Actualités robotique — page 65

4 571 articles au fil, du plus récent au plus ancien.

35

3201arXiv cs.RO 

Commande à impédance adaptative à sécurité critique via fonctions barrière non lisses sous contraintes d'état et d'entrée

Des chercheurs ont publié sur arXiv (référence 2605.28367v1) un framework de contrôle d'impédance adaptatif en ligne conçu pour garantir la sécurité des manipulateurs robotiques lors d'interactions physiques avec des humains ou des environnements contraints. Le système, validé en simulation sur un manipulateur à 7 degrés de liberté (DOF), combine un filtre de sécurité basé sur un programme quadratique (QP) avec une nouvelle fonction de barrière de contrôle non lisse composée (NCBF), permettant d'imposer simultanément les contraintes de position et de vitesse articulaires via une barrière unifiée de degré relatif un. Les dynamiques inconnues sont compensées en ligne par un système de logique floue de type 2 par intervalles (IT2-FLS), les limites de couple actuateur sont gérées par des contraintes souples avec récupération exacte de solutions réalisables, et un observateur de perturbations renforce la robustesse face aux erreurs de modèle et aux forces d'interaction externes. Les simulations incluent une incertitude paramétrique sévère et des torseurs d'interaction externes appliqués simultanément. Le principal apport technique réside dans la formulation NCBF composée, qui unifie en une seule barrière de degré relatif un deux contraintes habituellement traitées séparément : position et vitesse articulaires. En pratique, les approches CBF standard nécessitent des traitements de degré relatif élevé pour les contraintes de position, ce qui complique la synthèse et réduit la robustesse. Ici, l'unification simplifie le problème QP et maintient la faisabilité même sous perturbations fortes. L'analyse Lyapunov composite prouve formellement l'invariance de l'ensemble sûr et la bornitude ultimement uniforme (UUB) de l'erreur de suivi d'impédance, deux garanties essentielles pour envisager une certification dans des contextes industriels ou médicaux. Ces résultats restent toutefois à l'étape simulation uniquement : aucune validation sur matériel réel n'est rapportée. Le contrôle d'impédance est la référence pour la manipulation compliante depuis les travaux de Hogan dans les années 1980, et les fonctions de barrière de contrôle (CBF) ont connu un essor considérable depuis les contributions d'Ames et al. dans la décennie 2010. Les approches concurrentes incluent les méthodes à tanks d'énergie, le contrôle passif basé sur la passivité, et les CBF à degré relatif élevé. Le recours à l'IT2-FLS distingue ce travail des CBF adaptatifs classiques en offrant une meilleure tolérance à l'incertitude que les systèmes flous de type 1. L'étape logique suivante sera la validation expérimentale sur plateforme réelle, notamment dans des scénarios d'assemblage ou de soins à la personne où l'interaction physique imprévue est la norme.

Recherche❖Paper

1 source

34

3202arXiv cs.RO 

Visualisation des phases latentes dans les politiques de locomotion : étude multi-environnement et extension temporelle

Des chercheurs présentent dans un preprint arXiv (2605.18286, mai 2026) un cadre méthodologique pour visualiser les structures de phases motrices latentes apprises par des politiques de locomotion entraînées en apprentissage par renforcement profond (DRL). L'étude cible trois environnements de simulation MuJoCo, devenus benchmarks de référence pour la locomotion : Ant-v5 (quadrupède à 8 degrés de liberté actifs), HalfCheetah-v5 (bipède planaire) et Walker2D-v5 (bipède 3D). La méthode proposée étend les features de clustering habituellement limitées aux observations d'état en y ajoutant les actions courantes, les états suivants et les actions suivantes, formant ainsi un vecteur augmenté temporellement. Un critère de sélection du nombre de clusters est également introduit, qui pénalise les auto-transitions, forçant la segmentation à capturer des transitions motrices réelles plutôt que des régions stationnaires artificielles. L'enjeu est celui de l'interprétabilité des politiques DRL, un point aveugle connu du domaine : les réseaux de neurones qui pilotent ces agents produisent des comportements performants mais dont la structure interne reste opaque. Or la biomécanique établit depuis longtemps que la locomotion est organisée en phases distinctes et cycliques (phase d'appui, phase oscillante), une structure que les politiques apprenantes semblent reproduire sans que cela soit explicitement supervisé. Pouvoir extraire automatiquement ces phases depuis les trajectoires générées offre un outil de diagnostic et de validation : un contrôleur dont les phases motrices latentes sont floues ou irrégulières signale probablement une politique fragile ou sur-ajustée. Pour les équipes qui cherchent à transférer des politiques de simulation vers le réel (sim-to-real), détecter ces structures pourrait devenir un critère de qualité avant déploiement. Ce travail s'inscrit dans un courant actif d'explicabilité appliquée au DRL locomoteur, parallèle aux efforts de labs comme DeepMind (travaux sur l'analyse des politiques de locomotion MuJoCo) ou des groupes académiques travaillant sur l'analyse spectrale des espaces latents de politiques. La méthode proposée s'appuie sur des algorithmes de clustering non supervisés appliqués post-hoc sur des trajectoires, sans modifier l'entraînement, ce qui la rend applicable à n'importe quelle politique existante. Les résultats montrent des règles de transition plus nettes et plus régulières que la méthode de référence utilisée en comparaison, bien que l'étude reste confinée à la simulation et n'aborde pas encore l'extension à des politiques déployées sur robots physiques.

Recherche❖Paper

1 source

34

3203arXiv cs.RO 

Apprentissage inverse de récompenses transférables par abstraction d'états

Une équipe de chercheurs a publié sur arXiv (identifiant 2501.01669) une méthode d'apprentissage par renforcement inverse (IRL) visant à extraire des fonctions de récompense abstraites et transférables à partir de trajectoires comportementales observées dans plusieurs configurations différentes d'un même domaine. Plutôt que de simplement reproduire le comportement observé, l'approche cherche à inférer les préférences intrinsèques sous-jacentes, puis à les réutiliser pour générer des comportements adaptés à des instances du domaine non vues pendant l'entraînement. La méthode requiert au minimum deux instances du domaine source pour apprendre la fonction abstraite, qui est ensuite testée sur une troisième instance distincte. Les expériences sont conduites exclusivement en simulation sur les benchmarks OpenAI Gym et AssistiveGym ; aucune validation sur hardware physique n'est présentée dans ce papier. L'enjeu opérationnel pour la robotique industrielle est direct : intégrer un robot dans une nouvelle ligne de production implique aujourd'hui une reprogrammation quasi-complète dès que la tâche évolue, même marginalement. Si une fonction de récompense abstraite peut capturer ce qui est "intrinsèquement souhaité" dans une famille de tâches alignées, un intégrateur pourrait déployer un robot sur une variante de tâche sans repartir de zéro. La méthode teste explicitement cette transférabilité, ce qui constitue une preuve de généralisation au-delà du simple ajustement de paramètres. Le gap sim-to-real n'est pas adressé dans cette version, ce qui limite la portée pratique immédiate, et les métriques présentées restent confinées aux benchmarks de simulation. L'IRL est un domaine de recherche actif depuis les travaux fondateurs d'Abbeel et Ng (début des années 2000), avec des développements récents vers les approches adversariales comme GAIL (Generative Adversarial Imitation Learning) et AIRL (Adversarial IRL). Cette contribution se distingue par l'utilisation de l'abstraction des états comme levier de transfert, plutôt que par l'adaptation de domaine ou le fine-tuning d'un modèle pré-entraîné. Les approches concurrentes incluent le méta-IRL et les méthodes IRL multi-tâches, qui partagent l'objectif de généralisation mais avec des formulations différentes. La suite logique serait une validation sur des plateformes robotiques physiques, en manipulation notamment sur des bras comme Franka Emika ou UR5, pour confirmer que l'abstraction apprise en simulation survit au passage au monde réel.

Recherche❖Paper

1 source

33

3204arXiv cs.RO 

AURA : algorithme de replanification asymptotiquement optimal et robuste à l'incertitude pour les systèmes kinodynamiques

Une équipe de chercheurs a publié sur arXiv (identifiant 2605.27699) un algorithme de planification de trajectoire en ligne baptisé AURA, pour Asymptotically Optimal Uncertainty-Robust Replanning Algorithm, conçu pour les systèmes kinodynamiques, c'est-à-dire des robots soumis à des contraintes à la fois cinématiques et dynamiques, comme les drones, les systèmes sous-actionnés ou les robots à roues non-holonomes. L'architecture repose sur trois composants parallèles : un thread d'exécution principal, un module de replanification continue qui explore l'espace des états pendant le déplacement du robot, et un processus d'optimisation qui ajuste les commandes futures en temps réel pour réduire l'erreur de suivi. L'approche a été évaluée à la fois en simulation et dans des environnements réels sur plusieurs plateformes robotiques, avec des améliorations rapportées en qualité de trajectoire, précision de suivi et performance globale par rapport aux méthodes de référence. Les chiffres précis ne sont pas détaillés dans le résumé de ce preprint. L'apport principal d'AURA réside dans la combinaison de deux problèmes longtemps traités séparément. Les planificateurs à base d'échantillonnage, comme RRT ou ses variantes asymptotiquement optimales (RRT), offrent des garanties théoriques solides mais fonctionnent classiquement hors-ligne : le robot attend la fin du calcul avant de commencer à se déplacer. Par ailleurs, les perturbations réelles, glissement, imprécision des actionneurs, erreurs de modèle, provoquent des écarts entre la trajectoire planifiée et celle réellement exécutée, problème central du fossé sim-to-real. En fusionnant replanification continue et correction des commandes dans un méta-planificateur unique, AURA cherche à combler cet écart sans renoncer aux garanties d'optimalité asymptotique. Pour les intégrateurs travaillant sur des systèmes à haute dimensionnalité où le MPC classique devient computationnellement coûteux, cette approche offre une piste potentiellement viable pour des déploiements en conditions réelles. Ce travail s'inscrit dans un axe de recherche actif depuis la généralisation de RRT par Karaman et Frazzoli en 2011, qui a relancé l'intérêt pour la planification asymptotiquement optimale en robotique. Plusieurs approches concurrentes visent à rendre ces algorithmes utilisables en ligne, notamment via des variantes anytime ou des hybridations avec le contrôle prédictif par modèle. AURA se positionne comme un cadre générique, applicable à différentes classes de systèmes plutôt qu'à une plateforme spécifique. Il s'agit pour l'instant d'un preprint non encore évalué par les pairs, sans déploiement industriel ni partenariat commercial annoncé. La soumission à une conférence majeure de robotique, ICRA, IROS ou RSS, constituerait la prochaine étape naturelle pour valider ces résultats auprès de la communauté.

Recherche❖Paper

1 source

33

3205arXiv cs.RO 

Locomotion naturelle : principe et méthode

Un préprint déposé sur arXiv (identifiant 2605.28254) propose un cadre théorique formalisé pour ce que les auteurs appellent la "locomotion naturelle", une famille de mouvements robotiques fondée non pas sur le suivi de trajectoires prescrites, mais sur l'exploitation des dynamiques passives, de la compliance mécanique et des phénomènes de résonance. Le cœur du papier est un principe d'échange : un mouvement est dit "naturel" lorsqu'un oscillateur interne revient périodiquement, que la pose globale du corps dérive de façon nette, et que la puissance moyenne d'échange propulsion-oscillateur (POE power) est nulle sur un cycle complet. L'ensemble des cycles satisfaisant ces conditions forme ce que les auteurs appellent une Natural Locomotion Manifold (NLM). La méthode repose sur une construction fermée puis ouverte : le canal propulsif est d'abord isolé pour révéler un oscillateur effectif interne, structuré par une action-angle scalaire ou par des secteurs modaux non linéaires à plusieurs degrés de liberté, avant d'être rouvert pour reconstruire la pose et vérifier la cohérence du cycle. La démonstration s'appuie sur deux systèmes non holonomes sans glissement : le "Chaplygin-sleigh" avec pendule moteur et une extension à trois corps. Ce travail répond à une question de conception plutôt qu'à un problème de contrôle : quelles architectures passives permettent l'existence de familles NLM certifiées, et combien ? C'est un renversement de perspective par rapport à la robotique locomotrice dominante, où le contrôle actif compense en permanence les imperfections du modèle. Une locomotion ancrée dans les dynamiques passives implique une consommation énergétique structurellement moindre, non par optimisation du contrôleur, mais par design mécanique. Pour les équipes travaillant sur des robots marcheurs ou nageurs à batterie embarquée, ce type de cadre formel peut guider le choix d'architectures mécaniques avant même d'écrire une ligne de code de contrôle. Le domaine de la locomotion passive a pour ancêtre les travaux de Tad McGeer (1990) sur les marcheurs passifs en descente, prolongés par les laboratoires de Cornell, MIT et Delft dans les années 2000. Depuis, la plupart des robots humanoïdes commerciaux, Boston Dynamics Atlas, Figure 03, Unitree H1, ont opté pour un contrôle actif intensif, au prix d'une consommation électrique élevée. Ce préprint, purement théorique et sans validation expérimentale annoncée, ne propose pas encore de robot ni de plateforme de test ; il fournit un outil mathématique. La prochaine étape naturelle serait une validation sur un prototype physique ou en simulation, et une extension à des architectures de robots à pattes à plus de deux degrés de liberté effectifs.

Recherche❖Paper

1 source

42

3206Pandaily 

Le robot humanoïde XPeng IRON entre en production en série accélérée, attendu en showroom en 2027

Le constructeur automobile chinois XPeng a officiellement lancé la phase de sprint vers la production de masse de son robot humanoïde IRON, avec un objectif de production en série d'ici fin 2026 et un déploiement commercial dès le premier trimestre 2027. Selon des sources sectorielles, IRON sera d'abord déployé dans les propres showrooms de XPeng, où il assurera des missions d'accueil, d'accompagnement client et de présentation des véhicules. La plateforme mesure moins de 1,70 mètre et embarque trois puces IA Turing, le système de vision XNGP AI Hawk Eye déjà utilisé dans les voitures XPeng, et un réseau de radars 4D à ondes millimétriques pour la perception temps réel de l'environnement. La capacité de production visée est de l'ordre de plusieurs milliers d'unités par mois, ce qui placerait IRON parmi les premiers robots humanoïdes chinois à atteindre un volume industriellement significatif. Le robot avait été présenté lors d'un événement produit antérieur, où sa démarche naturaliste avait suscité des doutes quant à son authenticité, certains spectateurs soupçonnant un humain déguisé. Le choix de déployer IRON dans des environnements commerciaux contrôlés plutôt qu'en usine ou à domicile est une décision stratégique révélatrice de l'état réel du secteur. He Xiaopeng, PDG de XPeng, l'a lui-même reconnu publiquement : les robots humanoïdes actuels ne sont pas encore capables de répondre aux exigences de précision des lignes de fabrication ni à l'imprévisibilité des environnements domestiques. Cette honnêteté tranche avec le discours marketing dominant dans le secteur. En se limitant à des scénarios à tâches répétables et cadre structuré, XPeng optimise les chances de succès opérationnel tout en utilisant ses propres points de vente comme terrain de collecte de données réelles, une boucle de feedback qui alimentera les itérations suivantes du modèle. Pour les intégrateurs et les décideurs industriels, cela confirme une règle empirique du moment : le "sim-to-real gap" reste le principal frein, et les déploiements réussis passent d'abord par des verticales à faible variabilité. XPeng, connu pour ses véhicules électriques et ses systèmes ADAS avancés, capitalise ici sur sa maîtrise de la perception embarquée pour accélérer le développement robotique. Dans le paysage concurrentiel, IRON se positionne face à des acteurs comme Unitree (G1, H1), Fourier Intelligence ou encore Agibot en Chine, et à l'international contre Figure (Figure 02), Agility Robotics (Digit, déployé chez Amazon) et Boston Dynamics (Atlas). Tesla reste un point de comparaison incontournable avec Optimus, dont la production est également annoncée pour 2025-2026 sans déploiement commercial confirmé à grande échelle. La prochaine étape décisive pour IRON sera la démonstration de fiabilité opérationnelle sur plusieurs mois en condition réelle, seul indicateur qui permettra de distinguer un déploiement commercial effectif d'une vitrine technologique.

Humanoïdes❧Opinion

1 source

44

3207Interesting Engineering 

Une pompe à métal liquide de la taille d'un pois rend les robots souples plus légers, portables et agiles

Des ingénieurs de l'Université de Bristol ont présenté une micropompe à métal liquide baptisée LIMA (liquid-metal magnetohydrodynamic), pesant 0,2 gramme et fonctionnant à moins de 0,1 volt, dont les résultats sont publiés dans Nature Communications. Ce dispositif vise à remplacer les compresseurs pneumatiques volumineux qui équipent aujourd'hui la quasi-totalité des robots souples, limitant leur mobilité et leur portabilité. Pour valider le concept, l'équipe du Bristol Soft Robotics Lab a construit trois démonstrateurs : des ailes de papillon robotiques, un bracelet à changement de couleur, et une poche haptique connectée à un bracelet simulant les sensations tactiles par compression. La pompe exploite les propriétés du métal liquide, notamment sa haute conductivité et sa déformabilité, pour convertir un courant électrique en mouvement fluidique via la force de Lorentz : le courant traversant des gouttelettes de métal dans un champ magnétique génère une poussée qui produit l'action de pompage à très basse tension. Ce résultat est notable pour le secteur de la robotique souple et des dispositifs portables, où la miniaturisation de l'actionnement pneumatique reste un verrou technologique persistant. La plupart des systèmes actuels, qu'il s'agisse d'exosquelettes légers, de gants haptiques ou d'instruments médicaux embarqués, dépendent de pompes rigides ou de sources d'air comprimé externes qui contraignent leur déploiement en conditions réelles. LIMA propose une architecture différente : une plateforme basse tension capable de transporter simultanément de l'énergie hydraulique, de l'énergie chimique et des signaux d'information à travers un réseau fluidique souple. Cette triple fonction, intégrée dans un composant de moins d'un gramme, pourrait intéresser les concepteurs de dispositifs haptiques pour la réalité virtuelle, de vêtements robotiques et d'outils médicaux miniaturisés. Le professeur Jonathan Rossiter, co-auteur de l'étude, qualifie la pompe de "coeur" compact pour les futurs systèmes robotiques. Le Bristol Soft Robotics Lab s'inscrit dans une dynamique de recherche académique sur les actionneurs intégrés, dans un domaine où plusieurs groupes internationaux travaillent sur des approches comparables, notamment le Harvard Biodesign Lab et des équipes de l'EPFL. Sur le plan applicatif, l'équipe annonce explorer des pansements intelligents, des vêtements robotiques et, à plus long terme, des robots comestibles. La publication dans Nature Communications valide le principe de fonctionnement, mais les démonstrateurs présentés restent au stade prototype de laboratoire, sans intégration industrielle ni timeline de commercialisation annoncées. Des questions restent ouvertes sur la durabilité du métal liquide sous cycles répétés et sur sa biocompatibilité pour les applications médicales.

Recherche❖Paper

1 source

44

3208Interesting Engineering 

Des chercheurs développent un module de protection inspiré de l'armadillo pour la robotique souple

Des chercheurs de la North Carolina State University ont publié le 27 mai dans la revue Science Advances un module de protection autonome baptisé Morpho-Interlocking Protective Module (MIPM), conçu en s'inspirant directement de la morphologie du tatou. Le dispositif repose sur une architecture en trois couches : un exosquelette externe composé d'écailles en résine imprimées en 3D, une couche centrale de détection et d'actionnement intégrant un capteur de déformation en polymère élastique chargé de nanofils d'argent, un tissu conducteur chauffant, un élastomère à cristaux liquides (LCE) et du ruban Kapton, ainsi qu'un endosquelette interne formé de nervures en papier rigide portant des écailles polymères en interverrouillage. Lorsque le capteur détecte une contrainte mécanique, il déclenche une impulsion électrique vers la couche chauffante : la chaleur provoque une contraction du LCE simultanément à une dilatation du Kapton, forçant le module à se replier en position curvée. Les écailles d'endosquelette s'imbriquent alors en un squelette interne rigide capable d'absorber des forces allant jusqu'à 10 newtons pour une configuration à 10 écailles segmentaires, selon les tests réalisés en laboratoire. Ce résultat est notable dans le contexte de la robotique molle, un champ en forte croissance où la fragilité mécanique reste un obstacle systémique. Le MIPM apporte une réponse autonome et réversible sans requérir d'actionneur dédié ni de supervision externe. L'équipe a établi une relation mathématique précise entre le nombre d'écailles de l'endosquelette, la rigidité obtenue et la masse du dispositif, permettant de calibrer directement le niveau de protection selon le payload à défendre. Ce ratio est utilisable pour dimensionner l'armure selon des contraintes d'intégration réelles. L'architecture ne se cantonne pas à une rigidité passive : la transformation est déclenchée par le module lui-même, ce qui ouvre la voie à des protections embarquées sur drones de recherche en milieu confiné ou sur implants médicaux flexibles soumis aux mouvements articulaires, deux cas d'usage explicitement cités par les auteurs. Il reste toutefois à valider le comportement en cycles répétés et en conditions réelles d'intégration, absents de la publication. Le projet est porté par Yong Zhu, professeur Andrew A. Adams en génie mécanique et aérospatial à NC State, et par Jianyu Zhou, chercheur postdoctoral et premier auteur. Il s'inscrit dans un effort plus large de la communauté robotique molle pour combler le fossé entre flexibilité d'usage et robustesse opérationnelle, un défi que les blindages rigides classiques ne peuvent résoudre sans sacrifier la compliance mécanique. Aucun concurrent direct n'est mentionné dans la publication, mais des approches similaires de protection adaptative existent en phase exploratoire dans plusieurs laboratoires de matériaux actifs. L'équipe NC State recherche activement des partenaires industriels pour industrialiser le dispositif, sans calendrier précis annoncé à ce stade.

Recherche❖Paper

1 source

42

3209Interesting Engineering 

Argus, le nouveau robot à 20 pattes, redéfinit la robotique avec son système de déplacement omnidirectionnel

Des chercheurs de l'université Duke ont présenté Argus, un robot à 20 pattes modulaires et télescopiques disposées radialement autour d'un noyau central, sans avant ni arrière définis. Chaque patte intègre une caméra de profondeur, l'ensemble formant une géométrie dodécaédrique régulière à 12 faces pentagonales qui distribue uniformément la force et le champ de vision dans toutes les directions. L'équipe a simulé plus de 1 500 configurations morphologiques avant d'aboutir à ce design, qui atteint un score de 0,91 sur leur métrique d'isotropie dynamique, contre moins de 0,6 pour la quasi-totalité des robots actuels, quadrupèdes, humanoïdes et drones compris. Sur le campus de Duke, Argus a été testé sur sable, sentiers forestiers, herbe, béton et surfaces mouillées : il franchit des obstacles de 12 cm quelle que soit son orientation, transporte une charge utile de 4,5 kg à vitesse quasi maximale, continue de se déplacer après la mise hors service de trois pattes, et peut escalader des parois verticales en alternant groupes de pattes d'appui et de poussée. Ces comportements ont été appris entièrement en simulation avant transfert en environnement réel. L'intérêt de ce travail pour l'industrie robotique ne réside pas dans les performances brutes d'Argus, mais dans le cadre mathématique sous-jacent. L'isotropie dynamique fournit une méthode unifiée pour scorer, comparer et concevoir des systèmes robotiques selon leur uniformité de mouvement, applicable aux plateformes existantes. Pour un intégrateur ou un décideur industriel, cela signifie disposer d'un critère objectif pour évaluer la pertinence d'une architecture face à des tâches omnidirectionnelles, navigation en entrepôt dense, inspection en espace confiné, assistance en milieu non structuré. Le fait que les compétences d'Argus soient issues de sim-to-real pur, sans apprentissage en milieu réel, renforce la thèse que le design lui-même simplifie le problème d'apprentissage : un robot isotrope est plus facile à généraliser. Il faut néanmoins nuancer : les vidéos publiées montrent des conditions de test relativement contrôlées, et aucune métrique de temps de cycle industriel ou de coût de fabrication n'est communiquée. Duke s'inscrit dans un courant de recherche qui questionne le paradigme biomimétique dominant, où Boston Dynamics, Figure, Agility Robotics et Tesla Optimus misent sur la forme humanoïde ou quadrupède pour justifier une utilisation en environnement conçu pour l'humain. Argus représente une direction alternative, déjà explorée en partie par des robots sphériques ou hexapodes, mais formalisée ici avec une rigueur mathématique nouvelle. L'équipe a publié l'ensemble des 1 500 morphologies simulées pour permettre à d'autres groupes d'explorer l'espace de design. Aucun partenaire industriel ni timeline de commercialisation n'est annoncé, et Argus reste à ce stade un démonstrateur académique. La prochaine étape logique serait de valider le cadre d'isotropie dynamique sur des plateformes commerciales existantes, ou de voir si des acteurs comme Enchanted Tools ou Wandercraft en France intègrent ce type de métrique dans leurs cycles de conception.

Recherche❖Paper

1 source

42

3210Robohub 

Douceur avant tout : une pince robotique souple cueille les fruits mûrs sans les meurtrir

Des chercheurs du laboratoire Organic Robotics Lab de Cornell University, dirigé par Rob Shepherd, professeur de mécanique au Duffield College of Engineering, ont développé un préhenseur robotique souple capable de prédire la maturité de fruits au toucher et de les cueillir sans les endommager. Le système repose sur des capteurs fibre optique étirables intégrés dans les doigts du gripper : un capteur mesure la courbure du doigt lors de la saisie, un second mesure la pression à l'extrémité. Ensemble, ils permettent au robot d'estimer la forme de l'objet et d'ajuster sa prise en temps réel. Un mécanisme d'engrenage planétaire dans le poignet permet de faire pivoter le fruit pour le détacher en torsion, plutôt que de l'arracher, ce qui préserve la tige et le fruit. Une caméra embarquée dans la paume complète le dispositif pour détecter les fruits masqués par le feuillage. Les tests ont été réalisés sur des fraises, en partenariat avec Marvin Pritts, professeur d'horticulture au College of Agriculture and Life Sciences, spécialiste des méthodes de production durables pour les baies. Le modèle a été entraîné à corréler la rigidité mesurée par les capteurs avec le stade de maturité, puis validé par analyse colorimétrique visuelle. L'intérêt industriel de cette approche dépasse la fraise. Shepherd cite notamment l'avocat, l'ananas et le pawpaw, fruits dont la maturité est indétectable à l'oeil nu et qui résistent mal au transport ou à la mécanisation classique. Pour les intégrateurs en agri-tech, la combinaison sensorimotrice de ce gripper ouvre une voie concrète vers la récolte automatisée de fruits fragiles à haute valeur ajoutée, un segment aujourd'hui encore très dépendant de la main d'oeuvre humaine. La propriété clé du système est que les jauges de contrainte optiques partagent les mêmes propriétés mécaniques que la structure du doigt souple, ce qui élimine la discontinuité mécanique typique des capteurs rigides greffés sur des actionneurs mous. C'est un point de conception non trivial : les capteurs ne perturbent pas le comportement du préhenseur, ils en font partie intégrante. Le laboratoire Organic Robotics Lab travaille depuis plusieurs années sur l'extension des capteurs fibre optique étirables aux systèmes robotiques souples, après en avoir démontré le potentiel pour la proprioception et la perception tactile dynamique. La collaboration avec le département d'agriculture de Cornell marque une inflexion appliquée dans des travaux jusqu'ici majoritairement fondamentaux. Sur le plan concurrentiel, plusieurs acteurs se positionnent dans la récolte robotisée douce : Abundant Robotics (racheté), Tortuga AgTech, ou encore le projet Agrobot en Europe, mais la plupart s'appuient sur vision seule ou sur des capteurs de force rigides. L'originalité de Cornell réside dans l'intégration sensorielle mécano-optique dans la structure même du préhenseur. Le dispositif est au stade de prototype de recherche, aucun calendrier de commercialisation ni partenariat industriel n'a été annoncé à ce jour.

Recherche❖Paper

1 source

39

3211Interesting Engineering 

Atlas apprend des compétences de football en regardant des images de Coupe du monde

À quelques semaines de la Coupe du Monde 2026, Boston Dynamics a publié une vidéo montrant son robot humanoïde Atlas observer des séquences de matchs passés diffusées sur un grand écran, puis reproduire les gestes des joueurs dans une zone d'entraînement adjacente. Dans les séquences présentées, Atlas déplace son centre de gravité, balance la jambe vers l'avant et guide un ballon au sol avec un contact contrôlé. Le robot enchaîne ensuite une série d'exercices inspirés du football -- passes, pivots, contrôles de balle -- conçus pour travailler l'équilibre, la coordination et le timing des mouvements. La vidéo montre également Atlas lever les bras en signe de célébration après un exercice réussi, puis s'agenouiller pour simuler la réaction à une blessure sur le terrain, des gestes que Hyundai, maison mère de Boston Dynamics, présente comme copiés directement depuis les images de match visionnées. La société a baptisé l'initiative "School of Football" et évoque l'intention de déployer Atlas et le robot quadrupède Spot lors du Mondial 2026, sans préciser leur rôle exact. Cette démonstration s'inscrit dans une séquence de communications rapprochées destinées à montrer qu'Atlas peut acquérir des comportements moteurs complexes sans programmation mouvement-par-mouvement. Techniquement, le pipeline ne repose pas sur une "observation" au sens perceptif : Atlas est entraîné par reinforcement learning en simulation massivement parallèle sur GPU, à partir de trajectoires de référence issues d'animations ou de démonstrations téléopérées. Le robot accumule ce que Boston Dynamics décrit comme des millions d'heures de pratique simulée, en apprenant à maintenir équilibre et prise pendant que des perturbations externes sont introduites. Ce qui distingue Atlas des systèmes vision-only est son recours à la proprioception -- perception interne de la position du corps, de la charge et de l'équilibre -- pour s'adapter en temps réel à des objets instables, comme l'avait illustré une démonstration récente où le robot portait un réfrigérateur de 45 kg tout en conservant l'équilibre. Ces résultats indiquent une progression réelle vers des comportements adaptatifs, même si les conditions des démonstrations restent soigneusement sélectionnées et contrôlées. Boston Dynamics, fondée en 1992 au MIT et rachetée par Hyundai en 2021, a dévoilé la version entièrement électrique d'Atlas en avril 2024, après avoir mis fin au modèle hydraulique. La filiale positionne désormais Atlas comme un "outil polyvalent pour le travail physique", ciblant explicitement les usines, entrepôts et chantiers plutôt que les démonstrations spectaculaires. Dans la course aux humanoïdes industriels, elle fait face à des concurrents directs : Figure AI avec le Figure 03, Tesla avec l'Optimus Gen 3, Physical Intelligence avec Pi-0, NVIDIA avec GR00T N2, et Agility Robotics avec Digit. L'initiative "School of Football" et l'association au Mondial 2026 ressemblent davantage à une opération de visibilité grand public qu'à une annonce produit structurée -- aucun déploiement commercial, aucun partenaire client, aucune timeline n'ont été communiqués. Les jalons à surveiller restent les annonces de pilotes industriels, l'évolution du partenariat avec Hyundai sur les chaînes de fabrication automobile, et la publication éventuelle de métriques de performance en conditions réelles.

Humanoïdes❧Opinion

1 source

39

3212Robotics Business Review 

Guide du premier jour du Robotics Summit & Expo 2026

Le Robotics Summit & Expo 2026 a ouvert ses portes le 27 mai au Thomas M. Menino Convention & Exhibition Center de Boston, réunissant plus de 5 000 développeurs issus de l'aérospatiale et défense, de la santé, de la logistique et de l'industrie manufacturière. La journée a débuté à 9h00 ET avec deux keynotes consécutives en salle 253 ABC. La première, intitulée "Building the Next Era of Robot Autonomy", a réuni Aaron Parness (directeur des sciences appliquées chez Amazon Robotics), Anders Beck (vice-président produits IA et robotique chez Universal Robots), Hamid Montazeri (SVP software et IA chez Locus Robotics) et John Wall (président de QNX). La seconde, "The State of Humanoids", démarrée à 10h00, a mis en scène Alberto Rodriguez (directeur du comportement robotique pour Atlas chez Boston Dynamics) et Pras Velagapudi (CTO d'Agility), aux côtés de représentants de Schaeffler, RealSense et ASTM International. Le show floor a également ouvert à 10h00, avec MassRobotics animant son Startup Alley, son Form & Function Challenge et son Physical AI Accelerator. L'agenda des sessions de la journée révèle les trois tensions structurantes du secteur en 2026 : le fossé sim-to-real (maxon, session 1h45), la commercialisation post-démo (TITAN Robotics, RedZone Robotics, Symbotic avec Teddy Ort en SVP robotics software), et la constitution de data flywheels pour robots AI-natifs (Agtonomy, Semaphor Surgical, Roboto AI, Cambridge Consultants). Deux sessions méritent l'attention des intégrateurs B2B : "Building Warehouse Robots People Actually Want to Work With" par Anthony Jules, co-fondateur de Robust AI, qui adresse frontalement les problèmes d'adoption terrain, et "The Robot MCP Ecosystem" par Contoro Robotics, qui explore les standards ouverts entre IA et robotique. La présence de Conor Walsh (Harvard SEAS) sur la robotique souple portable signal que le marché médical reste une verticale stratégique distincte des humanoïdes. Le Robotics Summit & Expo est l'un des principaux événements industriels robotiques en Amérique du Nord, historiquement centré sur les applications pratiques plutôt que sur la recherche fondamentale, ce qui explique la dominance des profils commerciaux et d'intégration dans le line-up. Cette édition 2026 reflète un marché en transition : après plusieurs années de démos médiatisées, le discours dominant se déplace vers la scalabilité, la fiabilité opérationnelle et la rentabilité. Boston Dynamics (Atlas), Agility (Digit) et Locus Robotics représentent trois approches distinctes de la commercialisation humanoïde et AMR, et leur coprésence sur scène illustre l'absence de standard dominant à ce stade. Les sessions de l'après-midi, plus techniques, s'adressent aux équipes d'ingénierie qui doivent livrer des systèmes en production dans les 12 à 24 prochains mois.

Humanoïdes❧Opinion

1 source

40

3213Robotics Business Review 

Les robots peinent encore à percevoir le monde réel

La démonstration sur le salon professionnel est sans faille : le robot glisse vers un bac, identifie l'objet, le saisit et le dépose exactement où il le faut. Puis l'équipement arrive sur site réel, et le monde cesse de se comporter comme lors du pilote. Ce fossé entre démonstration et déploiement reste l'un des obstacles les plus persistants en robotique industrielle. Les environnements contrôlés de laboratoire favorisent systématiquement la pile de perception : éclairage stable, positions d'objets fixées, arrière-plans neutres. Les entrepôts logistiques, les couloirs hospitaliers et les lignes de fabrication offrent l'inverse, éclairage variable, surfaces réfléchissantes, matériaux transparents, personnes en mouvement, vibrations de chariots élévateurs. Ce qui ressemble à une défaillance de planification ou de manipulation commence souvent par un problème de capteur ou d'estimation de confiance mal calibrée : un robot ne peut pas planifier de manière fiable autour d'une carte de profondeur qui est confiante mais fausse. L'enjeu central est le passage des caméras 2D aux systèmes de vision 3D. Une image plate ne mesure pas la profondeur, elle peut l'inférer par des priors appris ou de la géométrie multi-vues, mais ces estimations s'effondrent dès que l'éclairage, la texture ou l'occultation varient. La robotique déployée repose désormais sur trois familles de capteurs de profondeur, chacune avec ses compromis précis. La lumière structurée projette un motif connu sur la scène et mesure sa déformation pour calculer la profondeur ; efficace en intérieur pour l'inspection, mais sensible à l'infrarouge ambiant et aux surfaces réfléchissantes. La stéréovision utilise deux caméras décalées pour estimer la disparité ; la stéréo active ajoute une projection infrarouge pour les scènes peu texturées, mais reste vulnérable au flou de mouvement et aux motifs répétitifs. Le time-of-flight (ToF) mesure le temps de retour de la lumière infrarouge et offre une compacité et une densité de profondeur utiles, mais souffre de réflexions multi-chemin et d'ambiguïté de portée. Aucune catégorie ne domine universellement : le bon choix dépend de la tâche, de la portée, des matériaux, du mouvement et de la tolérance aux pannes. La tentation de compenser les limites capteur par l'IA, notamment les modèles d'estimation de profondeur à partir d'images monoculaires, est réelle mais trompeuse. Ces approches peuvent débruiter et compléter des cartes de profondeur partielles, mais elles ne remplacent pas une mesure physique fiable. Orbbec, fabricant basé en Chine avec une gamme de caméras RGB-D orientées robotique, navigation et picking, positionne son offre précisément sur ce constat : la perception robotique doit être fiable, spécifique à la tâche et mesurable dans des conditions opérationnelles réelles, pas dans un démonstrateur. La prochaine frontière du secteur n'est pas tant l'algorithme que la robustesse capteur dans des conditions dégradées, un défi que ni les VLA ni la fusion multi-modale ne résolvent encore à l'échelle du déploiement industriel.

Industriel❧Opinion

1 source

51

3214Robotics & Automation News 

Figure accélère la production de robots humanoïdes à une vitesse sans précédent

Figure AI revendique avoir franchi un seuil critique dans la fabrication en série de son robot humanoïde Figure 02, après des années de prototypes soigneusement mis en scène. La société californienne affirme produire des centaines d'unités de manière fiable et répétable, une étape que peu d'acteurs humanoïdes ont atteinte. Déployé dans l'usine BMW de Spartanburg (Caroline du Sud) depuis 2024, le Figure 02 effectue des tâches de manutention en environnement industriel réel, aux côtés d'opérateurs humains, et la cadence de production annoncée marque un tournant net par rapport aux démonstrations contrôlées qui ont longtemps dominé le secteur. Cette montée en cadence répond à la question centrale du secteur : la transition de la démonstration au déploiement industriel à grande échelle. Si Figure confirme ses chiffres, cela valide un modèle économique difficile à atteindre, celui d'un humanoïde viable non plus comme exploit isolé, mais comme produit industriel reproductible. Pour les intégrateurs et les décideurs B2B, c'est un signal concret que la fenêtre de déploiement s'ouvre, même si les métriques précises de cadence restent à vérifier indépendamment des communications de la société. Fondée en 2022 par Brett Adcock, Figure AI a levé 675 millions de dollars en février 2024, avec Microsoft, OpenAI, NVIDIA et Intel comme investisseurs. Le partenariat BMW reste le déploiement de référence du secteur. La concurrence est dense : Tesla (Optimus), Physical Intelligence (Pi-0), Agility Robotics et Apptronik avancent sur leurs propres feuilles de route, tandis que Figure préparerait l'élargissement de ses contrats industriels au-delà de son partenaire automobile.

Humanoïdes❧Opinion

1 source

43

3215Robotics & Automation News 

Figure s'associe à Catalyst Brands pour déployer des robots humanoïdes dans la logistique

Figure AI a conclu un accord commercial avec Catalyst Brands pour déployer ses robots humanoïdes dans le réseau logistique du distributeur américain. Le déploiement débutera dans le centre de distribution de Catalyst Brands à Reno, Nevada, où les robots de Figure seront chargés d'automatiser des tâches physiquement pénibles de la chaîne d'approvisionnement. Catalyst Brands regroupe plusieurs enseignes de distribution grand public, positionnant ce pilote comme une première incursion de Figure dans la logistique multi-enseignes. L'article source ne précise pas le modèle déployé (Figure 02 ou une itération ultérieure), ni les volumes d'unités engagées ou les métriques de cadence, des données absentes qui limitent l'évaluation concrète du déploiement. Ce partenariat illustre le pivot de Figure vers des contrats commerciaux réels après une phase de démo intensive. La logistique de distribution reste le terrain d'atterrissage privilégié des humanoïdes : tâches répétitives, environnements semi-structurés, pénurie de main-d'œuvre documentée. Si Reno devient un déploiement opérationnel stable plutôt qu'un pilote contrôlé, cela constituerait une preuve de maturité sim-to-real pour Figure, un point que le secteur surveille attentivement face au fossé persistant entre démonstrations en laboratoire et performance en entrepôt réel. Figure AI, fondée par Brett Adcock, avait déjà signé un accord avec BMW pour des tâches de fabrication automobile, puis levé environ 675 millions de dollars en 2024 pour accélérer son développement. Dans un paysage concurrentiel où Agility Robotics (Digit) est déjà déployé chez Amazon, et où Tesla pousse Optimus vers ses propres usines, Figure cherche à ancrer des références clients dans la grande distribution. Le site de Reno sera à suivre comme indicateur de passage à l'échelle.

Humanoïdes❧Opinion

1 source

36

3216Pandaily 

EtherCAT pour le contrôle des articulations de robots : les explications de GigaDevice

GigaDevice a organisé un webinaire intitulé "Secure Robotics in Motion" pour exposer la direction prise par les systèmes de contrôle robotique modernes, avec un focus sur EtherCAT, le protocole de communication temps réel déterministe qui s'impose dans la synchronisation des articulations multi-axes. Une main dextre de robot humanoïde intègre typiquement 10 à 20 degrés de liberté (DOF), chacun adossé à un moteur, une suite de capteurs, un algorithme de contrôle et un lien de communication devant délivrer les données à la microseconde près. EtherCAT répond à ce défi via une architecture maître-esclave où chaque nœud traite les données à la volée, atteignant des temps de cycle de 20 à 250 microsecondes avec une gigue inférieure à 1 microseconde. Les horloges distribuées garantissent une référence temporelle commune à tous les axes, évitant les désynchronisations qui rendraient tout mouvement coordonné impossible. Pour adresser ce marché directement, GigaDevice a présenté sa série GD32H75E : un microcontrôleur Cortex-M7 cadencé jusqu'à 600 MHz, avec DSP, FPU double précision et MPU, intégrant un contrôleur esclave EtherCAT plus deux PHYs sur un même die. Le chip embarque également une unité mathématique trigonométrique (TMU), des filtres FIR/IIR, un filtre numérique haute performance (HPDF), une sortie de division de fréquence d'encodeur (EDOUT), et un ensemble de fonctions sécurité : AES, SHA, HMAC, EFUSE, TRNG et démarrage sécurisé. L'intégration du contrôleur EtherCAT directement dans le MCU réduit le nombre de composants externes, simplifie le routage des cartes et abaisse la consommation système, ce qui représente un avantage mesurable pour les intégrateurs qui conçoivent des articulations compactes. Plus structurellement, la présence de fonctions de sécurité matérielles signale un changement dans la perception du marché : les robots ne sont plus des systèmes isolés mais des noeuds réseau exposés dans des usines, entrepôts et environnements domestiques. Le fait qu'un fournisseur de microcontrôleurs grand public comme GigaDevice propose désormais un SoC dédié à ce cas d'usage indique que la demande en volume commence à justifier du silicium spécialisé, au-delà des solutions FPGA ou des stacks logiciels ajoutés sur des MCUs génériques. GigaDevice, fondé en 2005 à Pékin et coté à Shanghai, s'est imposé sur le marché des microcontrôleurs GD32 en concurrence directe avec STMicroelectronics, NXP, Renesas et Texas Instruments. EtherCAT a été développé par Beckhoff Automation dans les années 2000 et reste géré par l'ETG (EtherCAT Technology Group), qui compte aujourd'hui plus de 7 500 membres. Dans l'espace des contrôleurs EtherCAT dédiés, GigaDevice se positionne face à Hilscher, Microchip (LAN9252) et Beckhoff lui-même. Le webinaire ne s'accompagne pas d'annonces de déploiements clients ni de volumes de production, ce qui en fait davantage une communication de positionnement produit qu'un retour terrain. La prochaine étape observable sera la présence de la série GD32H75E dans des kits d'articulations humanoïdes ou des drives de servomoteurs commerciaux.

Infrastructure⚡Actu

1 source

45

3217Pandaily 

BYD confirme son offensive robotique humanoïde avec le projet de septième génération Yao-Shun-Yu, ciblant particulièrement les concessionnaires et les foyers

Li Ke, vice-président exécutif de BYD, a détaillé dans une interview récente la stratégie robotique humanoïde du constructeur, développée en interne sous le nom de code "Yao-Shun-Yu". Le projet en est à sa septième génération d'itération, signe d'un cycle de développement soutenu. Les premiers déploiements visent les concessions automobiles 4S à l'international, les réseaux européens étant cités parmi les sites prioritaires. Les robots y assureront accueil client, démonstrations produits et support commercial standardisé en plusieurs langues simultanément, répondant à un problème opérationnel concret : recrutement difficile et coûts élevés dans les marchés étrangers. À plus long terme, BYD envisage un second débouché, le domicile, avec des fonctions de ménage, préparation des repas et compagnie sociale. Aucun chiffre de production, de spécifications techniques ou de calendrier de livraison précis n'a été communiqué ; il s'agit d'une annonce de stratégie, pas d'un produit expédié. L'entrée de BYD dans la robotique humanoïde est structurellement significative pour deux raisons. D'abord, le groupe dispose d'une chaîne d'approvisionnement verticalement intégrée : l'expertise en systèmes logiciels embarqués et en fabrication de précision acquise dans l'automobile électrique se transpose directement à la robotique, où la maîtrise mécanique et le contrôle temps réel sont aussi critiques que l'intelligence artificielle. Ensuite, Li Ke a formulé un diagnostic précis sur l'état du secteur : les humanoïdes chinois présentent généralement un hardware solide mais un "cerveau" IA insuffisant, tandis que les concurrents américains affichent l'inverse. BYD se positionne explicitement comme intégrateur des deux capacités dans une plateforme unique. Si cette convergence se concrétise à l'échelle, elle modifierait les rapports de force dans la commercialisation des humanoïdes industriels, où aucun acteur n'a encore démontré de production de masse rentable. BYD est devenu en 2023 le premier constructeur mondial de véhicules électriques par le volume, précisément sur la base de cette intégration verticale, supplantant Tesla dans plusieurs segments. Le groupe s'inscrit dans une vague plus large de groupes industriels chinois investissant la robotique humanoïde : UBTECH, Unitree et Fourier Intelligence sont déjà actifs sur ce terrain. Côté américain, les références restent Figure Robotics (Figure 02 en déploiement chez Amazon), Boston Dynamics (Atlas), Tesla (Optimus Gen 2) et 1X Technologies. BYD se distingue en se déclarant lui-même acheteur initial à grande échelle dans ses propres usines chinoises, un levier de dérisquage commercial que très peu de roboticiens peuvent activer de façon crédible. Les prochaines étapes annoncées portent sur des pilotes en concessions européennes, sans calendrier précis confirmé à ce jour.

Chine/Asie⚡Actu

1 source

44

3218Robotics & Automation News 

La Chine va attribuer des identifiants numériques aux robots humanoïdes pour suivre leur cycle de vie

La Chine déploie un système national d'identification numérique pour les robots humanoïdes, selon une annonce relayée par la télévision d'État CCTV. Chaque robot se verra attribuer un numéro d'identité unique couvrant l'intégralité de son cycle de vie : fabrication, mise en service, déploiement opérationnel, jusqu'au recyclage et à la mise au rebut. L'objectif déclaré est de surveiller les risques de sécurité et de standardiser la gestion d'un parc en croissance rapide, sans que les autorités n'aient précisé à ce stade les modalités techniques du registre ni l'agence responsable de son opération. Pour les intégrateurs et les décideurs industriels, cette mesure signale un changement de maturité réglementaire : la Chine ne pilote plus seulement des déploiements expérimentaux, elle construit l'infrastructure de conformité nécessaire à un déploiement à l'échelle. La traçabilité lifecycle est un prérequis pour les marchés B2B exigeants (automobile, logistique, agroalimentaire), où la responsabilité produit et la maintenance prédictive sont des conditions d'achat. C'est aussi un levier de contrôle étatique sur une technologie jugée stratégique, capable d'imposer des standards de facto que les exportateurs devront respecter. Ce mouvement intervient alors que la Chine s'est positionnée comme le marché le plus actif du secteur humanoïde, avec des acteurs comme Unitree Robotics, UBTECH, Fourier Intelligence et AgiBot accumulant financements publics et commandes industrielles. Face aux concurrents américains Figure, Agility Robotics et Tesla Optimus, Pékin mise sur la standardisation réglementaire comme avantage compétitif systémique, une approche comparable à ce que l'UE tente via l'AI Act pour les systèmes logiciels.

Chine/Asie⚖Reglementation

1 source

48

3219Robotics & Automation News 

Festo présente une pince pneumatique à deux doigts pour robots collaboratifs

Festo lance le HPPH, un préhenseur pneumatique parallèle à deux doigts conçu spécifiquement pour les applications cobots. La conception intègre directement la commande, la détection et les fonctions de sécurité collaborative dans le corps du préhenseur, éliminant le besoin de vannes externes, de capteurs déportés et de câblages séparés qui alourdissent traditionnellement l'installation sur un bras de robot collaboratif. Cette architecture tout-en-un réduit la masse embarquée et l'encombrement global du montage, deux contraintes critiques sur les cobots dont les capacités de charge utile se situent généralement entre 3 et 16 kg. L'intérêt industriel de cette approche est direct : sur un cobot, chaque gramme ajouté en bout de bras réduit la charge utile effective disponible pour la pièce à manipuler. En consolidant la pneumatique, l'électronique de commande et les capteurs dans un seul module certifié pour la collaboration humain-robot, Festo simplifie l'intégration pour les intégrateurs et réduit les délais de mise en service. Cela répond à un frein récurrent dans le déploiement des cobots en cellules d'assemblage et de pick-and-place : la complexité du câblage en zone à espace contraint. Festo, groupe allemand spécialisé dans l'automatisation pneumatique et électrique avec un CA supérieur à 3,6 milliards d'euros, intervient sur ce segment face à des acteurs comme Schunk (ADHOC), Robotiq (2F-85/140) et OnRobot (RG2/RG6), tous positionnés sur les préhenseurs plug-and-play pour cobots Universal Robots, FANUC et Yaskawa. Le HPPH s'inscrit dans une tendance de fond : la convergence des composants périphériques vers des modules intégrés certifiés ISO/TS 15066, à mesure que les déploiements cobots passent de projets pilotes à des installations industrielles à grande échelle.

FR/EU ecosysteme⚡Actu

1 source

46

3220arXiv cs.RO 

Champs vectoriels pour le suivi de trajectoire sur les groupes de Lie, appliqués au contrôle robotique

Des chercheurs ont publié en février 2026 (arXiv 2602.21450) un cadre général de champs vectoriels pour le suivi de chemin sur les groupes de Lie, ciblant les systèmes robotiques capables de contrôler indépendamment leur position et leur orientation dans l'espace 3D. Les applications visées incluent les véhicules aériens omnidirectionnels, les robots sous-marins et les effecteurs de bras manipulateurs. Le problème est formalisé sur le groupe matriciel SE(3), qui encode l'ensemble des déplacements rigides dans l'espace à six degrés de liberté (trois en translation, trois en rotation). Le cadre proposé garantit la convergence vers une courbe paramétrique depuis presque toutes les conditions initiales, tout en assurant un mouvement continu le long du chemin. La commande en entrée est exprimée via le body twist, une représentation compacte de la vitesse locale combinant composantes linéaires et angulaires, ce qui s'aligne directement avec les interfaces de contrôle industrielles standard. Des expériences sur un manipulateur réel suivant des poses complexes valident l'approche, et une implémentation open-source accompagne la publication. La distinction entre trajectory tracking et path following est centrale : le tracking impose une contrainte temporelle stricte, alors que le path following ne contraint que la convergence spatiale vers le chemin. Pour un intégrateur ou un décideur industriel, cela se traduit par une robustesse accrue aux perturbations et une simplification de la programmation des tâches répétitives. L'usage du body twist comme représentation minimale réduit la charge computationnelle, avantage direct pour les boucles de contrôle temps-réel sur systèmes embarqués. La garantie de convergence topologique depuis "presque toutes" les conditions initiales distingue ce travail des approches locales classiques, qui exigent une initialisation proche de la trajectoire cible. Le contrôle de pose sur SE(3) est un champ actif depuis plusieurs décennies, avec des approches classiques souffrant de singularités liées aux représentations paramétriques comme les angles d'Euler ou les quaternions. Ce travail s'inscrit dans un mouvement plus large d'adoption de la géométrie différentielle en robotique, porté par plusieurs équipes académiques en Europe et en Amérique du Nord. Les méthodes d'apprentissage end-to-end comme les VLA (Vision-Language-Action) ne fournissent pas de garanties formelles équivalentes, ce qui maintient la pertinence de ces approches analytiques dans les contextes réglementés tels que le médical, le spatial ou le nucléaire. La disponibilité du code open-source abaisse la barrière d'adoption pour les équipes souhaitant intégrer ce framework sur leurs plateformes robotiques existantes.

Recherche❖Paper

1 source

46

3221arXiv cs.RO 

Apprentissage par renforcement visuel sur politique efficace via gradient de politique stochastique découplé

Une équipe de recherche publie sur arXiv (2605.26478, mai 2026) une méthode d'apprentissage par renforcement visuel appelée SDPG (Stochastic Decoupled Policy Gradient), capable d'entraîner des politiques visuomotrices end-to-end en quelques heures sur un seul GPU NVIDIA RTX 4080. La clé : estimer les gradients de politique via des perturbations stochastiques de trajectoires, plutôt que via des centaines d'environnements rendus en batch, réduisant drastiquement mémoire et temps de calcul. Sur les benchmarks visuels MuJoCo, référence standard pour l'évaluation des politiques de contrôle à entrées visuelles, SDPG surpasse les méthodes concurrentes sur les trois critères mesurés : temps d'entraînement, empreinte mémoire et récompenses obtenues. L'article inclut également un premier transfert sim-to-real démontré sur matériel physique, couvrant des tâches de manipulation dextère et de locomotion en terrain difficile. L'enjeu touche directement à l'accessibilité du RL visuel pour la robotique. Jusqu'ici, les méthodes on-policy visuomotrices exigeaient des clusters GPU pour rester compétitives, concentrant de fait la recherche dans quelques grands laboratoires. Ramener le coût d'entraînement à un seul GPU grand public ouvre potentiellement la voie aux équipes académiques moins dotées et aux startups. La publication simultanée d'une suite de benchmarks de robotique visuelle réaliste tente de combler un autre manque structurel : la fragmentation des protocoles d'évaluation dans le domaine. Le transfert sim-to-real annoncé reste cependant à confirmer à plus grande échelle, un résultat sur hardware physique dans un preprint n'équivalant pas à une validation industrielle. Ce travail s'inscrit dans une dynamique de démocratisation du RL pour la robotique. Des approches comme DrQ-v2 (DeepMind) ou DreamerV3 ont progressivement amélioré l'efficacité en entrées visuelles, mais restent lourdes pour les environnements réalistes. Les VLA comme Pi-0 (Physical Intelligence) ou GR00T N2 (NVIDIA) contournent entièrement la boucle RL via des architectures de fondation préentraînées. SDPG choisit une troisième voie : rester dans le paradigme RL pur tout en réduisant radicalement le coût computationnel. La prochaine étape observable sera l'adoption ou le rejet de leurs benchmarks par la communauté comme référence standard de comparaison.

Recherche❖Paper

1 source

45

3222arXiv cs.RO 

SOLE-R1 : le raisonnement vidéo-langage comme unique récompense pour l'apprentissage par renforcement sur robot

Des chercheurs du MIT ont publié SOLE-R1 (Self-Observing LEarner), un modèle de raisonnement vidéo-langage conçu pour fonctionner comme signal de récompense exclusif dans l'apprentissage par renforcement (RL) en robotique, sans aucun accès à des récompenses terrain, indicateurs de succès, démonstrations ou réglages spécifiques à la tâche. Soumis sur arXiv (2503.28730v2), le système prend en entrée uniquement des observations vidéo brutes et un objectif en langage naturel, puis génère à chaque pas de temps un raisonnement spatiotemporel de type chain-of-thought (CoT) pour estimer de façon dense la progression de la tâche. Entraîné sur un pipeline de synthèse massif de trajectoires vidéo annotées temporellement, SOLE-R1 combine fine-tuning supervisé et RL depuis des récompenses vérifiables. Évalué sur quatre environnements de simulation distincts et en setting réel, il réussit 24 tâches de manipulation inédites en apprentissage zéro-shot depuis une initialisation aléatoire. L'enjeu central que résout SOLE-R1 est celui du reward hacking : aujourd'hui, utiliser un VLM généraliste comme évaluateur RL expose le système à des erreurs perceptuelles sous observabilité partielle ou changement de distribution, que la politique apprenante exploite rapidement au lieu de résoudre réellement la tâche. SOLE-R1 surpasse nettement des comparatifs forts - Robometer, RoboReward, ReWiND, mais aussi GPT-5 et Gemini-3-Pro - sur la robustesse à ce phénomène. Pour les intégrateurs et ingénieurs robotique, c'est un signal concret que le goulot d'étranglement du RL sur robot réel (définir une fonction de récompense dense et fiable) peut être délégué à un modèle de raisonnement vidéo entraîné spécifiquement, sans instrumentation matérielle supplémentaire. SOLE-R1 s'inscrit dans un courant actif qui cherche à remplacer les récompenses codées à la main par des superviseurs fondationnels (EUREKA d'NVIDIA, VLM-RM, SuSIE). La différence revendiquée ici est le raisonnement CoT temporel explicite par pas de temps, contre des évaluations épisodiques ou des scores scalaires instantanés. Le projet est encore au stade preprint sans déploiement industriel annoncé, mais les modèles, données et code sont publiés en open access sur la page anonyme du MIT. Les prochaines étapes naturelles seraient la validation sur des plateformes commerciales (Figure, Unitree, Boston Dynamics Spot) et l'extension à des tâches longue-horizon en environnement non structuré, deux gaps que l'article ne comble pas encore.

Recherche❧Opinion

1 source

45

3223arXiv cs.RO 

FineVLA : alignement fin des instructions pour des politiques VLA pilotables

Une équipe de recherche a publié fin mai 2026 FineVLA, un framework ouvert destiné à améliorer la précision des instructions données aux modèles Vision-Langage-Action (VLA) en robotique. Le problème central adressé : les datasets robotiques existants associent les trajectoires à des instructions de haut niveau ("saisir l'objet"), sans préciser les détails d'exécution critiques comme le bras actif, la direction d'approche ou la zone de contact. Pour y remédier, l'équipe a unifié 972 247 trajectoires issues de 10 datasets open-source couvrant 85 000 tâches, puis construit FineVLA-Data, un sous-ensemble de 47 159 trajectoires annotées finement et vérifiées humainement. Le benchmark d'évaluation comprend 500 vidéos, 10 816 faits atomiques et 1 030 questions en VQA. En simulation RoboTwin, la meilleure configuration atteint 86,8 % / 82,5 % de succès ; en manipulation bimanuelle réelle, 62,7 / 100, contre 49,9 pour une politique entraînée uniquement sur des instructions brutes. Ces résultats contredisent une hypothèse fréquente dans la communauté VLA : que l'ajout de supervision fine-grained dégraderait les performances sur les tâches de haut niveau. Les expériences montrent l'inverse, avec un gain de +1,4 à +8,1 points de taux de succès selon les configurations. Le ratio optimal se situe entre FG:Raw = 1:2 et 1:1, suivant une courbe en U inversé. Les gains les plus nets en contrôle orientable portent sur la posture (+23 points), la couleur (+18) et la direction d'approche (+18), trois dimensions que les instructions globales n'adressent tout simplement pas. Cela valide l'idée que la précision linguistique au niveau de l'exécution est un levier sous-exploité dans la chaîne sim-to-real. FineVLA s'inscrit dans une course aux politiques robotiques généralisables où s'affrontent notamment Pi-0 de Physical Intelligence, OpenVLA (Berkeley), et les travaux de Google DeepMind autour de RT-2 et ses dérivés. L'originalité ici n'est pas un nouveau backbone mais une infrastructure de données et d'annotation : un annotateur VLM spécialisé robotique pour passer à l'échelle, et un pipeline de construction de dataset reproductible. Le projet est open-source avec une page dédiée (finevla.xlang.ai), ce qui facilite l'adoption par d'autres labos. Prochaine étape logique : tester la généralisation hors distribution et l'intégration dans des stacks industrielles où la précision des consignes opérateur est précisément un point de friction non résolu.

IA physique❧Opinion

1 source

45

3224arXiv cs.RO 

HyperSim : un cadre complet de transfert simulation-réel pour la manipulation robotique robuste

Des chercheurs ont publié sur arXiv (arXiv:2605.26638) HyperSim, un framework bout-en-bout conçu pour transférer des politiques de manipulation robotique de la simulation vers le monde réel. La méthode repose sur trois piliers : la synthèse d'environnements haute fidélité visuelle, la génération de trajectoires adversariales, et un co-entraînement mixte simulation/réel. Validée sur 400 exécutions de tâches en conditions réelles, HyperSim atteint des taux de succès sim-to-real de 80 % avec le modèle ACT et 95 % avec π₀ (le modèle VLA de Physical Intelligence). Les politiques entraînées avec des trajectoires adversariales affichent par ailleurs un taux de complétion supérieur de 35 % sous perturbations physiques dynamiques, par rapport aux baselines sans ce module. Ces résultats adressent directement l'un des verrous les plus cités dans le déploiement de robots manipulateurs industriels : le sim-to-real gap, c'est-à-dire la dégradation de performance entre une politique entraînée en simulation et son comportement réel. Un taux de 95 % avec π₀ sur des tâches de manipulation représente un niveau de robustesse rarement publié à cette échelle d'évaluation (400 runs, trois métriques granulaires). Pour les intégrateurs et les équipes R&D, cela valide concrètement l'hypothèse que la donnée synthétique, lorsqu'elle est correctement augmentée et diversifiée, peut substituer en grande partie la collecte physique coûteuse. À noter cependant : l'article ne détaille pas les types de tâches ni les objets testés, ce qui limite l'interprétation de la généralité des résultats. La problématique sim-to-real est au cœur des efforts de plusieurs équipes concurrentes : Google DeepMind (avec RoboVerse et ses pipelines de données synthétiques), Physical Intelligence (dont le modèle π₀ est justement l'un des deux benchmarks utilisés ici), et des laboratoires académiques comme Stanford et CMU. HyperSim se distingue par son approche intégrée plutôt que modulaire, cherchant à traiter simultanément le gap visuel et le gap dynamique. La prochaine étape naturelle, non précisée dans le preprint, serait de tester la généralisation à des plateformes humanoïdes ou des scénarios multi-objet en environnement non structuré.

Recherche❖Paper

1 source

44

3225arXiv cs.RO 

LAD-VF : la différentiation automatique par LLM permet la planification robotique sans ajustement fin à partir de méthodes formelles

Une équipe de chercheurs a publié LAD-VF (LLM-AutoDiff with Verification Feedback), un cadre de planification robotique basé sur les grands modèles de langage (LLM) qui élimine le besoin de fine-tuning. Présenté dans un article arXiv (2509.18384v2), le système combine la vérification formelle des contraintes avec un mécanisme de différenciation automatique appliqué directement au texte, baptisé LLM-AutoDiff. Concrètement, LAD-VF génère des boucles de rétroaction à partir d'un vérificateur formel qui évalue si les plans produits respectent les spécifications de sécurité et réglementaires, puis affine itérativement les prompts plutôt que les paramètres du modèle. Lors d'expériences sur des tâches de navigation et de manipulation robotique, le taux de succès progresse de 60 % à plus de 90 %, sans modification des poids du modèle sous-jacent. Ce résultat adresse un problème central pour le déploiement industriel des LLM en robotique : les modèles actuels violent fréquemment les contraintes de sécurité par hallucination ou par alignement insuffisant, ce qui freine leur adoption dans des environnements réglementés comme l'industrie manufacturière, la mobilité autonome ou la chirurgie assistée. Les approches classiques de réalignement telles que le Direct Preference Optimization (DPO) ou le RLHF exigent des annotations humaines coûteuses et des cycles de fine-tuning intensifs en calcul GPU. En substituant l'optimisation de prompt à celle des poids, LAD-VF ouvre une voie d'adaptation scalable sans infrastructure de réentraînement dédiée, et produit des prompts auditables qui simplifient la traçabilité requise par des normes comme l'ISO 10218 ou le futur règlement européen sur l'IA. LAD-VF s'inscrit dans un courant émergent qui cherche à rendre les LLM exploitables dans des contextes à haute criticité sans passer par des pipelines de fine-tuning lourds. Les approches concurrentes incluent les méthodes de formal-feedback avec fine-tuning, le Constitutional AI d'Anthropic ou les frameworks de planification symbolique hybride comme SayCan (Google DeepMind). La nouveauté de LAD-VF tient à l'intégration de la différenciation automatique au niveau textuel, un concept issu des travaux sur AdalFlow. L'architecture modulaire revendiquée suggère une compatibilité avec des familles de modèles variées (GPT-4, Llama, Qwen), mais les expériences publiées restent limitées à des environnements de simulation ; le passage au réel en conditions industrielles reste entièrement à démontrer.

Recherche❖Paper

1 source

44

3226arXiv cs.RO 

Exploiter un potentiel variable : quand le contrôle réactif suffit aux comportements multi-objectifs

Une équipe de chercheurs a publié en mai 2026 (arXiv:2605.27314) une approche qui réhabilite le contrôle réactif pour des tâches multi-objectifs, domaine où cette famille de méthodes est traditionnellement jugée inadaptée. Le principe repose sur un modèle du monde sous forme de graphe, étendu par des projections dans l'espace nul (nullspace projections) : lorsque deux objectifs entrent en conflit, les gradients de plus faible priorité sont projetés dans le nullspace du gradient de plus haute priorité, les priorités étant calculées en continu en fonction de l'état courant du système. Les auteurs valident l'approche sur deux scénarios : navigation autour d'obstacles non-convexes, et poussée planaire (planar pushing) d'objets non-convexes. Sur cent configurations de poussée, la méthode atteint 100 % de réussite, contre 0 % pour la descente de gradient classique (steepest-descent) et environ 55 % pour une diffusion policy entraînée sur démonstrations. La même formulation est transférée directement sur un robot réel, intégrant des contraintes perceptuelles et cinématiques via le même mécanisme. Le résultat le plus saillant pour les praticiens est la comparaison avec la diffusion policy : un modèle génératif entraîné sur données, considéré comme l'état de l'art sur les tâches de manipulation déstructurées, plafonne à 55 % là où cette méthode purement réactive, sans démonstration ni réentraînement, atteint 100 %. Cela contredit directement la thèse selon laquelle les approches data-driven supplantent systématiquement les méthodes classiques en manipulation. Pour un intégrateur industriel, le signal est clair : le coût d'acquisition de données et les pipelines d'entraînement ne sont pas toujours nécessaires pour des tâches de saisie ou de manipulation d'objets à géométrie complexe. La légèreté computationnelle du contrôle réactif le rend également compatible avec des architectures embarquées à ressources limitées. Le contrôle réactif par champs de potentiel remonte aux travaux d'Oussama Khatib (1986), et les projections dans l'espace nul sont un pilier de la robotique à priorité de tâches (travaux de Siciliano, Chaumette). Ce papier ne réinvente pas ces fondamentaux mais résout leur point de défaillance historique : les minima locaux dus à des encodages statiques des objectifs. Face à cet axe purement classique, les approches concurrentes combinent apprentissage par renforcement, imitation learning (ACT, diffusion policy), et plus récemment les VLA (Vision-Language-Action models comme pi0 ou GR00T N2 de NVIDIA). Les auteurs ne précisent pas de roadmap industrielle, mais la capacité de transfert sim-to-real sans retraining est un argument fort pour des pilotes rapides. La prochaine étape naturelle serait l'extension à la manipulation 3D et aux objets articulés.

Recherche❖Paper

1 source

44

3227arXiv cs.RO 

Les modèles VLA peuvent-ils apprendre en continu depuis des données réelles sans oublier ?

Une équipe de chercheurs a publié sur arXiv (référence 2605.26820) une étude empirique sur la capacité des modèles VLA (Vision-Language-Action) à apprendre de nouvelles tâches sans oublier les compétences acquises précédemment. Pour ce faire, les auteurs ont constitué un jeu de données réel de type apprentissage continu, structuré en quatre tâches de manipulation séquentielles : saisie et dépose d'objets rigides, appui avec contact (contact-rich pressing), pliage d'objets déformables, et une quatrième tâche couvrant des configurations hétérogènes. Contrairement aux travaux antérieurs qui s'appuyaient sur des environnements simulés étroitement contrôlés, ce benchmark est intégralement collecté dans le monde physique, avec des démonstrations réelles. Résultat central : les modèles VLA souffrent massivement du phénomène d'oubli catastrophique (catastrophic forgetting) lorsqu'ils sont entraînés séquentiellement sur ces données hétérogènes. Les chercheurs ont également évalué l'expérience replay comme stratégie d'atténuation, en identifiant les facteurs d'implémentation déterminants pour son efficacité. Ce travail pointe un angle mort critique dans la trajectoire de commercialisation des robots polyvalents. Un VLA performant en lab sur une tâche figée ne suffit pas pour un déploiement industriel où les lignes évoluent, les références changent, et les opérateurs ajoutent des compétences sans repartir de zéro. L'oubli catastrophique est une limite connue du deep learning, mais jusqu'ici peu documentée sur données réelles pour les politiques robotiques de type VLA. Cette étude démontre que le problème persiste même avec des architectures modernes, et que l'expérience replay, bien configuré, offre une piste praticable. Pour un intégrateur ou un COO industriel, c'est un signal clair : toute feuille de route robotique basée sur des VLA doit intégrer une stratégie d'apprentissage continu avant passage à l'échelle. Les modèles VLA sont au coeur d'une course technologique impliquant Physical Intelligence (Pi-0), Google DeepMind (RT-2, OpenVLA), et plus récemment Figure AI et Apptronik avec leurs propres pipelines de politiques généralisées. Jusqu'à présent, la majorité des benchmarks de continual learning en robotique restaient cantonnés à la simulation (RoboSuite, MetaWorld), ce qui limitait la transposabilité des conclusions. Cette étude est présentée comme le premier bilan empirique sur données réelles pour les VLA, un signal que la communauté commence à confronter ces modèles aux contraintes opérationnelles réelles plutôt qu'aux conditions idéales de laboratoire. Les prochaines étapes probables incluent l'extension du benchmark à davantage de tâches et de morphologies de robots, ainsi que l'intégration de méthodes plus sophistiquées (EWC, LoRA-based replay) pour comparer leur robustesse à l'oubli sur scénarios industriels longs.

IA physique❧Opinion

1 source

43

3228arXiv cs.RO 

Vers une intelligence incarnée partagée pour les robots humanoïdes : développement et tests du robot ergoCub

Des chercheurs de l'Istituto Italiano di Tecnologia (IIT) de Gênes ont publié en mai 2026 sur arXiv une architecture formelle pour humanoïdes collaboratifs, dont ils présentent une implémentation concrète dans le robot ergoCub. L'approche repose sur deux piliers conceptuels empruntés aux neurosciences cognitives : la "shared intelligence" (la capacité à modéliser les intentions et actions d'un partenaire humain) et l'"embodied cognition" (l'idée que corps et cognition co-évoluent en réponse à l'environnement). Concrètement, la morphologie d'ergoCub et ses paramètres de contrôle moteur ont été co-optimisés en prenant comme fonction objectif des métriques ergonomiques humaines, notamment en intégrant des modèles biomécaniques du corps humain directement dans la couche de planification du mouvement. L'abstract ne fournit pas de chiffres de charge utile, de DOF ni de temps de cycle, et aucune ligne de production ni site de déploiement industriel n'est mentionné : il s'agit d'un article de recherche, pas d'une annonce de produit. Le principal apport de ce travail est méthodologique : c'est l'un des rares frameworks à co-optimiser simultanément le hardware et l'intelligence physique d'un humanoïde autour de l'ergonomie humaine, plutôt que de traiter ces deux couches séparément. Pour les intégrateurs industriels et les équipes d'ingénierie, cela ouvre une voie de conception où le robot n'est pas simplement "sécurisé" par des capteurs de force ou des limites de vitesse, mais structurellement conçu pour minimiser la charge musculo-squelettique de l'opérateur lors de tâches de co-manipulation. C'est une réponse directe à l'un des angles morts des humanoïdes commerciaux actuels, qui optimisent surtout la dextérité autonome sans modéliser l'impact biomécanique sur le coéquipier humain. ergoCub est une évolution directe du robot iCub, plateforme de recherche humanoïde phare du programme européen RobotCub lancé par l'IIT dans les années 2000, qui compte aujourd'hui plus de 40 laboratoires utilisateurs dans le monde. Cette filiation place ergoCub dans un écosystème académique robuste, mais loin encore d'une commercialisation. Sur le terrain concurrent, les acteurs en avance sur la collaboration humain-robot incluent Physical Intelligence (pi0), Agility Robotics (Digit, déployé chez Amazon), et Figure (02), mais aucun ne publie de métriques ergonomiques formalisées de ce type. En Europe, Enchanted Tools (Mirokaï) et Wandercraft (Atalante X) restent les acteurs les plus avancés sur les humanoïdes à vocation assistive et médicale. Les prochaines étapes pour ergoCub passeront vraisemblablement par des validations expérimentales de l'architecture en conditions de co-manipulation réelle, avant tout envisagement de transfert industriel.

FR/EU ecosysteme❖Paper

1 source

42

3229arXiv cs.RO 

PhyPush : une seule poussée suffit pour estimer les propriétés physiques sans capteurs grâce aux transformeurs guidés par la physique

PhyPush, présenté dans un article arXiv (2605.18284) publié en mai 2026, est un framework basé sur un Transformer guidé par la physique, capable d'estimer la masse et le coefficient de friction d'un objet à partir d'une seule poussée. La particularité centrale : le système n'utilise que la vélocité cinématique de l'effecteur final, une donnée disponible nativement sur tout bras robotique standard, sans capteur de force/couple, sans réseau de capteurs tactiles, et sans système de capture de mouvement multi-caméras. Le modèle intègre directement les contraintes issues de la deuxième loi de Newton et du modèle de friction de Coulomb dans sa fonction de perte, ce qui renforce la cohérence physique des estimations. En simulation, PhyPush réduit l'erreur d'estimation de plus de 10 % par rapport à une baseline disposant pourtant d'un accès privilégié aux données de force complètes ; en conditions réelles, il surpasse une approche purement data-driven sur des objets et surfaces hors domaine d'entraînement. L'impact pour l'intégration industrielle est direct. L'estimation précise de la masse et de la friction est un prérequis pour la manipulation adaptative fiable, notamment dans les lignes de tri, d'assemblage ou de logistique où les objets varient constamment. Les approches existantes exigeaient soit un instrumentation coûteuse (capteurs F/T à 2 000-10 000 €/unité), soit des environnements contrôlés incompatibles avec un déploiement à l'échelle. PhyPush déplace ce prérequis vers une inférence logicielle sur hardware standard, ce qui ouvre la voie à une perception physique embarquée sur des flottes de robots sans sur-coût matériel. La preuve que l'apprentissage guidé par la physique peut surpasser une baseline disposant de plus d'information sensorielle est également un signal fort : la structure inductive correcte compense le manque de capteurs, ce qui contredit l'hypothèse selon laquelle plus de données brutes implique nécessairement de meilleures estimations. L'estimation interactive des propriétés physiques par poussée (push-based estimation) est un problème étudié depuis une décennie, mais les solutions robustes restaient dépendantes de setups lourds issus des labos de manipulation tactile (MIT, Stanford, CMU). L'émergence des Transformers appliqués à la dynamique robotique et l'intégration de prior physique dans les fonctions de perte sont des tendances récentes qui convergent ici. Côté concurrence, les travaux de perception tactile comme celles de GelSight ou des approches sim-to-real de Meta (DIGIT) adressent un problème similaire mais via du hardware dédié ; des équipes comme Physical Intelligence (Pi-0) ou Figure AI intègrent eux aussi des modules d'estimation d'état dans leurs pipelines VLA, mais sans publier les détails. PhyPush se positionne comme une brique bas coût et open science pour tout intégrateur souhaitant ajouter de l'adaptation physique à un bras existant. Les prochaines étapes logiques incluent la généralisation à des poussées multi-axes, l'intégration dans des boucles de contrôle en temps réel, et le test sur des plateformes humanoïdes où la variabilité des objets manipulés est maximale.

Recherche❖Paper

1 source

42

3230arXiv cs.RO 

IA incarnée et capacités extensibles grâce aux outils

Des chercheurs ont publié le 27 mai 2026 sur arXiv (2605.26637v1) une architecture pour les systèmes d'intelligence incarnée (embodied AI) appelée Embodied Tool Protocol, ou ETP. Le principe central, qualifié de "capability externalization", consiste à découpler perception, raisonnement, planification et contrôle moteur plutôt que de les fondre dans un seul modèle paramétrique bout-en-bout. Chaque capacité devient un outil indépendant, optimisé séparément et invoqué dynamiquement à l'inférence. L'équipe a constitué une base de plus de 100 outils validés couvrant quatre domaines : perception, cognition, raisonnement et exécution. Sur cette base, ils ont construit EmbodiedToolBench, un benchmark évaluant quatre dimensions de l'usage des outils : reconnaissance de la nécessité, sélection, exécution et composition de chaînes. Les expériences, menées en simulation et sur des plateformes physiques, affichent un gain moyen de 31 % sur EB-ALFRED et de 36 % sur EB-Navigation par rapport aux baselines sans augmentation d'outils. Ces chiffres sont pertinents pour un secteur où l'architecture VLA (Vision-Language-Action) bout-en-bout s'est imposée comme paradigme dominant depuis 2023. L'apport le plus concret est l'identification d'une asymétrie forte : la cognition et la perception bénéficient substantiellement de l'externalisation, tandis que les capacités d'exécution motrice restent peu améliorées par l'ajout d'outils externes. Pour un intégrateur ou un COO industriel, ce signal est utile : l'orchestration modulaire semble mature pour les couches décisionnelles et perceptuelles, mais le contrôle bas niveau conserve des contraintes structurelles que l'augmentation d'outils ne résout pas. L'article pointe également un goulot d'étranglement persistant sur tous les modèles testés : savoir quand, lequel et comment invoquer un outil, ce que les auteurs nomment "embodied tool competence". Le travail s'inscrit dans une tendance qui cherche à dépasser les limites de la politique monolithique, notamment la difficulté de généralisation hors distribution. Les approches concurrentes incluent les architectures hiérarchiques classiques (planificateur global + contrôleur bas niveau), les agents LLM à outils dans la lignée de ToolFormer, et des frameworks comme SayCan (Google DeepMind). Ni le code ni les outils ne semblent encore disponibles publiquement selon le texte du preprint, ce qui limite l'évaluation indépendante des gains annoncés. L'adoption d'EmbodiedToolBench comme référentiel commun dépendra de la qualité de la release publique. Les suites logiques seraient de tester la robustesse de la composition de chaînes d'outils dans des environnements non contrôlés, et d'étendre le protocole ETP à des plateformes hardware existantes comme les humanoïdes Figure, Unitree ou les bras manipulateurs industriels.

Recherche❧Opinion

1 source

42

3231arXiv cs.RO 

AdaMorph : retargeting de mouvement unifié par transformeurs adaptatifs sensibles à l'incarnation

AdaMorph est un framework de retargeting de mouvement humain vers robot, présenté dans un preprint arXiv (arXiv:2601.07284), qui propose d'unifier sous un seul modèle le transfert de mouvements vers des robots aux morphologies hétérogènes. Les auteurs ont évalué leur approche sur 12 humanoïdes distincts aux topologies cinématiques variées. Le système traite le retargeting comme une tâche de génération conditionnelle : les mouvements sont encodés dans un espace latent "morphology-agnostic" (indépendant de la morphologie du robot cible), puis décodés via un mécanisme de prompting dual. La clé technique est l'Adaptive Layer Normalization (AdaLN), qui module dynamiquement les features du décodeur selon les contraintes d'embodiment du robot cible, plutôt que de concaténer naïvement les paramètres cinématiques en entrée. Un objectif d'entraînement par curriculum garantit la plausibilité physique, notamment la cohérence d'orientation et de trajectoire par intégration. L'enjeu central qu'adresse AdaMorph est le passage à l'échelle : les solutions existantes entraînent un modèle distinct par robot, ce qui devient ingérable à mesure que le catalogue d'humanoïdes s'élargit. Un modèle unifié exploitant des sémantiques de mouvement partagées représente un changement architectural pertinent pour les équipes déployant sur plusieurs plateformes simultanément, qu'il s'agisse d'intégrateurs industriels ou de constructeurs comme Figure, 1X ou Agility Robotics. La généralisation zero-shot sur des mouvements complexes non vus à l'entraînement est le résultat le plus significatif : elle suggère que l'espace latent capture bien l'intent moteur de façon transférable, sans réentraînement par morphologie. Le retargeting de mouvement est un problème ouvert depuis les premières captures de mouvement appliquées à la robotique. Les approches actuelles, notamment les méthodes par apprentissage par renforcement de Berkeley ou des frameworks comme PHC (Perpetual Humanoid Control), traitent généralement une morphologie à la fois. AdaMorph s'inscrit dans la tendance des foundation models appliqués au contrôle robotique, comparable dans son ambition aux politiques généralisables de Physical Intelligence avec pi0. À souligner : il s'agit d'un résultat purement académique, validé en simulation sur 12 robots sans déploiement réel annoncé ni partenariat industriel mentionné. La question du transfert sim-to-real sur des tâches physiques contraintes reste entière.

IA physique❖Paper

1 source

42

3232arXiv cs.RO 

Estimation de pose et de forme d'objets pour la saisie : est-ce que ça fonctionne ?

Une étude publiée en preprint sur arXiv (2605.26944, mai 2026) s'attaque à une question centrale de la manipulation robotique : les méthodes modulaires, qui estiment d'abord la pose et la forme 3D d'un objet avant de générer des préhensions par échantillonnage antipolaire, surpassent-elles les approches bout-en-bout qui synthétisent directement des poses de saisie ? Le cadre expérimental se limite aux pinces à mâchoires parallèles, aux préhensions à 7 degrés de liberté (7-DOF), et à une entrée monoculaire RGB(-D). Trois pipelines modulaires sont évalués : deux s'appuient sur des modèles encodeur-décodeur (SAM3D, LRM, CRISP), le troisième sur des modèles de reconstruction par diffusion (InstantMesh, Zero123, SceneComplete), tous capables de reconstruire des formes 3D de façon catégorie-agnostique. Ces pipelines sont comparés à une méthode bout-en-bout de référence représentant l'état de l'art. Les résultats sont sans ambiguïté : les méthodes modulaires surpassent la baseline bout-en-bout dans l'intégralité des expériences, y compris sur les petits objets où l'approche bout-en-bout échoue complètement. Ce constat remet en question l'hypothèse dominante selon laquelle les architectures bout-en-bout s'imposent naturellement en manipulation. La qualité des préhensions reste cependant conditionnée à la précision de l'estimation de pose et de forme : dans les scènes encombrées (cluttered scenes), les performances se dégradent, exposant une limite structurelle des méthodes actuelles de reconstruction 3D monoculaire. Les auteurs montrent par ailleurs que ces pipelines modulaires peuvent être augmentés avec des modèles vision-langage (VLM) pour produire des préhensions conditionnées par des instructions en langage naturel depuis une seule image RGB-D, avec des performances comparables à la baseline LERF-TOGO. Ces travaux s'inscrivent dans une dynamique plus large de reconstruction 3D open-set portée par des modèles génératifs larges. Les approches encodeur-décodeur comme SAM3D ou LRM, et les modèles par diffusion comme InstantMesh ou Zero123, ont démontré une généralisation hors-distribution qui rend la reconstruction catégorie-agnostique exploitable en robotique industrielle. Côté positionnement concurrentiel, les méthodes bout-en-bout comme GraspNet restent des références, mais ce preprint suggère qu'un paradigme modulaire combinant estimation de forme et échantillonnage géométrique peut les surpasser dès lors que la reconstruction est suffisamment précise. La robustesse en scènes encombrées reste le défi ouvert majeur pour les équipes de recherche et les intégrateurs industriels.

Recherche❖Paper

1 source

41

3233arXiv cs.RO 

TCBiRRT : planification rapide de mouvement pour manipulateur spatial à deux bras couplés par expansion aléatoire dans l'espace des tâches

Des chercheurs ont publié le 27 mai 2026 sur arXiv (identifiant 2605.27167) un algorithme de planification de mouvement baptisé TCBiRRT (Task-space Constrained Bidirectional Rapidly-exploring Random Tree), conçu pour les manipulateurs spatiaux bi-bras à chaîne cinématique fermée. Le problème visé est concret : lors de l'assemblage orbital de grandes structures spatiales, un bras double qui tient rigidement un objet forme une boucle fermée entre ses deux effecteurs, ce qui réduit drastiquement l'espace de configurations valides. TCBiRRT contourne cette difficulté en effectuant l'échantillonnage aléatoire directement dans l'espace tâche, défini par la pose de l'objet manipulé, plutôt que dans l'espace articulaire de haute dimension. Un algorithme de cinématique inverse sur chemin mappe ensuite chaque noeud tâche vers une trajectoire articulaire continue, intégré dans un cadre RRT bidirectionnel avec mécanisme de re-saisie. Les simulations portent sur plusieurs scénarios d'assemblage orbital à complexité environnementale variable. Les résultats annoncés sont significatifs sur le plan algorithmique : taux de succès nettement supérieurs et temps de planification améliorés de plusieurs ordres de grandeur par rapport aux planificateurs de référence. Pour un intégrateur travaillant sur des systèmes robotiques orbitaux, cela se traduit par des fenêtres d'action plus courtes et une meilleure fiabilité dans des environnements encombrés, pièces de structure, équipements déjà déployés. Il faut cependant souligner que tous les résultats reposent exclusivement sur simulation ; aucun test en microgravité réelle ni sur prototype physique n'est rapporté à ce stade. Le gap sim-to-real reste donc entier, question centrale pour toute qualification de vol. La planification de mouvement sous contraintes de chaîne fermée est un problème ancien en robotique, mais son application aux manipulateurs orbitaux bi-bras, type Canadarm2 ou les projets plus récents de bras d'assemblage pour les stations lunaires Gateway et les futures plateformes LEO commerciales, redevient stratégique. Côté concurrence algorithmique, les approches existantes (CBiRRT, planificateurs config-space classiques) peinent à passer à l'échelle dans des environnements complexes : c'est précisément ce verrou que TCBiRRT prétend lever. Aucun lien industriel ni partenariat agence spatiale n'est mentionné dans le préprint ; les prochaines étapes naturelles seraient une validation matérielle et une intégration dans des simulateurs de référence comme NASA's RSVP ou ESA's VREP.

Recherche❖Paper

1 source

40

3234arXiv cs.RO 

OSMa-Bench++ : vers une évaluation ouverte de la cartographie sémantique pour la manipulation via des scènes synthétiques générées par prompt

Des chercheurs du laboratoire be2rlab publient OSMa-Bench++, une extension du framework d'évaluation OSMa-Bench, déposée sur arXiv en mai 2026. L'objectif est de pallier une limite structurelle des benchmarks actuels pour la cartographie sémantique appliquée à la manipulation robotique : leur dépendance à des jeux de données fixes, insuffisamment couverts en cas limites pertinents pour la manipulation. Le nouveau pipeline génère automatiquement des descriptions de scènes d'intérieur à partir de prompts textuels, synthétise les environnements correspondants via SceneSmith, puis les adapte dans un format de simulation compatible avec OSMa-Bench. Cette adaptation requiert une couche intermédiaire non triviale incluant la normalisation sémantique, la réparation de matériaux et textures, des politiques de fallback pour les shaders, la gestion des sols, la configuration de la navigation et un contrôle de l'éclairage. Le composant VQA (Visual Question Answering) est étendu avec une catégorie de questions ancrée sur le prompt d'origine, exploitant le fait que la spécification de la scène est connue à l'avance pour servir de référence sémantique vérifiable. Le code est disponible publiquement sur github.com/be2rlab/OSMa-Bench-v2. L'apport principal est de rendre le benchmarking de la cartographie sémantique extensible et contrôlable, deux propriétés absentes des benchmarks à scènes figées comme ScanNet ou Replica. Pour un intégrateur ou un équipe R&D travaillant sur des bras manipulateurs avec perception 3D, cela signifie pouvoir évaluer un modèle sur des conditions ciblées : objets de petite taille, occlusions partielles, encombrement variable, ou éclairage dégradé, sans avoir à constituer manuellement de nouveaux datasets. Le mécanisme de question-réponse ancré sur le prompt original permet une vérification objective contre une vérité terrain sémantique définie à la génération, ce qui réduit l'ambiguïté d'évaluation typique des VQA sur scènes non contraintes. OSMa-Bench, le framework d'origine, était déjà positionné sur l'évaluation de méthodes de cartographie sémantique pour la manipulation, un segment moins couvert que la navigation pure. SceneSmith, utilisé ici comme générateur de scènes, est un outil de synthèse procédurale d'environnements intérieurs. Dans le paysage des benchmarks pour la perception robotique, les approches à génération procédurale restent minoritaires face aux scènes scannées (HM3D, Matterport3D), mais gagnent du terrain pour leur capacité à couvrir des distributions hors-domaine. be2rlab n'annonce pas de déploiement industriel ni de partenariat : il s'agit d'une contribution de recherche académique, sous forme de pre-print non encore évalué par les pairs, avec mise à disposition du code comme principal livrable.

Recherche❖Paper

1 source

40

3235arXiv cs.RO 

Vers une navigation socialement adaptée dans les immeubles résidentiels : la méthode Look Further

Des chercheurs ont publié sur arXiv (réf. 2605.26710) une étude portant sur la navigation sociale d'un robot de livraison dans les couloirs d'immeubles résidentiels. L'approche centrale, baptisée Proactive Lane-Changing (PLC), consiste à déporter latéralement le robot du centre vers le côté du couloir dès qu'un piéton est détecté à plus de huit mètres, soit deux à quatre fois la distance de réaction habituelle des systèmes actuels. Une étude utilisateur avec 42 participants a évalué cette stratégie selon trois critères : sécurité, fluidité et politesse. En couloir droit (approche frontale), le PLC surpasse de façon statistiquement significative les comportements classiques de la littérature - ralentissement, arrêt, évitement réactif en proximité - sur les trois dimensions. En revanche, dans les scénarios d'intersection à angle mort, aucune des approches testées ne se distingue, les préférences des participants restant très dispersées. Ce résultat interroge les intégrateurs de robots AMR en milieu indoor résidentiel. La navigation sociale s'est longtemps concentrée sur la zone de "personal space" - typiquement moins de deux mètres - en appliquant des règles d'évitement réactif. L'étude démontre qu'étendre la distance de réaction modifie la perception globale du mouvement robotique, pas uniquement la sensation d'intrusion à courte portée. C'est un signal utile pour les concepteurs de comportements : l'expérience utilisateur en couloir relève du design d'interaction à grande échelle spatiale, pas seulement de la sécurité physique. L'absence de résultat probant aux intersections souligne cependant que le problème des angles morts reste entier et que le PLC n'est pas une solution universelle. Le travail s'inscrit dans un champ actif depuis la popularisation des robots de service indoor et l'émergence de modèles comme le Social Force Model. Côté industrie, des acteurs comme Keenon, Aethon ou Savioke ont déployé des robots de livraison en hôtellerie et milieu hospitalier sans traiter explicitement la navigation sociale à longue distance. En Europe, Enchanted Tools (France, robot Miroka) et d'autres opèrent dans des environnements comparables et pourraient bénéficier de ce type d'approche comportementale. L'étude reste au stade de la recherche publiée : ni code disponible, ni déploiement commercial annoncé.

Recherche❖Paper

1 source

39

3236arXiv cs.RO 

Apprentissage de l'équilibre entre sécurité thermique des moteurs et performance locomotrice quadrupède par politique résiduelle

Des chercheurs ont publié sur arXiv (référence 2605.27046) une méthode par apprentissage par renforcement pour intégrer la gestion thermique des moteurs dans la politique de locomotion d'un robot quadrupède. Le cadre d'entraînement proposé est structuré en deux étapes : une politique nominale est d'abord entraînée comme baseline capable de traverser des terrains variés, puis une politique résiduelle vient se superposer pour fournir des corrections d'actions en fonction de l'état thermique instantané de chaque actionneur. Le système repose sur un modèle thermique global (whole-body thermal model) intégré directement dans la boucle RL, qui met à jour les températures moteurs à chaque cycle. Les expériences physiques sur un Unitree A1 avec une charge utile de 3 kg montrent que le robot maintient une locomotion stable sur plusieurs types de terrain pendant plus de 13 minutes, contre environ 5 minutes avant surchauffe avec la politique nominale seule, soit un gain d'un facteur 2,6 sur la durée d'opération continue. La surchauffe des actionneurs est un facteur limitant concret pour les robots à pattes en déploiement prolongé, particulièrement sous charge utile, scénario typique en inspection industrielle, logistique ou search-and-rescue. La quasi-totalité des travaux académiques en RL pour la locomotion quadrupède optimisent vitesse, robustesse au terrain et stabilité, traitant les moteurs comme des systèmes sans contraintes thermiques. Ce papier démontre qu'une politique résiduelle thermiquement informée peut être ajoutée au-dessus d'une politique existante sans dégrader ses performances nominales à basse température : l'architecture ne remplace pas le comportement appris, elle lui superpose des corrections minimales, ce qui simplifie l'intégration et ouvre la voie à une modularité thermique applicable à d'autres plateformes. Le Unitree A1 est un quadrupède compact de recherche très répandu dans la communauté RL (actionneurs brushless, environ 12 kg, 12 DOF au total). Sur les plateformes commerciales comme Spot (Boston Dynamics) ou ANYmal (ANYbotics), la gestion thermique est généralement traitée au niveau firmware ou matériel, ce qui masque le problème aux chercheurs mais ne le résout pas pour les intégrateurs déployant des appareils sur des missions longues. Ce preprint n'a pas encore été évalué par les pairs. Les prolongements logiques incluent une validation sur des plateformes plus lourdes (Unitree B2, Go2) sous charges supérieures, ainsi que des politiques thermiques adaptatives pour des environnements à forte dissipation comme les pentes soutenues ou les obstacles répétitifs.

Recherche❖Paper

1 source

38

3237arXiv cs.RO 

Modernisation de la navigation par apprentissage par renforcement pour la génération de graphes de scènes sémantiques par IA incarnée

Une équipe de recherche a publié sur arXiv (2603.25415v2) un composant de navigation modulaire destiné à la génération de graphes de scène sémantiques (SSG) par des agents embarqués. L'objectif central est de maximiser la qualité du modèle de monde construit par le robot dans un budget d'actions limité, en arbitrant entre gain d'information et coût de navigation. Les chercheurs remplacent l'algorithme d'optimisation de politique existant et revisitent la formulation de l'espace d'actions discret. Résultat clé : le simple remplacement de l'optimiseur améliore la complétude du SSG de 21 % en relatif par rapport à la baseline, à récompense identique. L'ajout d'une supervision par profondeur améliore principalement la sécurité d'exécution (réduction des collisions) sans modifier sensiblement la complétude. La combinaison d'un optimiseur moderne avec une représentation d'actions plus granulaire et factorisée en politique multi-têtes donne le meilleur compromis complétude-efficacité global. Ce résultat soulève une question pratique pour les équipes de robotique embarquée : combien de pipelines RL de navigation sont sous-performants non pas à cause de leur architecture, mais à cause d'algorithmes d'entraînement obsolètes ? Un gain de 21 % par simple swap d'optimiseur suggère que la dette technique dans les baselines de comparaison est substantielle. Par ailleurs, la politique multi-têtes factorisée réduit l'explosion combinatoire de l'espace d'actions, un problème classique dès que l'on augmente la granularité des mouvements. Sur le plan applicatif, les SSG sont une brique utile pour les robots autonomes opérant dans des environnements industriels non structurés : ils fournissent une représentation compacte des objets, relations et contexte spatial, au-delà des cartes purement géométriques. Ce travail s'inscrit dans le courant de l'Organic Computing, un paradigme de systèmes auto-adaptatifs sous contraintes de ressources et d'incertitude, qui reste davantage présent dans la recherche académique européenne que dans les déploiements industriels. La version v2 du preprint indique un raffinement itératif, signe d'une validation en cours. Le positionnement concurrentiel de cette approche structurée par graphes est à surveiller face aux modèles fondationnels vision-langage (VLA) qui absorbent de plus en plus les tâches de compréhension de scène. Les prochaines étapes probables incluent le transfert sim-to-real sur plateforme physique et l'évaluation à plus grande échelle environnementale.

Recherche❖Paper

1 source

38

3238arXiv cs.RO 

Planification par scénarios conjecturaux sensibles au risque pour la navigation robotique dynamique et sûre

Des chercheurs ont publié sur arXiv (preprint 2605.26348, mai 2026) une nouvelle couche de planification baptisée RCSP (Risk-Sensitive Conjectural Scenario Planning), conçue pour les robots mobiles évoluant dans des environnements à obstacles dynamiques. L'algorithme s'attaque à un problème précis, peu formalisé jusqu'ici : un robot peut se trouver dans une trajectoire localement sûre tout en s'engageant irrévocablement vers une configuration où des obstacles mobiles fermeront le passage avant qu'il ne puisse réagir. RCSP maintient une distribution probabiliste sur des conjectures de mouvements locaux, échantillonne des futurs d'interaction à horizon court, pénalise les queues de distribution à risque élevé, puis délègue l'exécution à une couche de sécurité locale. Les tests ont été conduits dans trois environnements : des goulots d'étranglement simulés sous MuJoCo, un empilement ROS2/Gazebo avec la pile Nav2 standard, et le benchmark DynaBARN sur la plateforme Jackal. Dans MuJoCo, RCSP atteint l'objectif sans collision et améliore les métriques de sécurité secondaire et de qualité de trajectoire par rapport à un prédicteur non adaptatif, mais au prix d'une latence accrue. Dans le setup Nav2, la couche RCSP réduit les quasi-collisions dynamiques. Sur le benchmark officiel DynaBARN, en revanche, les planificateurs classiques optimisés DWA (Dynamic Window Approach) et TEB (Timed Elastic Band) conservent un avantage net en taux de succès strict. Ce travail aborde un angle mort réel de la navigation en environnement industriel dynamique : la plupart des architectures de planification réactives raisonnent sur la sécurité instantanée, sans modéliser l'engagement dans le futur. Pour les intégrateurs d'AMR en entrepôt ou en usine, où des opérateurs humains ou d'autres robots traversent des couloirs étroits, ce "problème de quasi-collision prédicative" se traduit par des arrêts d'urgence non planifiés ou des collisions lentes. L'architecture modulaire de RCSP, greffable sur une pile Nav2 existante sans remplacer le planificateur de base, réduit le coût d'intégration. Les résultats mitigés sur DynaBARN sont significatifs : ils indiquent que l'approche probabiliste apporte une valeur dans des régimes de goulot d'étranglement dynamique spécifiques, mais ne surpasse pas encore des planificateurs classiques bien calibrés sur des benchmarks génériques, ce qui délimite honnêtement le domaine d'application. La navigation dynamique pour robots mobiles est un espace de recherche dense, où s'affrontent des méthodes classiques comme DWA et TEB, des approches par apprentissage par renforcement, et des planificateurs à base de champs de potentiel. RCSP se positionne explicitement comme un module complémentaire plutôt qu'un remplacement, ce qui facilite son adoption potentielle dans l'écosystème ROS2/Nav2 utilisé par la majorité des intégrateurs. Les résultats restent à ce stade entièrement simulés, sans validation sur hardware réel ni déploiement en production annoncé. Les prochaines étapes naturelles incluent des tests sur plateforme physique dans des environnements non contrôlés et une évaluation des performances en latence sur hardware embarqué contraint.

Recherche❖Paper

1 source

36

3239arXiv cs.RO 

Filtres de Koopman robustes pour un apprentissage par renforcement acteur-critique sûr

Une équipe a déposé sur arXiv (2605.26452) Robust Koopman-CBF SAC, un framework de RL sûr pour la robotique qui s'affranchit du modèle dynamique pré-établi. La méthode apprend un prédicteur de Koopman à dimension finie depuis des trajectoires d'expérience, construit des Control Barrier Functions (CBF) dans l'espace "levé" où la dynamique non linéaire devient affine, puis les applique via une couche de programme quadratique (QP) qui corrige minimalement les actions de la politique Soft Actor-Critic (SAC). Une marge résiduelle projetée, estimée sur des rollouts de validation distincts de l'entraînement, compense les erreurs d'approximation inhérentes au modèle Koopman fini. Sur le benchmark CartPole (stabilisation et suivi de trajectoire), le système atteint zéro violation de contrainte tout en égalant ou dépassant les performances d'un SAC non contraint. Sur les tâches de locomotion haute dimension de Safety Gymnasium, les violations diminuent dans certains scénarios, mais les barrières de vitesse du premier ordre et les modèles EDMD linéaires révèlent des limites structurelles non résolues. L'enjeu est concret pour les intégrateurs: déployer des robots autonomes en environnement industriel exige que les contraintes dures (zones interdites, limites articulaires, forces maximales) ne soient jamais violées, y compris pendant la phase d'entraînement et pas seulement en déploiement. Les approches existantes imposent soit un modèle dynamique précis, difficile à obtenir pour des robots complexes, soit des certificats de sécurité conçus à la main par des experts contrôle. Ici, la dynamique est inférée depuis les données, et la linéarité de l'espace Koopman rend les CBF algébriquement tractables sans expertise manuelle. Le zéro violation sur CartPole est reproductible (code disponible sur GitHub), pas une démonstration sélectionnée. Les limitations exposées sur Safety Gymnasium délimitent honnêtement le périmètre de validité: systèmes à dynamique quasi-linéaire et contraintes de vitesse simples, ce qui est plus informatif que beaucoup de publications dans ce domaine. L'opérateur de Koopman a été réintroduit en robotique et en contrôle vers 2017-2020 notamment via les travaux de Brunton, Kaiser et Kutz sur l'EDMD (Extended Dynamic Mode Decomposition). Les CBF ont été formalisées par Aaron Ames et ses collaborateurs à Caltech puis au Georgia Tech, avec une influence croissante dans le contrôle certifié depuis 2017. Dans le RL sûr, les méthodes de référence comme CPO (Constrained Policy Optimization) et TRPO-Lagrangien peinent à garantir des contraintes dures pendant l'entraînement. Ce travail se positionne explicitement comme pont entre ces deux communautés. Les extensions annoncées incluent des CBF d'ordre supérieur pour mieux traiter les contraintes de vitesse, et des modèles Koopman non linéaires ou multi-pas pour les locomotions haute dimension.

Recherche❖Paper

1 source

36

3240arXiv cs.RO 

Sur les capacités de généralisation, les choix de conception et les limites de l'apprentissage par imitation de points clés

Une équipe de chercheurs publie en mai 2026 sur arXiv (arXiv:2605.26649) une évaluation systématique du Keypoint Imitation Learning (KIL), méthode d'apprentissage par imitation pour la manipulation robotique. Le principe : plutôt que d'alimenter directement un modèle avec des images RGB brutes, on extrait d'abord des points-clés visuels via des modèles fondationnels (de type DINOv2 ou SAM), utilisés comme représentation intermédiaire compacte. Sur plus de 2 000 exécutions réelles couvrant cinq tâches de manipulation distinctes, le KIL atteint un taux de succès global de 75 %, contre 47 % pour la baseline RGB pure, et légèrement au-dessus de S2-diffusion (73 %), méthode concurrente fondée sur la diffusion. L'étude teste également la généralisation à des objets et configurations de scène inédits, et étend la méthode aux tâches impliquant plusieurs instances d'un même objet. Ce résultat consolide le KIL comme approche data-efficiente : moins de démonstrations humaines sont nécessaires pour atteindre une performance correcte, ce qui est un levier critique pour tout intégrateur cherchant à réduire le coût d'annotation en manipulation industrielle. Cependant, les auteurs tempèrent eux-mêmes l'enthousiasme : le KIL ne surpasse pas systématiquement les représentations alternatives sur l'ensemble des métriques, et hérite des limitations des modèles fondationnels utilisés pour l'extraction des points-clés, notamment la sensibilité aux occultations et aux ambiguïtés multi-instances. Les 75 % annoncés couvrent cinq tâches sans détail des conditions exactes de chaque scénario, et les vidéos disponibles sur le site compagnon restent des démonstrations sélectionnées, pas une validation en production. L'apprentissage par imitation à base de RGB souffre depuis plusieurs années d'une faible généralisation hors distribution, ce qui a stimulé des travaux sur les représentations intermédiaires : keypoints, poses 6D, champs de distance implicites. Côté positionnement concurrentiel, les approches par diffusion (Diffusion Policy, S2-diffusion) et les VLA (Vision-Language-Action, dont OpenVLA ou pi-0 de Physical Intelligence) dominent actuellement la recherche en manipulation dextère. Le KIL se positionne comme alternative plus légère et plus interprétable, sans prétendre détrôner ces approches sur les tâches complexes. Les auteurs indiquent comme suites l'extension à des scènes plus encombrées et la robustification de l'extraction de keypoints face aux imperfections des modèles fondationnels.

Recherche❖Paper

1 source

35

3241arXiv cs.RO 

Planification de mouvements sûre sous perturbations inconnues, avec garanties formelles

Des chercheurs ont publié sur arXiv (arXiv:2605.26625) un algorithme de planification de mouvement par échantillonnage qui garantit formellement la sûreté de systèmes robotiques soumis à des perturbations aléatoires dont la distribution est inconnue. L'approche s'applique aux robots à dynamique linéaire ou linéarisable évoluant dans des environnements encombrés avec des obstacles de forme arbitraire, sous contraintes d'état et de commande. La sûreté est formulée comme des chance-constraints (contraintes probabilistes), et l'algorithme apprend depuis des trajectoires observées un "tube d'ambiguïté de Wasserstein", une séquence d'ensembles d'ambiguïté qui contient, avec haute confiance, la distribution d'état réelle du système. Ce tube est ensuite intégré dans un arbre de planification probabilistiquement complet. Les auteurs introduisent également un vérificateur de validité basé sur les bandits multi-bras qui accélère significativement les performances empiriques sans compromettre la complétude. Les cas d'étude montrent que l'algorithme trouve des trajectoires valides dans des environnements denses sous des seuils de sécurité stricts, surpassant les méthodes de référence actuelles. L'enjeu pratique est considérable pour les intégrateurs de robots industriels et les équipes d'autonomie : la plupart des planificateurs de mouvement existants supposent soit une distribution de bruit connue (hypothèse souvent irréaliste), soit ignorent les perturbations stochastiques au profit de marges de sécurité conservatives et figées. Cette méthode data-driven contourne les deux écueils en apprenant directement l'incertitude depuis des données de trajectoires, sans hypothèse paramétrique forte. La réduction du conservatisme via des tubes d'ambiguïté de faible dimension, plusieurs tubes en basse dimension plutôt qu'un seul en haute dimension, améliore la scalabilité, un obstacle classique des approches distributionally robust appliquées à la robotique. C'est un pas concret vers des robots opérant en production dans des environnements non contrôlés, sans recalibration systématique du modèle de bruit. La planification de mouvement sûre sous incertitude est un champ actif depuis deux décennies, structuré autour de méthodes comme RRT/RRT*, les MPC robustes et les approches de tube invariant. L'utilisation de la distance de Wasserstein pour construire des ensembles d'ambiguïté s'inscrit dans le courant des méthodes distributionally robust optimization (DRO), popularisées en contrôle ces cinq dernières années notamment par les groupes de ETH Zurich, Caltech et MIT. Ce preprint n'est pas encore évalué par les pairs. Les prochaines étapes attendues incluent une validation sur hardware réel (les cas d'étude présentés restent en simulation) et une extension aux dynamiques non linéaires, deux conditions nécessaires avant toute intégration dans des pipelines d'autonomie industrielle.

Recherche❖Paper

1 source

35

3242arXiv cs.RO 

L-Learning : une approche basée sur Lyapunov exploitant la mécanique lagrangienne pour un suivi robotique efficace et stable

Une équipe de chercheurs a publié en mai 2026 sur arXiv (arXiv:2605.26648) un framework de contrôle baptisé L-Learning, conçu pour améliorer le suivi de trajectoire des robots dans des environnements dynamiques et incertains. L'approche combine deux cadres mathématiques éprouvés : la théorie de stabilité de Lyapunov, qui garantit la convergence d'un système vers un état stable, et la mécanique lagrangienne, qui modélise le comportement physique d'un système à partir de ses fonctions d'énergie. Concrètement, L-Learning apprend cette fonction d'énergie directement depuis les données collectées, puis s'en sert pour calculer des commandes qui assurent à la fois précision de suivi et stabilité en boucle fermée. Les auteurs mettent en avant trois propriétés clés : précision de contrôle supérieure, garanties théoriques de stabilité, et haute efficacité en termes de complexité d'échantillonnage. L'enjeu industriel est réel. Le contrôle robotique moderne est pris en étau entre deux familles de méthodes : les approches classiques (PID, MPC) offrent des garanties formelles de stabilité mais se dégradent dès que le modèle du système est imprécis ou que l'environnement évolue ; à l'inverse, les méthodes data-driven (apprentissage par renforcement, politiques neuronales) s'adaptent mieux mais nécessitent de grands volumes de données d'entraînement et ne proposent aucune garantie formelle, ce qui complique leur certification pour un déploiement industriel. L-Learning prétend combler ce fossé, et si ses performances se confirment expérimentalement, cela pourrait réduire la barrière à la mise en production de contrôleurs appris sur des robots manipulateurs ou mobiles, y compris dans des contextes soumis à certification. Le framework s'inscrit dans un courant de recherche actif autour des fonctions de Lyapunov neuronales, avec des travaux concurrents menés notamment chez DeepMind, MIT CSAIL et Caltech sur l'apprentissage de certificats de stabilité. À noter que cette publication est un preprint arXiv sans revue par les pairs finalisée : l'abstract ne fournit aucun benchmark chiffré sur des plateformes réelles (bras, humanoïdes, AMR), ni de comparaison directe avec des baselines standards comme CLF-QP ou des politiques RL classiques. La valeur concrète de L-Learning restera à confirmer lors d'expériences sur matériel physique, ce qui constitue le prochain test décisif pour cette approche.

Recherche❖Paper

1 source

34

3243arXiv cs.RO 

Transport multi-robots de boîtes sur différentes surfaces avec contrôle proportionnel décentralisé basé sur les rôles

Des chercheurs ont publié sur arXiv (référence 2605.26430) R2P2 (Roles with Rules and Proportional-control Primitive), une architecture décentralisée pour le transport collaboratif de caisses rectangulaires par plusieurs robots agissant par poussée, sans préhension. Le système assigne dynamiquement trois rôles distincts à chaque robot - pousser, soutenir ou bloquer - selon le mode de manipulation requis : rotation ou translation de la caisse. R2P2 a été évalué en simulation sur NVIDIA IsaacSim avec une équipe de six robots, testée sur des surfaces planes, en montée et en descente avec des variations de friction et de masse de caisse. La validation physique implique quatre TurtleBots déplaçant une caisse de 1,2 kg. Les auteurs revendiquent un meilleur taux de succès que l'approche de référence par leader-suiveur virtuel, sans préciser de métriques chiffrées au-delà des graphes de comparaison. L'élément différenciant clé est l'architecture décentralisée : chaque robot prend ses décisions localement en observant uniquement sa propre position et celle de la caisse, sans communication inter-robots, consensus ou coordinateur central. Cela élimine le point de défaillance unique et réduit les contraintes de synchronisation critiques pour un déploiement en entrepôt ou en zone sinistrée. La gestion simultanée d'inclinaison et de friction variables représente un défi rarement traité dans la littérature, où la plupart des démonstrateurs fonctionnent sur sol plat homogène. La validation sim-to-real, même à petite échelle, confirme que le contrôle proportionnel basé sur les rôles reste transposable au matériel réel - un résultat non trivial pour une méthode sans apprentissage. Le transport collaboratif par poussée est un problème ouvert en robotique multi-agents depuis les années 1990, qui regagne de l'intérêt avec la montée en puissance des flottes AMR dans la logistique et la construction. Les approches concurrentes incluent les méthodes par leader-suiveur centralisé, les algorithmes de consensus distribué et, plus récemment, le renforcement multi-agent. R2P2 se positionne comme une solution légère, interprétable et sans phase d'entraînement, un avantage pour les intégrateurs qui privilégient la prédictibilité et la facilité de certification. NVIDIA IsaacSim, utilisé ici pour les tests en simulation, est devenu la plateforme de référence pour la validation robotique, notamment adoptée par Figure, Boston Dynamics et 1X. Les auteurs ne mentionnent pas de déploiement industriel ni de partenariats : il s'agit d'une contribution académique, avec comme suites logiques des tests sur des charges plus lourdes, des géométries irrégulières et des équipes plus importantes.

Recherche❖Paper

1 source

33

3244arXiv cs.RO 

Navigation et exploration collaboratives avec des processus gaussiens épars bêta

Une équipe de chercheurs a publié sur arXiv (référence 2605.26304) un cadre algorithmique pour la navigation collaborative de robots hétérogènes dans des environnements inconnus. Le scénario étudié met en jeu deux plateformes : un robot principal chargé d'atteindre une cible, secondé par un robot capteur mobile (un drone dans les exemples) qui observe l'environnement local et transmet des informations sous contraintes de bande passante. Le système proposé, baptisé β-Sparse Gaussian Processes (βSGP), permet au drone de sélectionner simultanément quels points de sa carte transmettre et quelle trajectoire d'exploration adopter. Les simulations conduites sur des cartes Mars et terrestres affichent une réduction de 18 % du coût de chemin par rapport à une navigation sans communication, et une diminution de 76 % des données transmises face aux approches par transmission brute. L'intérêt principal du travail réside dans la co-optimisation de la communication et de l'action. Dans la majorité des systèmes multi-robots existants, la sélection des données à transmettre et la planification de trajectoire sont traitées séparément ; ici, elles sont couplées dans un cadre variationnel unique, ce qui permet au drone d'anticiper les zones non encore explorées et de prioriser l'information utile à la navigation du robot principal. Pour un intégrateur ou un opérateur industriel, cela se traduit par une architecture réaliste sous contrainte radio, applicable à l'inspection de sites isolés, à la cartographie d'urgence ou à l'exploration planétaire où les liaisons haut-débit sont exclues. Les Gaussian Processes sont une approche probabiliste classique pour la modélisation spatiale, mais leur passage à l'échelle se heurte à une complexité cubique. Les variantes sparse (à points inducteurs) sont connues depuis les travaux de Snelson et Ghahramani (2006), mais la sélection de ces points reste généralement agnostique à la tâche aval. Le βSGP adresse précisément ce verrou. Il convient de noter que les résultats présentés sont exclusivement en simulation ; aucun déploiement réel n'est rapporté, et l'écart sim-to-real reste à évaluer. Les prochaines étapes naturelles impliqueraient une validation sur plateforme physique et une comparaison avec des approches par apprentissage (GNN, transformers de cartes).

Recherche❖Paper

1 source

33

3245arXiv cs.RO 

Apprentissage de règles symboliques compositionnelles à partir de démonstrations par programmation logique inductive

Des chercheurs ont déposé sur arXiv (réf. 2605.26828) une méthode combinant apprentissage par démonstration (LfD) et programmation logique inductive (ILP) pour extraire des règles symboliques à partir d'exemples fournis par un opérateur humain. Plutôt que de reproduire les gestes observés, le système décompose une tâche complexe en une hiérarchie d'objectifs d'apprentissage à plusieurs niveaux d'abstraction ontologique : les règles inférées au bas de la hiérarchie sont réutilisées comme briques pour construire des structures de tâches plus élaborées, selon un principe de raisonnement compositionnel. Les expériences ont été conduites dans un scénario synthétique d'assemblage de blocs, et montrent une généralisation aux configurations inédites, y compris avec des objets absents de la phase d'entraînement. À mesure que les robots industriels gagnent en autonomie, la lisibilité et la réutilisabilité de leurs représentations internes de tâches deviennent des enjeux critiques pour les intégrateurs et les équipes de validation. L'ILP produit des règles symboliques explicites et modifiables par un ingénieur, à l'opposé des approches neuronales d'imitation telles que le behavior cloning ou les VLA (vision-language-action models), dont les décisions restent opaques et difficiles à auditer. La capacité du système à généraliser à des tâches plus difficiles avec des objets jamais vus est un résultat encourageant, que les auteurs qualifient eux-mêmes de "preuve préliminaire" : l'évaluation se limite à un environnement entièrement simulé, sans validation sur robot physique ni mesure du sim-to-real gap. L'apprentissage par démonstration est un paradigme fondateur de la robotique programmable, mais les méthodes récentes basées sur le deep learning sacrifient souvent l'interprétabilité à la performance brute. L'ILP, issu de l'IA symbolique des années 1990, connaît un regain d'intérêt dans le mouvement plus large du raisonnement neurosymbolique, qui cherche à allier la flexibilité du machine learning et la rigueur du raisonnement logique. Ce travail s'inscrit dans ce courant sans prétendre à un déploiement industriel immédiat : les étapes suivantes attendues sont la validation sur hardware réel et des scénarios de manipulation plus diversifiés, seuls capables de mesurer la robustesse effective de l'approche hors simulation.

Recherche❖Paper

1 source

33

3246arXiv cs.RO 

Fermer la boucle en téléopération : évaluation et retour qualité par épisode pour des démonstrations fiables

Des chercheurs ont publié sur arXiv (2605.26349) un framework baptisé DQAF (Data Quality Assessment and Feedback) destiné à améliorer la qualité des données de téleopération pour l'entraînement de robots. Le système évalue automatiquement chaque épisode de démonstration en extrayant des signaux quantifiables : progression des sous-tâches, fluidité du mouvement, temps d'arrêt (stalls), et proximité des limites articulaires (kinematic limits). Ces métriques sont ensuite converties en une évaluation structurée accompagnée de retours en langage naturel, transmis à l'opérateur immédiatement après chaque tentative. Une étude de validation a comparé les rejets produits par le système avec ceux d'un réviseur humain lors du curation de dataset. Une étude pilote a impliqué trois opérateurs novices sur deux tâches de manipulation, et les résultats montrent que l'opérateur ayant reçu les retours automatisés a progressé plus rapidement, produisant des démonstrations de meilleure qualité en moins d'itérations que les deux autres. L'enjeu dépasse la simple UX de collecte de données. La transition vers la Physical AI, c'est-à-dire des systèmes robotiques adaptatifs entraînés sur de grandes quantités de démonstrations réelles, crée une demande massive en données de téleopération de haute qualité. Le problème identifié est structurel : un épisode peut être "task-successful" (la tâche est accomplie) mais inutilisable pour entraîner un modèle si les trajectoires sont hésitantes, redondantes, ou proches des butées mécaniques. Le DQAF introduit une distinction importante entre succès binaire et qualité exploitable, ce qui change le paradigme de collecte. Pour des intégrateurs ou des équipes MLops qui construisent des datasets de manipulation à grande échelle, un tel filtre automatisé en boucle fermée peut réduire significativement le coût humain de curation post-hoc, tout en accélérant la montée en compétence des opérateurs. Ce travail s'inscrit dans un contexte d'industrialisation accélérée de la collecte de données pour les VLA (Vision-Language-Action models) et les politiques d'imitation. Des acteurs comme Physical Intelligence (pi0), Figure AI, ou les équipes robotique de Google DeepMind ont tous mis en avant le volume et la qualité des démonstrations humaines comme variable critique de performance. Des frameworks concurrents comme ALOHA ou RoboVQA abordent la qualité du côté des architectures ou des interfaces, mais peu ferment la boucle au niveau de l'opérateur en temps quasi-réel. L'étude pilote reste modeste (3 opérateurs, 2 tâches), et les auteurs ne publient pas encore de dataset ni de code ouvert. Les prochaines étapes naturelles seraient une validation à plus grande échelle et une intégration dans des pipelines de collecte industriels, où la réduction du taux de rejet des épisodes a un impact direct sur le coût de production des datasets.

Recherche❧Opinion

1 source

43

3247Pandaily 

Zhongke Diwuji lève des centaines de millions en série A pour déployer ses modèles d'IA incarnée à grande échelle

Zhongke Diwuji, entreprise chinoise spécialisée dans l'intelligence incarnée (embodied AI), a bouclé une levée de fonds de Série A d'un montant de plusieurs centaines de millions de yuans, annoncée en 2026. Le tour a été mené par Futi Capital, avec la participation de Shanghai Semiconductor Industry Investment, CAS Investment, China Venture Capital et Hongruida Technology. L'investisseur historique Zoyuan Asia a choisi d'augmenter significativement sa participation. Il s'agit du troisième tour de financement réalisé par la société dans la seule année 2026. Les fonds seront alloués au développement de la série FAM (few-shot large model), au modèle monde incarné de prochaine génération BridgeV2W, à l'industrialisation des algorithmes d'apprentissage par renforcement, à l'extension des capacités de production robotique et au recrutement d'ingénieurs de haut niveau. La société affirme avoir sécurisé plusieurs centaines de millions de yuans de commandes auprès de clients entreprises internationaux, bien que leurs noms n'aient pas été communiqués. Trois levées en moins de douze mois pour une entreprise fondée en septembre 2024 constituent un signal d'intérêt institutionnel inhabituellement fort. Ce qui distingue Zhongke Diwuji de ses concurrents n'est pas la plateforme matérielle mais la couche d'apprentissage : son approche par few-shot learning permet à un système robotique d'acquérir de nouvelles capacités de manipulation à partir d'un nombre minimal d'exemples, sans les volumineuses campagnes de collecte de données qui alourdissent traditionnellement le coût d'adaptation à de nouvelles tâches industrielles. C'est précisément ce goulot d'étranglement économique qui freine les déploiements à grande échelle, et une solution crédible à ce problème justifie des valorisations élevées. L'obtention de commandes fermes de clients industriels internationaux, et non de simples lettres d'intention, indique que la technologie a franchi la frontière entre démonstration en laboratoire et valeur terrain vérifiable, même si l'absence de noms de clients invite à une certaine prudence. Fondée en septembre 2024, Zhongke Diwuji s'est positionnée dès l'origine comme un acteur de modèles fondationnels physiques universels, à mi-chemin entre startup robotique et laboratoire de recherche en IA. En 2026, le secteur chinois de la robotique incarnée est entré dans une phase de déploiement commercial à l'échelle, avec des concurrents directs comme Unitree Robotics, AgiBot et Fourier Intelligence en compétition sur les mêmes segments industriels. La présence remarquée de Zhongke Diwuji lors de salons professionnels européens et ses commandes internationales annoncées témoignent d'une ambition d'expansion explicite au-delà du marché domestique. Les prochaines étapes identifiées incluent la mise en production de BridgeV2W et l'intégration du reinforcement learning dans des déploiements clients réels, deux jalons qui permettront de vérifier si la promesse du few-shot tient effectivement à l'échelle industrielle.

Chine/Asie❧Opinion

1 source

35

3248Robotics Business Review 

Les humanoïdes apprennent à lire les situations

Concevoir un robot humanoïde capable d'opérer en sécurité aux côtés d'humains mobilise aujourd'hui une chaîne complète de technologies de perception en temps réel. Analog Devices Inc. (ADI) détaille dans un article technique les briques nécessaires à cette conscience situationnelle, porté par Geir Ostrem, Fellow ADI au sein de l'unité Automotive. Le défi central est architectural : capteurs visuels et microphones sont physiquement éloignés du processeur principal, ce qui introduit de la latence sur des câbles longs. Pour y répondre, ADI adapte sa technologie GMSL (Gigabit Multimedia Serial Link), déjà standardisée en automobile, aux châssis humanoïdes. GMSL transporte de la vidéo en flux unique à plusieurs gigabits par seconde, permettant un traitement local embarqué (via ce qu'ADI appelle "physical AI") plutôt qu'un renvoi vers le cloud. Sur la partie vision, les méthodes évoquées sont connues : capteurs RGB, time-of-flight, lumière structurée et stéréovision pour la profondeur. Sur la partie audio, la problématique est similaire : il faut une latence déterministe entre les microphones et l'ordinateur central pour localiser et identifier des événements sonores, par exemple un objet qui tombe derrière le robot. Des processeurs secondaires, positionnés au plus près des capteurs ou des actionneurs, gèrent les boucles de contrôle rapides et transmettent en parallèle au processeur principal. Ce que cette publication illustre concrètement, c'est le déplacement du centre de gravité technologique dans la robotique humanoïde : la mécanique et les modèles de mouvement ne suffisent plus, c'est la couche de perception embarquée qui devient le facteur limitant pour un déploiement en environnement mixte. La latence n'est pas un détail d'ingénierie, c'est une contrainte de sécurité. Un humanoïde qui réagit avec 200 ms de délai à un collègue qui change de trajectoire n'est pas exploitable en production. Le passage au traitement local, sans dépendance réseau, est donc moins un choix de performance qu'une nécessité opérationnelle, surtout dans des ateliers ou entrepôts où la connectivité peut être dégradée. L'article confirme ce que les intégrateurs industriels observent terrain : les architectures distribuées, avec des processeurs locaux près des actionneurs, deviennent le standard de facto pour les boucles de contrôle à haute fréquence. ADI arrive dans la robotique humanoïde depuis l'automobile, où GMSL équipe déjà les systèmes ADAS de nombreux constructeurs. Ce repositionnement sectoriel est cohérent avec la dynamique du marché : la pénurie de main-d'oeuvre pousse à l'accélération des déploiements en espaces partagés, et les fabricants d'humanoïdes, de Figure à Tesla Optimus en passant par Agility Robotics ou 1X Technologies, ont tous besoin de sous-systèmes de perception matures et validés industriellement. À noter que cet article est un contenu sponsorisé signé ADI, ce qui tempère son caractère neutre : les métriques citées (débit GMSL, latence) sont présentées sans benchmark comparatif ni conditions de test précisées. Les prochaines étapes probables pour ADI consistent à nouer des partenariats OEM directs avec des constructeurs d'humanoïdes, une dynamique déjà visible chez des fournisseurs de composants comme NVIDIA (plateforme Thor/Jetson) ou Bosch, qui ciblent eux aussi ce segment en pleine structuration.

Infrastructure⚡Actu

1 source

35

3249Robotics Business Review 

GMSL et l'écosystème croissant autour des systèmes de vision robotique

Le standard GMSL (Gigabit Multimedia Serial Link), longtemps cantonné aux systèmes embarqués automobiles, s'impose progressivement comme interface de référence pour les architectures de vision multi-caméra en robotique. Stephen Liu, responsable robotique chez Advantech, développeur de systèmes embarqués, estime qu'environ un tiers des projets robotiques qu'il accompagne intègrent ou évaluent déjà des caméras GMSL. La technologie est désormais déployée en production, au-delà du stade POC, dans des robots mobiles autonomes (AMR) d'entrepôt, des stations de picking et des robots humanoïdes, avec une adoption croissante en agriculture, santé et construction. Le principe : transporter flux vidéo haute résolution, signaux de contrôle et synchronisation sur un seul câble léger, avec une latence déterministe et une résistance aux perturbations électromagnétiques (EMI). Le défi que résout le GMSL n'est plus simplement la qualité d'image, mais l'orchestration système. Dans un robot équipé de plusieurs caméras, d'un lidar et d'une IMU, même quelques millisecondes de dérive entre capteurs suffisent à dégrader la précision de navigation. Gérer simultanément la bande passante, la latence, la synchronisation matérielle et le calcul embarqué (GPU, MPU, RTOS temps réel) est une contrainte qui bloque de nombreux projets en phase d'intégration. En milieu industriel difficile - vibrations, poussière, eau, températures extrêmes - les problèmes s'amplifient : les câbles longs exposent les connecteurs aux contraintes mécaniques et aux interférences ESD. Le GMSL apporte une réponse éprouvée : synchronisation hardware précise, câblage simplifié, robustesse démontrée à l'échelle. Pour les OEM robotiques, l'enjeu est autant économique que technique : réduire les mois d'intégration bas niveau pour se concentrer sur la différenciation réelle - modèles d'IA, logique applicative, déploiement. La trajectoire du GMSL est directement héritée de l'ADAS automotive et des systèmes de conduite autonome, secteurs qui ont résolu en premier les mêmes contraintes : caméras multiples synchronisées, longs filaires, conditions sévères. Analog Devices Inc. (ADI), qui sponsorise cet article, a construit un écosystème GMSL comprenant modules caméra pré-validés, adaptateurs, BSP et plateformes compatibles ROS, avec pour objectif affiché de raccourcir le chemin du prototype à la production. Cette origine éditoriale oriente naturellement le propos vers les avantages du GMSL sans mise en perspective concurrentielle : d'autres interfaces coexistent, notamment MIPI CSI-2 pour les courtes distances ou Ethernet TSN pour les architectures distribuées. La maturité croissante de l'écosystème GMSL en robotique mobile - notamment pour les humanoïdes et l'agriculture robotisée - laisse anticiper une standardisation plus large dans les prochaines générations de plateformes commerciales.

Infrastructure⚡Actu

1 source

48

3250Robotics & Automation News 

DARPA prépare une mission de maintenance satellitaire robotisée pour 2026

La Defense Advanced Research Projects Agency (DARPA) et ses partenaires industriels s'apprêtent à lancer en été 2026 la mission RSGS (Robotic Servicing of Geosynchronous Satellites), un démonstrateur orbital conçu pour inspecter, réparer et reconfigurer des satellites en orbite géostationnaire (GEO, à environ 35 786 km). Le robot serviceur, développé en partenariat avec Maxar Space, embarque un bras manipulateur multi-degrés-de-liberté équipé d'outils spécialisés capables d'intervenir sur des satellites dits "non coopératifs", c'est-à-dire non conçus a priori pour être réparés en orbite. L'enjeu économique est direct : un satellite GEO commercial représente entre 150 et 400 millions de dollars d'investissement, avec une durée de vie typiquement limitée par l'épuisement du carburant de maintien à poste plutôt que par une défaillance technique. Prolonger ces plateformes de 5 à 10 ans modifie structurellement les modèles économiques des opérateurs (SES, Intelsat, Eutelsat) et réduit la dépendance aux cycles de remplacement coûteux. La mission RSGS cherche aussi à valider des capacités de relocalisation orbitale, ouvrant la voie à des services de "space tug" commerciaux. Le programme RSGS remonte à 2017, date à laquelle DARPA a signé un accord coopératif avec SSL (devenu Maxar Space) après des années de recherche sur la technologie FREND (Front-end Robotics Enabling Near-term Demonstration). Sur ce même créneau, Northrop Grumman a déjà commercialisé son Mission Extension Vehicle (MEV), avec deux satellites Intelsat servis depuis 2020. Astroscale (Japon/UK) et ClearSpace (Suisse, soutenu par l'ESA) progressent sur des segments adjacents. Un succès de RSGS en 2026 légitimerait un marché du "on-orbit servicing" estimé à plusieurs milliards de dollars sur la prochaine décennie.

Infrastructure❧Opinion

1 source