv cs.RO 

SSTG-Nav : graphes topologiques spatio-sémantiques ancrés en métrique pour la navigation d'objets réutilisable

Une équipe de recherche présente SSTG-Nav, un système de mémoire spatiale et sémantique pour la navigation robotique vers des objets (ObjectNav), détaillé dans une publication arXiv du 4 août 2026 (référence 2608.00527v1). Contrairement aux approches classiques qui traitent chaque mission comme une exploration inédite, ce système construit un graphe topologique métrique-sémantique réutilisable après une seule phase de pré-exploration, permettant au robot de localiser directement un point d'arrêt atteignable plutôt que de ré-explorer l'espace à chaque requête. Sur 1 000 épisodes répartis dans 36 scènes du benchmark HM3D-v2, la topologie proposée atteint un plafond de succès géométrique de 99,4 %. En ne faisant varier que l'ancrage métrique, le taux de succès (SR) et le SPL progressent de 0,835/0,560 à 0,920/0,603 ; une fusion tenant compte de la source des indices sémantiques pousse ces scores à 0,926/0,586. Un mécanisme de récupération fondé sur les trois meilleures hypothèses fait grimper le taux de succès à 0,928, 0,965 puis 0,975 selon la tentative, avec un SPL@3 de 0,601. Les auteurs valident l'ensemble par une implémentation complète sur ROS2/Nav2, du requêtage jusqu'à l'exécution physique. Ces résultats s'attaquent à un angle mort classique de la navigation robotique : reconnaître visuellement un objet ne suffit pas à identifier un endroit où le robot peut effectivement s'arrêter, et une seule erreur de cartographie confiante peut faire échouer toute la mission. En basculant d'une exploration à usage unique vers une mémoire persistante, capable de conserver plusieurs points de repli distincts en cas d'échec, le travail répond au besoin des robots de service déployés durablement dans un même lieu, domicile, bureau ou site industriel, gagner en fiabilité avec l'expérience plutôt que repartir de zéro à chaque requête. C'est un signal utile pour les intégrateurs évaluant la maturité des piles de navigation sémantique au-delà des démonstrations de laboratoire : les gains proviennent explicitement de l'ancrage métrique et de la fusion multi-source, pas d'un simple effet d'échelle du modèle, ce que confirment les tests de contrôle sur le champ de vision, la densité de points et la robustesse aux corruptions de données. Le travail s'inscrit dans la lignée des benchmarks ObjectNav standards du secteur, notamment Habitat-Matterport 3D (HM3D), utilisés pour comparer les architectures de navigation sémantique en environnement simulé avant tout déploiement réel. La validation sur ROS2/Nav2, pile logicielle de référence en robotique mobile open source, distingue cette publication d'un simple exercice de simulation en démontrant un pipeline complet, de la requête utilisateur à l'exécution physique. Aucun partenariat industriel ni calendrier de déploiement commercial n'est mentionné ; il s'agit à ce stade d'une contribution académique publiée sur arXiv, sans revue par les pairs formalisée. La suite logique, non précisée par les auteurs, serait une évaluation en conditions réelles au-delà des simulations HM3D, là où les erreurs de perception et les changements d'environnement au fil du temps posent des défis que les benchmarks statiques ne capturent pas entièrement.

Recherche❖Paper

1 source

38

3139arXiv cs.RO 

Adaptation Rapide de l'Incarnation pour la Locomotion Quadrupède

Des chercheurs présentent, dans un article publié en août 2026 sur arXiv (2608.01506), un système d'adaptation d'embodiment en ligne pour la locomotion des robots quadrupèdes. La méthode combine une politique généraliste entraînée avec randomisation d'embodiment et un module d'adaptation léger capable d'identifier un changement physique du robot en moins d'une demi-seconde à partir d'un court historique d'interaction. Deux types de variations ont été testés : des contraintes d'amplitude articulaire (dégradation cinématique au niveau des joints) et des changements de masse du tronc (variation dynamique au niveau du corps). En simulation, le module estime précisément ces changements et permet un contrôle en boucle fermée nettement supérieur aux approches qui se contentent de conditionner la politique directement sur l'historique brut d'interaction. Sur un robot réel Unitree Go2, le système conserve une locomotion stable même dans des cas extrêmes, une patte totalement bloquée ou une charge utile de 5 kg, là où les méthodes non adaptatives échouent purement et simplement. L'intérêt pratique tient au problème classique des politiques apprises en robotique : entraînées sur un matériel fixe, elles cassent dès que ses propriétés changent, par usure, dommage ou charge ajoutée. Plutôt que de miser uniquement sur la robustesse passive obtenue par randomisation de domaine, cette approche identifie explicitement les paramètres physiques du robot en temps réel avant d'ajuster le contrôle, une distinction technique importante pour des déploiements industriels où les pattes de robots quadrupèdes subissent usure et charges variables. Les résultats sur des cas extrêmes plutôt que des démonstrations contrôlées renforcent la crédibilité, mais l'évaluation reste limitée à deux types de variation sur une seule plateforme, sans preuve de généralisation à des embodiments plus complexes comme des bras ou des humanoïdes. Le Unitree Go2, plateforme quadrupède low-cost très répandue dans la recherche académique, sert ici de banc d'essai, sans qu'aucun industriel autre que le fournisseur du robot ne soit impliqué. Ce travail s'inscrit dans la lignée des recherches sur l'adaptation rapide en locomotion légère, dans la continuité d'approches antérieures comme la Rapid Motor Adaptation. Les auteurs indiquent vouloir étendre leur méthode à des formes plus larges de dégradation ou d'incertitude matérielle, sans donner de calendrier précis pour de futurs essais.

Recherche❖Paper

1 source

37

3140arXiv cs.RO 

GeminiPainter : pipeline séquentiel en quatre étapes, perception, cognition, planification et action

GeminiPainter est un système robotique autonome capable de dessiner un portrait en direct, présenté dans un article publié sur arXiv début août 2026 (identifiant 2608.00829). Le pipeline suit quatre étapes classiques en robotique cognitive : perception, cognition, planification et action. Une caméra capture le visage de l'utilisateur en temps réel, la région faciale est extraite, puis envoyée à l'API Gemini Vision de Google qui génère un croquis minimaliste en une seule ligne continue. Un algorithme de planification de trajectoire basé sur la théorie des graphes optimise ensuite l'ordre des traits avant qu'un bras manipulateur collaboratif à 6 degrés de liberté n'exécute le dessin. Les auteurs rapportent des scores utilisateurs élevés sur une échelle de 5 : 4,33 pour la qualité du croquis, 4,53 pour la perception de l'exécution et 4,65 pour l'expérience globale. L'intérêt principal tient à la démonstration qu'un modèle vision-langage commercial grand public, ici Gemini, peut servir de brique génératrice dans une chaîne robotique complète sans entraînement spécifique lourd, en s'appuyant sur une planification de trajectoire classique pour le contrôle du bras. Cela illustre une tendance plus large : l'intégration de modèles de fondation dans des pipelines robotiques hybrides, au-delà des seuls usages industriels. Il faut toutefois nuancer les résultats : ce sont des évaluations subjectives auto-déclarées, sans précision sur le nombre de participants, le temps de cycle par portrait, ni les conditions d'éclairage ou de pose testées, ce qui limite la portée de la validation. Le champ des robots artistes ou "portrait robots" existe depuis plusieurs années dans la recherche académique, souvent utilisés comme vitrines de démonstration en événementiel ou en médiation scientifique plutôt que comme produits commerciaux. GeminiPainter s'inscrit dans cette lignée tout en profitant de la montée en puissance récente des API vision multimodales. L'article ne mentionne ni partenaire industriel, ni feuille de route de déploiement, ni code source ouvert : il s'agit à ce stade d'un prototype de recherche, pas d'un produit prêt à être industrialisé.

Recherche❖Paper

1 source

37

3141arXiv cs.RO 

Regarde où ça compte : affinement visuel adaptatif pour les modèles vision-langage-action

Des chercheurs publient AtVLA (arXiv:2608.02197v1), une méthode qui améliore la précision spatiale des modèles vision-langage-action (VLA) utilisés en robotique de manipulation. Le constat de départ : les encodeurs visuels des VLA souffrent des mêmes artefacts d'attention déjà documentés dans les Vision Transformers génériques, où une partie de l'information spatiale utile (position des objets, profondeur, géométrie locale) se disperse dans des tokens de patch peu informatifs faute de capacité suffisante dans les tokens globaux. AtVLA insère des tokens de registre apprenables dans l'encodeur visuel, entraînés de bout en bout sur des données embarquées, qui absorbent cette information spatiale et libèrent une attention plus propre sur les tokens de patch restants. La méthode ajoute ensuite un raffinement local déclenché par incertitude : le modèle génère plusieurs séquences d'actions candidates, mesure leur désaccord, et seulement quand l'incertitude est élevée, identifie et recadre la zone pertinente pour la ré-encoder en haute résolution. Résultat mesuré sur trois bancs d'essai (LIBERO, SimplerEnv, et un benchmark réel monocaméra) : le taux de réussite sur LIBERO passe de 94,2 % à 98,4 %, et surtout en conditions réelles de 46,5 % à 69,0 %. Le recadrage n'est déclenché que sur environ 30 % des étapes, pour un surcoût de calcul limité à 1,4-1,6 fois le modèle de base. Le saut de performance en conditions réelles (+22,5 points) est le chiffre qui compte : il touche directement l'écart classique entre démonstrations en simulation et fiabilité sur le terrain, un problème central pour tout intégrateur qui veut déployer un VLA sur des tâches de préhension fine ou de contact précis. C'est une contribution de recherche, pas un produit ni un déploiement commercial : aucun robot ni entreprise n'est associé à cette publication. Le travail s'appuie sur la littérature existante sur les artefacts d'attention des Vision Transformers (les fameux "registres" identifiés par Meta AI en 2023) et l'applique pour la première fois au contexte des politiques d'action robotique, dans la lignée des architectures VLA type Pi-0, GR00T N2 ou OpenVLA. Aucune feuille de route de déploiement industriel n'est annoncée à ce stade.

IA physique⚡Actu

1 source

37

3142arXiv cs.RO 

AffordTrajDP : apprentissage dynamique de politiques visuomotrices guidées par affordance pour la manipulation robotique

Des chercheurs proposent AffordTrajDP, un nouveau framework d'apprentissage par imitation guidé par affordances pour la manipulation robotique, publié en préprint sur arXiv début août 2026. Contrairement aux approches classiques qui figent un point de contact statique entre l'effecteur et l'objet cible, ce système construit une trajectoire d'affordance dynamique : à partir d'une observation RGB-D, un point d'ancrage est propagé dans le temps en suivant la pose SE(3) de l'objet, ce qui donne une guidance cohérente tout au long du geste plutôt qu'une simple instruction figée en début de tâche. Sur le benchmark simulé ManiSkill3, la méthode atteint un taux de réussite moyen de 70,0 %, soit jusqu'à 17,8 points de mieux que les meilleures méthodes concurrentes. Des essais en conditions réelles ont été menés sur des bras robotiques Galaxea A1 et UR7e, sur six tâches de précision (empilement de cubes, prise de gobelet, insertion d'adaptateur, anneau sur tige, dépôt en bol, insertion USB), avec des tests sur objets vus et non vus pour le bras Galaxea A1. L'enjeu dépasse la simple performance chiffrée : les affordances statiques dérivent souvent après le contact initial, surtout dans les tâches de précision ou quand la position de l'objet varie légèrement, un problème classique de fossé entre démonstration en labo et robustesse en conditions réelles. En rendant la guidance sensible à l'état de l'objet plutôt qu'à un point fixe défini à l'avance, AffordTrajDP s'attaque directement à ce goulot d'étranglement, un signal pertinent pour les intégrateurs qui cherchent des politiques visuo-motrices capables de tolérer le désordre réel d'un poste de production ou d'entrepôt, plutôt que des démonstrations calibrées en environnement contrôlé. Le travail s'inscrit dans la lignée des méthodes d'apprentissage par imitation guidées par affordances, qui cherchent à compresser la perception visuelle en contraintes géométriques exploitables pour réduire les besoins en données d'entraînement. Les auteurs présentent des ablations pour isoler la contribution de chaque composant du système. À ce stade, il s'agit d'un résultat de recherche en préprint, non d'un produit commercial ni d'un déploiement industriel annoncé.

Recherche❖Paper

1 source

37

3143arXiv cs.RO 

CoWAM : contrats de coordination pour intervention sélective des politiques avec les WAM

Une équipe de recherche publie CoWAM, un article arXiv (2608.02578v1, soumission nouvelle, non encore validée par un comité de lecture) qui propose une couche de contrôle appelée "contrats de coordination" pour les politiques robotiques bimanuelles épaulées par des World Action Models (WAM), ces modèles qui prédisent un futur conditionné à l'action envisagée. Le principe: ne pas remplacer l'action nominale d'un bras robotique juste parce qu'une alternative prédite semble plausible, mais seulement si elle respecte toutes les obligations actives de synchronisation, de compatibilité des rôles et de convergence anti-collision, et apporte un gain net à faible risque. Si l'action nominale est elle-même jugée non admissible, le système bascule vers un repli d'abstention prédéfini plutôt que d'improviser. Sur huit tâches bimanuelles simulées, avec des pools de candidats identiques entre méthodes pour isoler la qualité du sélecteur de celle du générateur, CoWAM améliore la sélection valide de 16,7 points de pourcentage par rapport à une variante "contrats seuls", et augmente le taux de succès en boucle fermée de 9,6 points par rapport à la meilleure référence sélective existante, tout en maintenant les interventions dommageables sous 1%. L'enjeu dépasse la seule performance brute: pour les intégrateurs de robots à deux bras (logistique, assemblage, préparation de commandes), le vrai risque des WAM n'est pas de mal prédire, mais d'intervenir à tort sur une action déjà correcte parce qu'une alternative "a l'air" meilleure sur le papier. CoWAM répond directement à ce problème de sur-intervention, un frein connu à la mise en production des politiques génératives de type VLA (vision-langage-action) dans des contextes industriels où la sécurité et la prévisibilité priment sur la simple optimisation moyenne. Le travail s'inscrit dans la lignée des approches de contrôle sélectif conçues pour encadrer des générateurs d'actions puissants mais imprévisibles, dans un paysage où des modèles comme Pi-0, GR00T N2 ou Helix cherchent à généraliser le contrôle robotique à partir de grands modèles pré-entraînés. Les résultats restent pour l'instant cantonnés à la simulation; l'étape suivante, non abordée dans cet article, serait une validation sur du matériel physique bimanuel réel.

Recherche❖Paper

1 source

37

3144arXiv cs.RO 

ProtoAct : transformer les protocoles de laboratoire humide en actions robotiques incarnées

Les protocoles de laboratoire biologique sont rédigés pour des chercheurs formés et laissent souvent implicites les opérations de routine, les conditions dépendantes de l'état du système et les paramètres contextuels, ce qui les rend difficiles à traduire en actions exécutables par un robot. Des chercheurs présentent ProtoAct, un framework structuré qui convertit des procédures biologiques en texte libre en séquences d'actions adaptées à l'exécution robotique. Le système combine trois modules : ProtoRAG, qui récupère des exemples annotés manuellement pour un parsing sensible au contexte, RefineChecker, qui détecte et corrige les étapes manquantes ou incohérentes, et ActSchema, qui transforme la procédure raffinée en séquences JSON contraintes de fonctions exécutables. Pour évaluer l'approche, les auteurs ont constitué BioP2E, un jeu de données comprenant 22 protocoles de culture cellulaire annotés manuellement, décomposés en 258 conditions de surveillance, 910 sous-tâches exécutables et 962 appels d'action ancrés dans le monde physique. Les tests couvrent sept grands modèles de langage différents comme backbone. Cette publication cible un problème concret pour l'automatisation en biotechnologie : la majorité des protocoles de laboratoire existants ne sont tout simplement pas lisibles par une machine sans réécriture manuelle coûteuse, ce qui freine le déploiement de robots dans les laboratoires humides (wet labs). En démontrant qu'un pipeline de parsing structuré peut produire des sous-tâches exploitables pour entraîner des modèles vision-langage-action (VLA) et obtenir une exécution réussie à la fois en simulation et sur robot réel, ProtoAct apporte une preuve de concept que l'automatisation de laboratoire peut s'appuyer sur les protocoles existants plutôt que sur des réécritures ad hoc, un enjeu pertinent pour la recherche pharmaceutique et l'automatisation scientifique. Les auteurs situent leur contribution dans la lignée des travaux combinant génération augmentée par récupération (RAG) et modèles de langage pour le raisonnement procédural, appliqués ici à un domaine peu couvert jusqu'ici : la biologie expérimentale. Les ablations menées montrent que la récupération contextuelle, la vérification a posteriori et les contraintes de schéma apportent chacune une contribution complémentaire, sans qu'aucun de ces éléments seul ne suffise. Le papier ouvre la voie à une intégration plus large avec des systèmes de collecte de démonstrations pour l'entraînement de modèles VLA en laboratoire.

Recherche❖Paper

1 source

37

3145arXiv cs.RO 

DPL : locomotion humanoïde perceptive par profondeur seule, via synthèse de profondeur réaliste et reconstruction du terrain par attention croisée

Une équipe de recherche en robotique publie sur arXiv (identifiant 2510.07152, version 3, une révision d'un article déjà soumis) un nouveau cadre baptisé DPL, pour Depth-only Perceptive Locomotion, destiné à la marche adaptative des robots humanoïdes sur terrain accidenté. Le constat de départ : la perception de terrain pour humanoïdes reste coincée entre deux approches limitées. L'apprentissage de bout en bout à partir d'images de profondeur souffre d'une efficacité d'entraînement faible et d'un écart important entre simulation et réel. Les méthodes fondées sur des cartes d'élévation, elles, exigent plusieurs capteurs visuels et un système de localisation, ce qui ajoute de la latence et fragilise la robustesse. DPL combine trois briques : une politique de marche guidée par une perception pré-entraînée à base de carte d'élévation mais fonctionnant avec un minimum d'entrée visuelle réelle (architecture dite "blind backbone"), un transformeur à attention croisée multimodale qui reconstruit une représentation structurée du terrain à partir d'images de profondeur bruitées, et une méthode de synthèse d'images de profondeur réalistes, combinant lancer de rayons sensible à l'auto-occlusion et modélisation du bruit, qui réduit de plus de 30 % l'erreur de reconstruction du terrain. Le tout a été validé sur un robot humanoïde grandeur nature, avec une locomotion agile sur des terrains variés et complexes. L'enjeu pratique est clair pour les intégrateurs et les fabricants de robots humanoïdes déployés en usine ou en environnement extérieur : les systèmes multi-capteurs avec cartographie d'élévation restent coûteux et sensibles aux dérives de localisation, tandis qu'une simple caméra de profondeur est bien moins chère mais historiquement peu fiable en conditions réelles. Si l'écart sim-to-real annoncé est effectivement comblé, cela ouvrirait la voie à des humanoïdes moins instrumentés, donc moins chers à produire et à maintenir, sans sacrifier la capacité à franchir marches, gravats ou sols irréguliers, un point critique pour toute la course actuelle à la commercialisation des humanoïdes. Le papier s'inscrit dans un champ de recherche académique actif où plusieurs laboratoires explorent des alternatives à la cartographie d'élévation classique pour réduire la dépendance au matériel. Comme pour beaucoup de publications arXiv de ce type, aucun partenaire industriel ni date de déploiement commercial n'est mentionné : il s'agit d'une preuve de concept en robot réel, sans indication de suite annoncée par les auteurs.

Recherche❖Paper

1 source

37

3146arXiv cs.RO 

DynamicManip : permettre la manipulation dynamique à partir d'une seule démonstration statique

DynamicManip, présenté dans un article arXiv publié le 1er août 2026, s'attaque à un problème précis de la robotique manipulatrice : apprendre à un bras robotique à saisir des objets en mouvement ou nécessitant des ajustements rapides, sans avoir besoin de milliers de démonstrations. Le système repose sur deux briques. La première est un pipeline d'augmentation de données qui transforme une seule démonstration statique en une multitude de scénarios dynamiques synthétiques, contournant ainsi la complexité combinatoire habituellement nécessaire pour couvrir toutes les variations de trajectoire, vitesse et position d'un objet mobile. La seconde est une politique d'imitation dite "dynamic-aware", capable d'ajuster sa fréquence d'inférence en temps réel selon le niveau de dynamisme de la tâche, plutôt que d'interroger le modèle à cadence fixe. Les auteurs ont également construit un benchmark dédié à la manipulation dynamique, avec un système d'évaluation automatique permettant des tests reproductibles à grande échelle. En simulation comme en conditions réelles, DynamicManip affiche un taux de réussite moyen supérieur de 18,4 points de pourcentage à l'état de l'art, avec une latence de requête de politique réduite de 32,9 %. Ce résultat cible un angle mort connu du secteur : la plupart des politiques de manipulation par apprentissage par imitation (VLA compris) sont entraînées et validées sur des objets statiques ou des trajectoires prévisibles, et s'effondrent dès qu'il faut réagir à un mouvement imprévu, un scénario pourtant courant sur une ligne de production ou en logistique (convoyeurs, pièces qui glissent, tri en mouvement). En réduisant drastiquement le besoin de données réelles par démonstration, un seul exemple statique suffit à générer la diversité nécessaire, et en abaissant la latence d'inférence, DynamicManip répond directement à deux freins à l'industrialisation des politiques d'apprentissage : le coût de collecte de données et le temps de cycle. Pour les intégrateurs, cela ouvre la voie à des déploiements sur des tâches jusqu'ici jugées trop instables pour l'apprentissage par imitation, sans multiplier les heures de téléopération pour constituer un jeu de démonstrations. Le papier s'inscrit dans la lignée des travaux récents sur l'apprentissage par imitation efficace en données (few-shot, one-shot manipulation), un axe de recherche actif face au coût prohibitif de la collecte de démonstrations réelles pour les politiques VLA à grande échelle. Contrairement aux annonces commerciales de Figure, Physical Intelligence (Pi-0) ou NVIDIA (GR00T), il s'agit ici d'une contribution académique testée sur un benchmark maison plutôt que d'un déploiement industriel documenté ; les chiffres de performance, bien que précis, restent à confirmer sur des tâches et environnements tiers avant toute généralisation. Aucun acteur français ou européen n'est mentionné dans cette publication.

Recherche❖Paper

1 source

37

3147arXiv cs.RO 

Diffusion pour l'apprentissage du schéma corporel : adaptation aux états anormaux dans les robots musculosquelettiques

Des chercheurs proposent une nouvelle méthode d'apprentissage du schéma corporel pour les robots musculo-squelettiques, basée sur les modèles de diffusion, capable de s'adapter à des états physiques anormaux comme la rupture d'un muscle artificiel ou le blocage d'un actionneur. Publiée sur arXiv début août 2026, l'étude s'attaque à une limite connue des approches classiques par autoencodeurs ou autoencodeurs variationnels, qui compressent les signaux de capteurs et d'actionneurs dans un espace latent de faible dimension et n'apprennent en réalité qu'un comportement moyen. Cette compression rend ces modèles incapables de bien représenter des situations hors distribution, c'est-à-dire des pannes ou anomalies absentes des données d'entraînement. Le nouveau cadre proposé fonctionne différemment : au lieu de passer par un espace latent réduit, le modèle de diffusion estime directement, par un processus itératif de débruitage, des valeurs de capteurs et d'actionneurs physiquement cohérentes dans l'espace haute dimension d'origine, même à partir d'observations partielles et sous contraintes, sans nécessiter de réentraînement. L'adaptation du schéma corporel est formulée comme un débruitage guidé par gradient, permettant au système d'estimer les longueurs et tensions musculaires appropriées même en cas de rupture de muscle ou de blocage d'actionneur. La validité de l'approche est démontrée uniquement par simulation, sur un modèle de robot musculo-squelettique. Pour l'industrie robotique, ce travail touche à un problème central pour tout système actionné par des muscles artificiels ou des architectures bio-inspirées à haute redondance : la capacité à maintenir une représentation interne fiable du corps quand une partie du matériel tombe en panne, sans devoir réentraîner le modèle à chaque nouveau scénario de défaillance. C'est un enjeu de robustesse plus que de performance brute, particulièrement pertinent pour les plateformes destinées à opérer en autonomie prolongée, loin d'une supervision humaine constante, où une simple rupture de tendon artificiel peut aujourd'hui immobiliser un robot faute de diagnostic interne adapté. L'usage de modèles de diffusion pour ce type d'estimation d'état, plutôt que pour la seule génération de trajectoires ou de politiques d'action comme c'est courant dans les approches VLA, illustre une extension intéressante de cette famille de modèles vers des tâches d'inférence physique et de tolérance aux pannes. Le travail s'inscrit dans la lignée des recherches sur les robots musculo-squelettiques, des plateformes qui cherchent à reproduire l'anatomie humaine avec des muscles artificiels redondants plutôt que des moteurs rigides classiques, dans l'objectif d'obtenir une compliance et une résilience mécanique proches du vivant. Les approches par autoencodeur ou VAE pour l'apprentissage du schéma corporel constituaient jusqu'ici la référence dans ce sous-domaine, d'où la comparaison directe opérée par les auteurs. À ce stade, l'apport reste circonscrit à des expériences en simulation sur un modèle de robot, sans validation sur plateforme physique ni indication de calendrier pour un transfert réel ; l'étape naturelle suivante serait une démonstration sur un robot musculo-squelettique physique intégrant des capteurs et actionneurs réels, où les bruits de mesure et les dynamiques non modélisées pourraient sensiblement compliquer la tâche de débruitage.

Recherche❖Paper

1 source

37

3148arXiv cs.RO 

SG-WAM : modélisation du monde auto-guidée dans un espace de politiques géométriquement conscient

Traduction et synthèse de l'article, en français, prêt à publier : SG-WAM (Self-Guided World Modeling in Geometry-Aware Policy Space) est un nouveau framework de recherche en robotique, publié sur arXiv (référence 2608.01397v1), qui s'attaque aux modèles World Action (WAM), ces systèmes qui couplent génération d'actions et prédiction des états futurs de la scène. La méthode introduit des "dynamics tokens" apprenables et un module appelé Self-Guided World Predictor, chargé de prévoir l'état latent futur de ces tokens en fonction des actions du robot. La supervision provient d'une copie à moyenne mobile exponentielle (EMA) du même réseau de politique, ce qui garantit une cohérence avec l'espace de représentation utilisé par le module de génération d'actions. Une supervision géométrique additionnelle structure les tokens d'image de la politique, apportant un ancrage spatial aux dynamics tokens. L'ensemble, prédiction latente, ancrage géométrique et génération d'actions par flow matching, est optimisé conjointement de bout en bout. Construit sur un modèle de seulement 0,9 milliard de paramètres, sans pré-entraînement embodied à grande échelle, SG-WAM atteint 98,5% de taux de réussite moyen sur le benchmark LIBERO et 73% sur LIBERO-Plus, tout en dépassant des baselines non précisément nommées dans l'abstract, aussi bien en conditions réelles similaires à l'entraînement qu'en généralisation hors distribution. L'enjeu identifié est concret: les WAM existants modélisent la dynamique future soit dans un espace d'observation brut, coûteux en calcul et peu aligné avec l'action, soit dans un espace latent auxiliaire non structuré pour la géométrie. En unifiant les deux dans l'espace même de la politique, SG-WAM évite ce compromis. Le résultat le plus notable reste la performance obtenue avec un modèle compact et sans pré-entraînement massif, ce qui questionne l'hypothèse dominante selon laquelle les modèles VLA nécessitent systématiquement une échelle de données et de paramètres considérable pour généraliser en conditions réelles. Le travail s'inscrit dans une lignée de recherche académique sur les world models appliqués à la manipulation robotique, où la prédiction d'état futur vient de plus en plus compléter les architectures de politique conditionnées par le langage. Il s'agit ici d'une contribution de recherche publiée en preprint, non d'un système déployé, et les baselines comparées ne sont pas explicitement identifiées dans le résumé, un point à vérifier dans le papier complet avant toute reprise de ces chiffres.

Recherche❖Paper

1 source

37

3149arXiv cs.RO 

Robot mobile : téléopération corps entier pour un modèle VLA conscient du panorama

Une équipe de recherche présente PanoVLA, une politique vision-langage-action (VLA) conçue pour la manipulation mobile bimanuelle, accompagnée d'un système de téléopération corps entier piloté via une interface VR unique. Ce système permet de contrôler simultanément la base mobile à roues et les deux bras robotiques d'un robot bimanuel, et a servi à constituer un jeu de données réel de 5,5 heures de démonstrations multimodales. PanoVLA s'appuie sur une architecture Mixture-of-Transformers intégrant des modules dédiés d'encodage et de fusion panoramique, qui combinent les observations à 360 degrés avec les instructions en langage naturel et l'état du robot pour générer les actions. Sur quatre tâches réelles de manipulation mobile, le système atteint un taux moyen de complétion des étapes de 91,3 % et un taux de réussite de bout en bout de 73,4 %, des résultats nettement supérieurs à ceux des modèles de référence limités à une vue caméra locale, selon les auteurs (arXiv:2608.02257v1). Ce travail cible un verrou technique central de la robotique humanoïde et mobile: les politiques VLA actuelles reposent presque toujours sur des caméras embarquées à champ de vision restreint, ce qui limite la compréhension spatiale globale nécessaire pour naviguer et manipuler dans des environnements ouverts et multi-étapes. En démontrant qu'une observation panoramique améliore mesurablement la performance en boucle fermée, l'étude apporte un argument concret dans le débat sur le passage à l'échelle des VLA au-delà des démonstrations en laboratoire vers des tâches réalistes. Elle souligne aussi un goulot d'étranglement souvent sous-estimé: la collecte de données de téléopération corps entier de haute qualité, coûteuse et complexe à coordonner entre bras et base mobile, reste un facteur limitant autant que l'architecture du modèle lui-même. Le papier s'inscrit dans la lignée des travaux récents sur les politiques génératives pour la manipulation robotique, aux côtés d'approches comme Pi-0 ou GR00T N2, mais se distingue par son focus sur la manipulation mobile bimanuelle plutôt que sur des bras fixes ou humanoïdes bipèdes. Les auteurs ne précisent pas de calendrier de déploiement industriel; il s'agit à ce stade d'une contribution de recherche évaluée en conditions réelles mais limitées, sans partenaire industriel ni site de déploiement mentionné.

IA physique⚡Actu

1 source

37

3150arXiv cs.RO 

ReTouch : de la manipulation dextérique à contacts riches grâce à la prédiction tactile affinée en ligne

ReTouch est un modèle vision-langage-action (VLA) conçu pour la manipulation dextre en contact riche, présenté dans un article publié le 1er août 2026 sur arXiv (arXiv:2608.01824v1). Le système s'appuie sur deux innovations principales : un Tactile-Patch Encoder qui représente les signaux tactiles sous forme de patches structurés préservant l'identité de chaque doigt et la structure locale du contact, et un module d'action haute fréquence qui prédit conjointement les états tactiles futurs et des blocs d'actions, en les affinant en continu grâce au retour tactile pendant l'exécution. Les chercheurs ont aussi construit XHT-Dataset, un jeu de données de 900 démonstrations réelles couvrant sept tâches de manipulation en contact riche, collectées sur une plateforme combinant une main robotique XHand et un bras UR7e. Testé en boucle fermée sur robot réel, ReTouch dépasse la meilleure référence existante de 18,4 points de pourcentage en conditions standards et de 23,8 points en conditions difficiles, en taux de réussite moyen. Ce résultat s'attaque à un angle mort connu des VLA actuels : la plupart des modèles de manipulation s'appuient surtout sur la vision et peinent à intégrer le retour tactile de façon exploitable en temps réel, alors que la manipulation fine (insertion, préhension d'objets déformables, ajustement de prise) dépend justement de ce signal. En démontrant qu'un raffinement tactile en boucle fermée améliore nettement la robustesse face aux erreurs d'exécution et aux changements de contact, les auteurs apportent un argument concret en faveur de l'intégration tactile native dans les architectures VLA, plutôt que comme un module accessoire ajouté après coup. Pour les intégrateurs et équipes de R&D en robotique dextre, cela suggère une voie pour réduire l'écart persistant entre démonstrations en laboratoire et fiabilité en conditions réelles, un problème récurrent pour les mains robotiques multi-doigts. Le travail s'inscrit dans une lignée de recherche académique sur la fusion tactile pour la manipulation dextre, un domaine resté largement expérimental faute de jeux de données réels standardisés et de méthodes exploitant efficacement le signal tactile à haute fréquence. En publiant à la fois le modèle et XHT-Dataset, les auteurs positionnent ReTouch comme une base de comparaison pour de futurs travaux sur les mains robotiques dextres, sans toutefois annoncer de déploiement industriel ni de partenariat commercial à ce stade : il s'agit pour l'instant d'un résultat de recherche évalué en laboratoire, non d'un produit prêt à l'intégration.

Recherche⚡Actu

1 source