Actualités robotique — page 93

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

44

4601arXiv cs.RO 

Amélioration du fine-tuning des modèles VLA par supervision structurée des étapes et des images clés

Des chercheurs ont publié sur arXiv (arXiv:2606.26801, juin 2026) un framework auxiliaire baptisé StaKe, conçu pour améliorer le fine-tuning des modèles Vision-Language-Action (VLA) en manipulation robotique. Le problème ciblé est précis : lors du fine-tuning standard, la supervision sur les actions s'applique uniformément à chaque pas de temps, sans distinguer les phases critiques de manipulation ni anticiper les transitions de préhenseur (gripper events). La quasi-totalité des échecs se concentre autour de ces moments de transition, ouverture ou fermeture du préhenseur. StaKe introduit deux têtes auxiliaires légères entraînées en parallèle du modèle VLA sans modifier son architecture ni sa boucle d'inférence : un classifieur de phase (stage classifier) qui identifie l'étape courante de manipulation, et un prédicteur de keyframe qui estime l'action articulaire cible au prochain événement de préhenseur. Les deux signaux sont extraits automatiquement depuis les états du gripper dans les démonstrations, sans annotation manuelle. Sur tâches bimanual en simulation, StaKe améliore le taux de succès de 14 % en relatif ; sur robot réel Franka à un bras, le gain atteint 56 % en relatif. Les améliorations sont plus marquées sur les tâches long-horizon impliquant de nombreuses transitions. L'enjeu pour l'industrie robotique est direct : les VLA (Pi-0 de Physical Intelligence, OpenVLA, GR00T N2 de NVIDIA) sont aujourd'hui les modèles de référence pour la généralisation en manipulation, mais leur fine-tuning sur des tâches spécifiques reste fragile dès que les séquences s'allongent. StaKe comble un angle mort structurel de l'entraînement supervisé classique, en pondérant implicitement les moments critiques. Le gain de 56 % mesuré sur robot réel Franka est le résultat le plus significatif : les validations sur hardware réel restent rares dans la littérature VLA, et ce chiffre suggère que l'amélioration ne se limite pas à la simulation. Le fait que le framework soit purement plug-in, sans toucher à l'inférence, facilite son intégration par des équipes qui fine-tunent déjà des backbones existants. Les VLA ont émergé comme paradigme dominant après RT-2 (Google DeepMind, 2023) et se sont accélérés avec Pi-0 (Physical Intelligence, fin 2024) et ses successeurs. Le défi du fine-tuning efficace sur tâches longues est aujourd'hui l'un des principaux points de friction pour le déploiement industriel de bras manipulateurs polyvalents. StaKe se positionne comme contribution générique applicable à tout backbone VLA. Un site projet est annoncé (hi-yuanxu.github.io/StaKe-Web) ; à ce stade, aucun partenariat industriel ni déploiement terrain n'est mentionné. Il s'agit d'une publication académique, pas d'un produit en disponibilité commerciale.

IA physique❧Opinion

1 source

44

4602arXiv cs.RO 

Élagage spatio-temporel de tokens visuels conditionné par l'historique pour une navigation vision-langage efficace

Une équipe de chercheurs propose, dans un preprint arXiv (référence 2603.06480, version 2, 2026), un framework de pruning spatio-temporel des tokens visuels conçu pour réduire la latence d'inférence des modèles Vision-Language-Action (VLA) appliqués à la navigation robotique guidée par langage naturel (Vision-Language Navigation, VLN). L'approche est sans réentraînement : elle ne modifie pas les poids des modèles sources et s'intègre en plug-and-play dans tout pipeline VLA existant. Deux mécanismes la composent : une sélection spatiale des tokens sur la vue courante, pilotée par les scores d'attention interne du modèle, et une compression spatio-temporelle des mémoires visuelles historiques accumulées au fil du déplacement. Les expériences sur les benchmarks VLN standards montrent une supériorité sur les stratégies de pruning existantes, y compris sous compression extrême où la majorité des tokens sont éliminés. Un déploiement en conditions réelles sur un robot quadrupède commercial Unitree Go2 valide la fiabilité et la faible latence du suivi d'instructions. Le verrou industriel que cette méthode adresse est bien identifié : les grands modèles VLA, dont les performances sur benchmark sont désormais reconnues (Pi-0 de Physical Intelligence, GR00T N2 de Nvidia), génèrent des délais d'inférence souvent incompatibles avec un déploiement embarqué en temps réel. Ni la quantification post-training ni la distillation de modèles ne permettent d'éviter un réentraînement coûteux, ce qui freine l'industrialisation. La compatibilité plug-and-play de cette approche constitue un levier concret pour les intégrateurs souhaitant réduire le délai entre prototype de recherche et déploiement terrain, sans dépendance à l'équipe ayant entraîné le modèle source. La VLN est l'une des capacités les plus exigeantes de la robotique embodied, car elle suppose qu'un robot navigue dans un espace non balisé en interprétant des consignes verbales ambiguës et changeantes, sans cartographie prédéfinie. Le Unitree Go2, quadrupède commercialisé à moins de 20 000 dollars par Unitree Robotics (Shenzhen, Chine), s'est imposé comme un banc de test de référence dans la recherche académique grâce à son coût d'accès. Les approches concurrentes pour atténuer la latence des VLA, dont l'attention sparse et la distillation, restent plus intrusives sur les architectures sources. Les prochaines étapes logiques incluront l'extension du framework à des modèles VLA plus larges et à des scénarios de navigation longue distance en environnement extérieur non contrôlé.

IA physique❧Opinion

1 source

44

4603arXiv cs.RO 

NavIsaacLab : génération de foules réalistes par apprentissage robotique parallèle pour évaluer la navigation consciente des humains

Une équipe de chercheurs présente NavIsaacLab, un framework de simulation GPU-parallèle dédié à l'entraînement et à l'évaluation de politiques de navigation robotique en présence d'humains, publié le 26 juin 2026 (arXiv:2606.26265). Construit sur Isaac Lab, la plateforme de simulation robotique de NVIDIA, le système combine rendu photo-réaliste et simulation physique en temps réel pour générer des environnements piétons denses et variés. La distinction technique centrale réside dans son moteur de comportement piéton : plutôt que des règles codées à la main, NavIsaacLab s'appuie sur un modèle de diffusion de trajectoires couplé à un contrôleur d'apprentissage adversariel du mouvement, produisant des animations humaines physiquement plausibles et contrôlables à la demande. La plateforme fournit au robot des retours visuels 3D complets, contrairement aux benchmarks existants qui supposent généralement une observation parfaite de l'environnement. L'enjeu industriel est direct : la navigation humain-consciente reste l'un des verrous majeurs au déploiement des robots mobiles autonomes (AMR) dans des espaces partagés, entrepôts, hôpitaux, aéroports. Les données de simulation actuellement disponibles souffrent d'un double défaut : des comportements piétons irréalistes issus de règles statiques, et une absence de signal sensoriel bruité, creusant un sim-to-real gap difficile à combler lors du passage en environnement réel. En générant des foules physiquement cohérentes dans une variété de scènes cross-scale, NavIsaacLab vise à fournir un benchmark standardisé pour comparer les algorithmes état de l'art dans des conditions proches du réel, une lacune que la communauté robotique signale depuis plusieurs années. Le framework s'inscrit dans l'écosystème NVIDIA Isaac, qui regroupe Isaac Sim, Isaac ROS et Isaac Lab, consolidant la position de NVIDIA comme fournisseur d'infrastructure de simulation robotique. Les approches concurrentes incluent Habitat 3.0 de Meta AI pour la navigation sociale en intérieur, CARLA pour le trafic autonome et divers simulateurs basés sur SMPL pour les mouvements humains, mais peu combinent rendu photo-réaliste, physique GPU-accélérée et comportement piéton appris de manière unifiée. L'article ne mentionne ni partenaires industriels ni timeline de déploiement : il s'agit pour l'heure d'une contribution de recherche, sans produit commercialisé. Les suites naturelles concerneraient l'intégration de politiques VLA (Vision-Language-Action) et la validation sur robots physiques dans des environnements réels densément peuplés.

Recherche⚡Actu

1 source

44

4604arXiv cs.RO 

LA4VLA : apprendre à agir sans vision par pré-entraînement langage-action

Des chercheurs ont publié sur arXiv (2606.27295, juin 2026) un cadre de pré-entraînement baptisé LA4VLA qui s'attaque à un défaut structurel des modèles Vision-Langage-Action (VLA) : en supervision conjointe visuelle et textuelle, le signal visuel écrase le signal langage, poussant les politiques de contrôle à exploiter des raccourcis visuels spécifiques à une scène plutôt qu'à exécuter des instructions généralisables. LA4VLA introduit une phase de pré-entraînement sans images : les trajectoires de démonstration existantes sont découpées en segments atomiques, chacun associé à une description textuelle bas-niveau, produisant LA4-33K, un dataset de 33 000 épisodes Langage-Action construits entièrement à partir de données existantes sans collecte robotique supplémentaire. Le modèle LA4VLA-1B (1 milliard de paramètres) est évalué selon trois paradigmes : pré-entraînement LA seul, séquentiel LA puis VLA, et mixte LA+VLA. Le pré-entraînement mixte améliore le taux de succès moyen de 17,8 points de pourcentage en simulation et de 45 points sur tâches réelles par rapport à l'absence de pré-entraînement. Ces résultats ont une portée directe pour les développeurs de politiques robotiques polyvalentes. Le problème des raccourcis visuels est bien documenté dans la littérature : les robots apprennent à reconnaître un arrangement de scène particulier plutôt qu'à interpréter une instruction générique, ce qui fragilise les politiques dès que l'environnement varie légèrement. Le gain de 45 points sur les tâches réelles, contre 17,8 en simulation, est particulièrement notable : il suggère que l'approche atténue précisément le sim-to-real gap, principal obstacle aux déploiements industriels. Pour les intégrateurs, la méthode permet de valoriser des datasets de démonstrations existants sans mobiliser de ressources robotiques supplémentaires, réduisant substantiellement le coût d'entrée vers des politiques plus robustes. Les modèles VLA ont connu une forte accélération depuis 2023, portée par des travaux comme RT-2 (Google DeepMind), OpenVLA ou π0 de Physical Intelligence, qui s'appuient tous sur un pré-entraînement visuel massif suivi d'un fine-tuning robotique. LA4VLA propose une direction complémentaire et orthogonale : renforcer le conditionnement langage indépendamment du flux visuel, en exploitant la structure sémantique des trajectoires plutôt que leur apparence. L'abstract ne mentionne ni affiliations institutionnelles précises ni partenaires industriels ; il s'agit d'une contribution académique validée en laboratoire, sans pilote commercial annoncé. La suite logique serait une évaluation sur des benchmarks standardisés comme LIBERO ou CALVIN, ainsi qu'une intégration dans des pipelines humanoïdes à manipulation complexe où la généralisation au langage est particulièrement critique.

Recherche❧Opinion

1 source

44

4605arXiv cs.RO 

Optimisation non linéaire à grande échelle : de nombreux problèmes, un seul GPU

Des chercheurs ont publié fin juin 2026 sur arXiv jaxipm, présenté comme le premier solveur de programmes non linéaires (NLP) capable de traiter des lots de problèmes simultanément sur GPU. Construit sur la base algorithmique d'IPOPT, le solveur de référence dans les pipelines de planification en robotique, et implémenté en JAX, jaxipm atteint jusqu'à 32,85 fois le débit d'IPOPT classique sur des benchmarks de contrôle prédictif non linéaire (NMPC) pour drones quadrotors. Les scénarios testés couvrent le suivi de trajectoire en présence d'obstacles, la navigation multi-drones sans collision, et l'évitement en environnement encombré. Le code est disponible en open source sur GitHub (johnviljoen/jaxipm). L'enjeu est structurel : les solveurs NLP matures comme IPOPT offrent des garanties de satisfaction de contraintes et d'optimalité locale introuvables dans les méthodes par apprentissage par renforcement (RL) ou MPPI, mais ils sont mono-thread et CPU-bound, incompatibles avec les pipelines GPU-batched qui dominent la recherche robotique moderne. Cette incompatibilité a creusé un fossé entre deux familles d'approches : les solveurs à gradients, précis mais séquentiels, et les méthodes d'échantillonnage, parallélisables mais sans garanties formelles. jaxipm comble ce fossé via deux innovations : la "heterogeneous iteration fusion", qui supprime le branchement conditionnel dans la boucle interne d'IPOPT, et l'"iteration level batching", qui minimise les temps morts du GPU lors du traitement simultané de N instances indépendantes. Pour les équipes de motion planning souhaitant coupler planification contrainte et apprentissage dans une boucle unifiée, ce type de solveur change le régime de ce qui est calculable en temps quasi-réel. IPOPT, développé à partir des années 2000 à Argonne National Laboratory, est le standard de facto en robotique pour la planification de trajectoires, la cinématique inverse, et la gestion de contacts. Son intégration dans des frameworks modernes comme MuJoCo MPC ou les pipelines Pinocchio reste cependant bridée par sa nature séquentielle. Face à l'essor des simulateurs GPU-batched comme IsaacLab (NVIDIA) ou MJX (Google DeepMind), capables de générer des millions de rollouts par seconde, l'absence d'un solveur NLP au même format représentait un goulot d'étranglement pour les approches hybrides. jaxipm est pour l'instant validé uniquement sur des benchmarks drones quadrotors, ce qui appelle une évaluation sur configurations manipulateurs ou robots humanoïdes avant de pouvoir généraliser les gains annoncés à l'ensemble du spectre robotique.

Recherche❖Paper

1 source

44

4606arXiv cs.RO 

OctoSense : apprentissage auto-supervisé pour la perception multimodale des robots

Une équipe de recherche a publié sur arXiv (arXiv:2606.17317) OctoSense, une plateforme matérielle open-source de perception multimodale accompagnée d'un dataset de 59 heures de données embarquées synchronisées. Le rig intègre une paire de caméras RGB stéréo, une caméra à événements, un LiDAR, une caméra thermique, une centrale inertielle (IMU), un GPS RTK et des données de proprioception issues d'un bus CAN automobile et d'un robot quadrupède. Les données ont été collectées dans des environnements variés, à différentes heures du jour et de la nuit, y compris en conditions de dégradation sensorielle sévère. Sur ce dataset, les auteurs démontrent une architecture de foundation model baptisée "late-fusion masked autoencoder" : des tokeniseurs spécifiques par modalité gèrent les différences de résolution spatiotemporelle, de fréquence et de latence entre capteurs, puis les tokens sont mis en cache à l'inférence pour traiter les nouvelles mesures au fil de leur arrivée. Le temps de calcul de représentation atteint 6,68 ms sur GPU NVIDIA RTX 5090 et 112 ms sur module embarqué Jetson Orin NX. Ce résultat est notable pour les intégrateurs robotiques car il démontre qu'un modèle auto-supervisé entraîné sur des données réelles hétérogènes surpasse les foundation models vision-only (entraînés sur images seules) sur quatre tâches critiques : estimation du flot optique, reconstruction de profondeur, segmentation sémantique et estimation de l'ego-motion (translation, rotation, angle de braquage). L'absence de labels supervisés dans le pipeline d'entraînement réduit significativement le coût de constitution des datasets pour les équipes qui déploient sur des plateformes mobiles. La robustesse nocturne et en conditions dégradées adresse directement un point de friction récurrent dans les déploiements AMR en entrepôts logistiques et en robotique outdoor. OctoSense s'inscrit dans la tendance des foundation models perceptifs pour la robotique, un espace très actif depuis les travaux de type CLIP/DINOv2 et plus récemment les VLA (Vision-Language-Action models) poussés par Physical Intelligence (Pi-0) et NVIDIA (GR00T). Contrairement à ces approches centrées sur la manipulation ou la navigation en langage naturel, OctoSense cible la représentation sensorielle bas-niveau sur plateforme embarquée contrainte. Le projet est entièrement open-source (code, dataset et vidéos supplémentaires disponibles), ce qui le distingue des stacks propriétaires des acteurs commerciaux. Aucun déploiement industriel ni partenariat n'est annoncé à ce stade ; il s'agit d'un preprint de recherche sans validation externe. La prochaine étape naturelle serait une évaluation sur des benchmarks robotiques standardisés (OpenX-Embodiment, CARLA) pour confirmer la généralisation hors-distribution.

Recherche❖Paper

1 source

43

4607arXiv cs.RO 

HumanoidUMI : relier les démonstrations sans robot à la manipulation corps entier des humanoïdes

HumanoidUMI est un framework de collecte de données de démonstration pour robots humanoïdes, déposé le 27 juin 2026 sur arXiv (arXiv:2606.27239v1). Le système permet de capturer des comportements de manipulation corps-entier sans nécessiter l'accès au robot physique pendant la collecte. Concrètement, un opérateur humain équipé d'un casque VR léger et de pinces inspirées du Universal Manipulation Interface (UMI) enregistre des trajectoires creuses de points-clés corporels (keypoints), des images depuis les poignets, et des actions de préhension. Ces démonstrations entraînent une politique de haut niveau qui prédit les keypoints futurs, retargétés en références motrices corps-entier et exécutés par un contrôleur dédié. La méthode a été validée dans cinq scénarios réels de manipulation. Le goulot d'étranglement majeur dans l'apprentissage de compétences pour humanoïdes reste la collecte de données de qualité. Les méthodes actuelles par télé-opération robot exigent un accès matériel coûteux, des opérateurs spécialisés, et souffrent d'un débit limité. En découplant la collecte de données de l'accès au robot, HumanoidUMI ouvre la voie à une scalabilité inédite : n'importe quel opérateur équipé d'un VR grand public peut générer des démonstrations transférables. C'est particulièrement significatif pour la manipulation corps-entier, qui coordonne perception, locomotion et manipulation simultanément, une capacité que l'UMI original, conçu pour les bras seuls, ne couvrait pas. Les résultats sur cinq scénarios réels suggèrent que le retargeting cinématique depuis des keypoints humains peut effectivement réduire le demo-to-real gap. HumanoidUMI s'inscrit dans la filiation directe de l'UMI (Universal Manipulation Interface), développé par des chercheurs de Stanford et Columbia pour la manipulation bras-seul. L'extension aux comportements corps-entier arrive dans un marché sous forte tension : Figure AI (Figure 03, politique Helix), Tesla (Optimus Gen 3), 1X Technologies (NEO) et Physical Intelligence (Pi-0) cherchent tous à réduire le coût de collecte de données pour leurs pipelines d'imitation learning. Les approches VLA (Vision-Language-Action) comme GR00T N2 de NVIDIA ciblent le même objectif via la généralisation zero-shot, faisant de la collecte de données le facteur discriminant de la course humanoïde. Il s'agit pour l'instant d'un preprint académique non encore évalué par des pairs, sans déploiement industriel annoncé, mais la portabilité du dispositif VR laisse entrevoir une adoption rapide dans des pipelines de recherche appliquée.

IA physique❖Paper

1 source

43

4608arXiv cs.RO 

PhysReflect-VLA : faisabilité physique et régulation auto-réflexive pour des modèles VLA fiables

Une équipe de chercheurs a publié fin juin 2026, via arXiv (2606.27146), PhysReflect-VLA, un module d'exécution conçu pour être greffé sur n'importe quel modèle Vision-Language-Action (VLA) existant sans réentraînement complet. L'architecture repose sur trois composants : un opérateur de faisabilité (Feasibility Operator) qui évalue si une action candidate produit une transition d'état dynamiquement cohérente avant exécution, un opérateur d'explication d'action (Action Explanation Operator) qui vérifie la cohérence de la transition, et un module de réflexion basé sur un LLM qui analyse les écarts d'état observés pour générer des corrections à la volée. Le tout s'intègre dans une boucle de contrôle fermée via une procédure d'entraînement en deux étapes. Sur des tâches de manipulation multi-étapes impliquant des contacts riches en environnement réel, PhysReflect-VLA affiche un gain moyen de 5,4 % de taux de succès par rapport aux baselines VLA représentatifs testés. Ce résultat, modeste en valeur absolue, adresse un point structurel des VLA actuels : ils fonctionnent en mode feed-forward, sans mécanisme d'auto-correction en ligne. Le problème est connu dans le domaine sous le terme de "recovery from disturbances", dès qu'un contact imprévu perturbe la trajectoire, la politique ne sait pas diagnostiquer l'échec et continuer. L'approche plug-and-play est stratégiquement intéressante pour les intégrateurs : elle évite de requalifier un modèle VLA entier (coût computationnel et données considérables) pour améliorer la robustesse en déploiement. Les ablations confirment que les deux composants, faisabilité et réflexion, contribuent indépendamment au gain, ce qui suggère une modularité réelle plutôt qu'un effet de combinaison artificiel. Cela dit, un gain de 5,4 % sur des benchmarks internes, sans précision sur le nombre de tâches, de répétitions, ni le profil de défaillance évité, mérite prudence avant généralisation. Les VLA comme pi0 (Physical Intelligence), OpenVLA (Berkeley), ou les variantes GR00T N2 de NVIDIA constituent le terrain sur lequel ce module se pose. La tendance récente dans la recherche en manipulation est précisément de dépasser le "sim-to-real gap" et de rendre ces politiques robustes aux perturbations contact, deux problèmes que PhysReflect-VLA cible explicitement. L'abstract ne mentionne pas l'institution d'origine ni de code public disponible, ce qui limite l'évaluation indépendante à ce stade. Les prochaines étapes naturelles seraient une intégration sur des VLA à grande échelle comme pi0 ou OpenVLA-OFT, et des tests sur plateformes humanoïdes où les transitions d'état en contact sont particulièrement critiques. Ce type de framework d'exécution supervisée pourrait également intéresser des acteurs européens actifs sur la couche contrôle, comme Enchanted Tools (Mirokaï) ou les équipes robotique d'IRT Jules Verne.

IA physique❧Opinion

1 source

43

4609arXiv cs.RO 

Un système pour des comportements loco-manipulatoires rapides, résilients et adaptatifs sur les robots humanoïdes

Des chercheurs de l'IHMC (Institute for Human and Machine Cognition) ont publié une thèse présentant un système de pilotage comportemental pour robots humanoïdes, conçu pour combiner locomotion et manipulation d'objets en temps réel dans des environnements industriels non structurés. Le système, déployé sur cinq plateformes distinctes, le DRC Atlas de Boston Dynamics, le Valkyrie de la NASA, le Nadia d'IHMC et Boardwalk Robotics, le H1-2 d'Unitree et l'Alex d'IHMC, permet à un opérateur de créer, modifier et superviser des comportements directement pendant l'exécution, sans arrêt du robot. La bibliothèque de comportements couvre plus de vingt variantes de tâches réelles : ouverture de portes à poignée rotative, barre anti-panique ou levier, séquences d'exploration multi-étapes, désencombrement d'obstacles et manipulation réactive de surface à surface. Ce travail s'attaque à l'un des verrous fondamentaux de la robotique humanoïde commerciale : la fragilité des comportements face à la variabilité du monde réel. En combinant des "Affordance Templates" centrés sur les objets, une logique inspirée des Behavior Trees et une couche de perception éditable à l'exécution, l'architecture permet d'adapter, d'étendre ou de composer des comportements existants en quelques minutes à quelques heures. C'est une rupture significative par rapport aux pipelines d'apprentissage bout-en-bout, type VLA (Vision-Language-Action), qui nécessitent des cycles d'entraînement longs pour toute nouvelle tâche. Le système repose sur un contrôleur corps-entier autorisant le mouvement des bras pendant la marche, avec un algorithme de superposition d'actions concurrentes pour accélérer les cycles. Le contexte académique est celui du DARPA Robotics Challenge (2013-2015), dont les principes de "Coactive Design", observabilité maximale, prédictibilité, directivité, ont structuré toute l'architecture. Cette thèse constitue une capitalisation de plusieurs années de déploiements multi-robots au sein de l'IHMC, laboratoire fédéral américain historiquement centré sur la locomotion bipède. Face aux approches concurrentes purement end-to-end de Figure AI, Physical Intelligence (pi0) ou Tesla Optimus, ce système positionne un pôle alternatif : contrôle symbolique hybride, intervention opérateur en boucle courte, portabilité multi-plateforme. La prochaine étape naturelle serait une intégration avec des politiques apprises pour les sous-tâches de manipulation fine, comblant le gap sim-to-real que ni l'approche symbolique ni l'apprentissage seul ne résolvent pleinement à ce stade.

Recherche❖Paper

1 source

43

4610arXiv cs.RO 

Affinage par renforcement des politiques de flux pour les modèles vision-langage-action (VLA)

Des chercheurs ont publié sur arXiv (papier 2510.09976v2) un algorithme baptisé Flow Policy Optimization (FPO), conçu pour affiner par renforcement les modèles Vision-Language-Action (VLA) basés sur le flow-matching, en particulier le modèle π₀ (Pi-0) de Physical Intelligence. L'évaluation porte sur deux benchmarks de simulation robotique standards : LIBERO et ALOHA. FPO intègre quatre composants : une attribution de crédit sensible à la structure du réseau (structure-aware credit assignment), des objectifs surrogate clippés à la manière de PPO, une exploration latente multi-étapes, et un ensemble de Q-functions (Q-ensemble) pour estabiliser l'estimation de valeur. Les résultats montrent des gains constants sur le prior d'imitation et sur des baselines concurrentes, dont π₀-FAST, des approches RL autorégressive et diffusion, dans un régime de récompenses éparses. Le verrou technique résolu par FPO est fondamental : les méthodes de policy gradient classiques (PPO, GRPO) requièrent le calcul explicite de ratios de probabilité entre l'ancienne et la nouvelle politique (importance sampling), ce qui est mathématiquement intractable pour les modèles à flow-matching continu comme π₀. FPO contourne ce problème en reformulant l'importance sampling à partir des variations par échantillon de l'objectif conditionnel de flow-matching. C'est un déblocage algorithmique, pas un simple réglage d'hyperparamètres. Cela signifie que la famille de modèles la plus performante actuellement pour la manipulation généraliste, les VLA basées sur des politiques diffusion/flow, devient désormais accessible au fine-tuning par RL en ligne, sans qu'il faille revenir à des architectures autorégressive ou gaussiennes moins expressives. Le contexte est celui d'une course intense pour convertir la généralisation des grands modèles VLA en performance réelle sur tâches industrielles. π₀, développé par Physical Intelligence (ex-chercheurs de Google DeepMind et Stanford, fondée en 2023), a démontré une polyvalence remarquable sur données multi-robot, mais reste contraint par la qualité de ses démonstrations supervisées. FPO s'inscrit dans une tendance plus large, après RFT sur LLMs (DeepSeek-R1, Qwen), d'appliquer le fine-tuning par renforcement aux politiques robotiques. Les concurrents directs incluent OpenVLA (Berkeley), Octo (également Berkeley), et les approches RL sur modèles diffusion comme DPPO. Le papier reste pour l'instant en simulation ; le transfert sim-to-real sur π₀ avec FPO n'est pas encore documenté, ce qui constitue la prochaine étape critique avant tout déploiement industriel.

IA physique❧Opinion

1 source

42

4611arXiv cs.RO 

CoStream : combiner des comportements simples pour une manipulation complexe et généralisable

Une équipe de chercheurs propose CoStream (arXiv 2606.26423), un cadre de manipulation robotique conçu pour atteindre simultanément précision millimétrique et généralisation à de nouvelles tâches. L'article cible des opérations d'assemblage à haute contrainte de contact comme l'insertion d'un GPU dans un slot PCIe, où les approches existantes échouent sur au moins l'un des deux critères. Le système a été validé sur 8 tâches réelles couvrant manipulation quotidienne et assemblage de précision, avec récupération robuste après perturbations manuelles en cours d'exécution. L'apport central est de rompre avec deux paradigmes dominants : les pipelines classiques, précis mais rigides et coûteux à adapter à chaque nouvelle tâche, et les politiques end-to-end monolithiques, généralisables mais insuffisamment précises hors-distribution sans réentraînement. CoStream orchestre modèles de fondation et modalités de capteurs variées en trois comportements composables : sémantique (extraction de contraintes spatiales via modèles de fondation), prédictif (estimation de trajectoires par tracking de keypoints dans des vidéos imaginées) et réactif (corrections tactiles et de force haute fréquence). Ces sorties se composent par right-multiplication dans l'espace SE(3), produisant une commande de pose unique à chaque pas de contrôle, exécutée par un contrôleur compliant. Les gains les plus significatifs sont observés sur les tâches d'assemblage avec contact et de transfert d'objets, précisément là où la précision et l'adaptabilité sont le plus difficiles à concilier. CoStream s'inscrit dans la tendance qui cherche à exploiter les modèles de fondation visuels et linguistiques pour la planification robotique, tout en conservant des contrôleurs bas niveau fiables pour l'exécution temps réel. Les approches concurrentes les plus directes sont les VLA monolithiques comme pi-0 de Physical Intelligence ou GR00T N2 de NVIDIA, ainsi que les pipelines hiérarchiques classiques. La décomposition modulaire proposée n'implique pas de réentraînement complet pour chaque nouvelle tâche, ce qui constitue le principal argument de rupture avancé par les auteurs. L'article reste un preprint de recherche sans déploiement industriel annoncé ni partenaire de production mentionné ; les performances à l'échelle et hors environnement de laboratoire contrôlé restent à démontrer.

Recherche❖Paper

1 source

42

4612arXiv cs.RO 

ForesightSafety-VLA : un benchmark unifié de diagnostic de sécurité pour les modèles vision-langage-action (VLA)

Une équipe de recherche a publié sur arXiv (réf. 2606.27079) un benchmark diagnostique baptisé ForesightSafety-VLA, conçu pour évaluer spécifiquement la sécurité des modèles vision-langage-action (VLA) en robotique incarnée. Le système propose une taxonomie de 13 catégories réparties en trois blocs : Safe-Core (sécurité lors des interactions physiques), Safe-Lang (sécurité côté instruction) et Safe-Vis (sécurité côté perception). Les évaluations portent sur 66 scénarios de base augmentés de contraintes de sécurité, déployés dans le simulateur RoboTwin sur 5 morphologies robotiques distinctes. Les politiques sont testées selon trois axes de variation contrôlée : structure de la scène, commande en langage naturel et observation visuelle. Au-delà du simple taux de succès binaire, le benchmark mesure le risque au niveau processus via deux métriques : le coût de sécurité cumulatif (CC) et le temps d'exposition au risque (RET), complétés par une décomposition en quatre quadrants distinguant succès et échecs sûrs ou dangereux. Les résultats révèlent une lacune structurelle dans l'évaluation des VLA actuels : même les politiques les plus performantes accumulent des coûts de sécurité non négligeables et réussissent des tâches nominales via des trajectoires dangereuses. Plus significatif encore, les variations de structure de scène et d'observation visuelle dégradent la sécurité beaucoup plus fortement que les variations de commandes en langage naturel. Ce résultat contredit l'hypothèse implicite selon laquelle la sécurité serait avant tout un problème de compréhension d'instructions : elle est en réalité étroitement couplée à la perception, à l'ancrage sensorimoteur et à la compétence de contrôle bas niveau. Cela suggère que les filtres de sécurité post-hoc ne suffisent pas à compenser les déficits de perception et de planification. Ce travail s'inscrit dans un contexte où les VLA progressent rapidement vers des capacités généralistes, portés par des modèles comme pi-zéro (Physical Intelligence), OpenVLA ou RT-2 (Google DeepMind), dont les limites de sécurité restent mal documentées dans la littérature. ForesightSafety-VLA tente de combler ce vide méthodologique en imposant la sécurité comme cible principale d'évaluation, plutôt qu'un indicateur secondaire. La publication reste au stade de benchmark de recherche, sans déploiement industriel ni partenariat annoncé. Les suites naturelles concernent l'extension à des environnements réels, à des robots mobiles, et l'intégration du benchmark dans les pipelines d'entraînement pour orienter l'apprentissage vers des comportements intrinsèquement sûrs.

Recherche❖Paper

1 source

42

4613arXiv cs.RO 

Les modèles d'action du monde permettent un apprentissage par imitation continu avec rejeu génératif récurrent

Publiés en juin 2026 sur arXiv (référence 2606.27374), des chercheurs présentent REGEN (Recurrent Generative Replay), un cadre d'apprentissage continu par imitation fondé sur les World Action Models (WAMs). Contrairement aux modèles de politique classiques qui se contentent de prédire les actions du robot, les WAMs génèrent également des observations visuelles futures, combinant ainsi deux capacités distinctes dans un seul modèle. REGEN exploite cette dualité en interrogeant récursivement le WAM pour synthétiser des trajectoires de pseudo-replay, conditionnées uniquement sur les instructions des tâches antérieures et les observations de la tâche courante. Testée en simulation et en manipulation réelle, l'approche réduit l'oubli catastrophique de 50 % en comparaison au fine-tuning séquentiel classique, tout en s'approchant des performances des méthodes dites "privileged" qui, elles, conservent l'accès aux démonstrations humaines originales. L'enjeu industriel est direct : l'oubli catastrophique constitue l'un des verrous majeurs au déploiement continu de robots en environnement réel. Dès qu'un système est refiné sur une nouvelle tâche, il dégrade ses capacités acquises précédemment. Les solutions actuelles imposent de conserver les démonstrations humaines originales, ce qui soulève des contraintes de stockage, de coût de collecte et parfois de confidentialité des données opérationnelles. REGEN casse cette dépendance : le robot répète mentalement ses tâches passées sans jamais avoir besoin des vidéos source. Cela ouvre la voie à des déploiements adaptatifs dans des cellules de production ou d'entrepôt où les tâches évoluent en continu. Le gain de 50 % reste cependant partiel, et les auteurs reconnaissent que leur méthode n'atteint pas encore le niveau des méthodes ayant accès aux données réelles. Le travail s'inscrit dans la dynamique des world models appliqués à la robotique, un axe de recherche en forte accélération depuis 2023 porté par des acteurs comme Physical Intelligence (avec π0), Google DeepMind, ou NVIDIA (GR00T N2). L'originalité de REGEN réside dans l'usage génératif du WAM pour l'apprentissage continu, plutôt que pour la planification ou le sim-to-real. Les auteurs identifient deux goulots d'étranglement principaux : la dégradation visuelle sur les horizons longs et l'incohérence entre actions générées et observations synthétisées, deux limites qui dessinent clairement l'agenda de recherche pour les prochaines itérations. Aucun partenaire industriel ni calendrier de commercialisation n'est mentionné ; il s'agit à ce stade d'une contribution académique, non d'un produit déployé.

Recherche❧Opinion

1 source

42

4614arXiv cs.RO 

Apprentissage de la faisabilité des mouvements à partir de nuages de points en environnements encombrés

Une équipe de chercheurs a publié sur arXiv (réf. 2606.26700) une étude sur la prédiction de faisabilité de mouvement pour un bras manipulateur à 7 degrés de liberté (7-DOF), opérant dans des environnements encombrés à partir d'observations RGB-D brutes. Le coeur du travail est GRASPFC-PTX, un transformeur appliqué à des nuages de points 3D, capable de prédire si une saisie est réalisable sans reconstruire de modèle CAO de l'environnement. Pour entraîner et évaluer leur approche, les auteurs ont constitué ce qu'ils présentent comme le premier benchmark à grande échelle de ce type : 2,7 millions d'étiquettes de faisabilité de saisie couvrant 88 objets scannés et 190 scènes de table encombrées. Trois familles d'architectures ont été comparées dans des conditions d'entraînement identiques (réseaux MLP, CNN volumétriques, transformeurs sur nuages de points). GRASPFC-PTX atteint un AUROC de 0,996 sur des objets non vus lors de l'entraînement, et produit ses prédictions bien plus rapidement que les planificateurs à base d'échantillonnage (SBMPs) classiques comme RRT ou PRM. Le goulot d'étranglement visé est précis : dans les pipelines de task and motion planning (TAMP), les tentatives de planification infaisables par les SBMPs consomment du temps de calcul sans résultat utile. Un prédicteur fiable en amont permet de filtrer ces tentatives avant qu'elles n'alourdissent la boucle de planification. Ce qui distingue cette contribution des approches existantes, c'est son fonctionnement en espace de configuration à haute dimension (7-DOF) à partir de perceptions brutes, sans supposer une géométrie simplifiée ni des paramètres d'objets connus. Pour les intégrateurs de manipulation industrielle ou de robotique logistique, cela ouvre la voie à un module greffable sur une cellule existante sans reconstruire le modèle numérique de chaque pièce. La certification d'infaisabilité de mouvement était jusqu'ici principalement traitée pour des espaces de faible dimension et des géométries simples. La montée en puissance des architectures transformeurs sur nuages de points, dans la lignée de PointNet++ et PCT, rend désormais ces prédicteurs plus généraux et applicables à des scènes réalistes. Ce travail s'inscrit dans une tendance plus large où l'apprentissage profond vient court-circuiter les planificateurs géométriques classiques dans des environnements non structurés. Le préprint ne mentionne ni déploiement industriel ni partenariat ; il s'agit d'une contribution de recherche fondamentale avec benchmark public, ce qui en fait un point de référence potentiel pour les équipes travaillant sur la manipulation en milieu réel. Les étapes naturelles seraient d'étendre le benchmark à des scènes dynamiques et de tester la robustesse face au bruit de capteur en conditions réelles.

Recherche❖Paper

1 source

42

4615arXiv cs.RO 

E-TTS : un nouveau cadre de mise à l'échelle au moment de l'inférence pour la manipulation robotique

Des chercheurs présentent sur arXiv (2606.27268, juin 2026) E-TTS, un cadre de mise à l'échelle à l'inférence (test-time scaling) pour la manipulation robotique, applicable en surcouche de modèles vision-language-action (VLA) existants sans réentraînement ni collecte de données supplémentaire. Le framework repose sur deux mécanismes : un échantillonnage conjoint raisonnement-action avec notation par paires, et un tampon d'historique (history buffer) qui stocke les observations passées pour contextualiser les décisions d'action. Contrairement aux méthodes TTS en boucle ouverte, E-TTS intègre du feedback durant l'inférence via un mécanisme de raffinement itératif en boucle fermée, piloté par des vérificateurs vision-langage. Les auteurs rapportent des gains jusqu'à 33,14 % en simulation et 26,62 % en conditions réelles, mesurés sur 4 benchmarks, 6 environnements, 3 morphologies de robots et 4 modèles VLA de base. L'enjeu est de transposer à la robotique ce qui a fonctionné pour les LLMs : amplifier les capacités à l'inférence sans modifier les poids du modèle. Le défi spécifique aux robots est que les tâches sont séquentielles et longues : une observation instantanée ne suffit pas pour choisir la bonne action, contrairement à une requête texte isolée. En partageant un buffer d'historique entre les modules de raisonnement et de vérification d'action, E-TTS comble un angle mort des méthodes TTS précédentes pour l'embodied AI. Le fait que le gain tienne en conditions réelles (26,62 %) et pas seulement en simulation est un signal positif sur le sim-to-real gap, même si les conditions exactes de ces expériences en monde réel méritent examen dans le papier complet. Le test-time scaling a émergé avec les architectures o1 et o3 d'OpenAI et les approches chain-of-thought pour les LLMs, avant d'être progressivement exploré pour les VLA robotiques. E-TTS s'inscrit dans ce mouvement que les auteurs eux-mêmes qualifient d'"early attempts", ce qui situe honnêtement le niveau de maturité. L'architecture modulaire et plug-and-play est conçue pour s'adapter à des VLA variés, ce qui pourrait faciliter l'adoption par des équipes travaillant sur des modèles comme pi0 (Physical Intelligence), GR00T N2 (NVIDIA) ou OpenVLA. Le papier ne mentionne ni déploiement industriel ni partenariat avec un constructeur de robots : il reste une preuve de concept académique dont la validation sur des tâches industrielles réelles (assemblage, palettisation) constituerait l'étape suivante naturelle.

IA physique❧Opinion

1 source

42

4616arXiv cs.RO 

SSI-Policy : apprentissage d'interfaces de scène structurées pour la manipulation robotique vision-langage

Des chercheurs ont déposé SSI-Policy sur arXiv (2606.26800, juin 2026), un framework modulaire pour la manipulation robotique en régime de faibles données. Le système repose sur une représentation intermédiaire appelée Structured Scene Interface (SSI), une couche RGB-only qui encode simultanément des caractéristiques de profondeur monoculaire, des dispositions spatiales d'objets ancrées dans le langage naturel, et des trajectoires 2D conditionnées par instruction. Sur le benchmark LIBERO avec seulement 10 démonstrations par tâche, SSI-Policy dépasse la meilleure méthode concurrente de près de 15 points, et reste compétitif face aux approches à 50 démonstrations recourant au préentraînement externe à large échelle. Les auteurs valident également sur 13 tâches réelles : raisonnement spatial, transfert cross-embodiment et manipulation avec contact. L'apport central est architectural : en découplant la perception du contrôle via l'interface SSI, la politique aval peut apprendre à partir de très peu de démonstrations. Que l'interface soit entraînable sur des vidéos sans annotation d'action est particulièrement précieux pour les intégrateurs industriels qui peinent à collecter des données de téléopération à grande échelle. L'absence de capteur de profondeur, le système fonctionnant en pure RGB, réduit les prérequis matériels et facilite le déploiement sur des bras standards. Le caractère robot-agnostique de SSI cible directement la faiblesse récurrente des VLA (Vision-Language Action models) comme Pi-0 de Physical Intelligence, OpenVLA ou GR00T N2 de NVIDIA : leur difficulté à transférer vers de nouveaux embodiments sans réentraînement coûteux. SSI-Policy se positionne face à trois familles de méthodes : les approches vidéo (SuSIE, UniSim), sujettes à dérive géométrique sur les horizons longs ; les méthodes 3D (Act3D, RoboPoint), qui exigent du RGB-D ; et les interfaces de flux optique, sans structure géométrique explicite. SSI-Policy prétend en combiner les avantages, affirmation partiellement étayée par les ablations publiées mais restant à confirmer sur des benchmarks plus larges comme RLBench ou DROID. L'article est un preprint, non soumis à évaluation par les pairs. La suite logique : validation sur plateformes humanoïdes complètes et pilotes industriels réels, deux domaines où la robustesse en faible nombre d'exemples reste le verrou commercial principal.

IA physique❧Opinion

1 source

42

4617arXiv cs.RO 

Apprentissage continu de politiques robotiques via des dynamiques neuronales variationnelles

Des chercheurs ont publié en juin 2026 (arXiv:2606.27353) un framework d'apprentissage continu permettant à un robot de s'adapter en temps réel à des dynamiques changeantes et non observées, sans nécessiter de réentraînement complet. Le système combine un modèle de dynamique analytique (prior physique) avec un résidu neuronal entraîné à capturer les effets non modélisés. Un encodeur récurrent infère en ligne la "condition cachée" courante du robot, c'est-à-dire l'état du système non directement mesurable (charge utile variable, usure mécanique, perturbations aérologiques), à partir des trajectoires état-action récentes. Cette condition estimée pilote à la fois le modèle résiduel et la politique de contrôle. Lors de l'apprentissage, la politique est optimisée par simulation différentiable en échantillonnant un ensemble de dynamiques plausibles issues du modèle latent. Sur un quadrotor réel soumis à des vents récurrents, le système récupère une perturbation connue en environ 1 seconde, soit cinq fois plus rapidement qu'un réentraînement résiduel en ligne classique, et réduit les erreurs de vol stationnaire et de suivi de trajectoire respectivement de 65,7 % et 53,3 % par rapport aux approches d'adaptation en ligne de l'état de l'art. L'enjeu industriel est direct : la quasi-totalité des contrôleurs appris actuels sont entraînés une fois, puis déployés statiquement, comme si la dynamique du robot restait constante. En pratique, batteries qui se déchargent, charges qui changent de mission en mission, surfaces de contact qui évoluent, conditions météo variables, tout cela dégrade les performances sans mécanisme de correction. L'originalité de cette approche tient à la distinction entre "reconnaissance" et "réadaptation" : plutôt que de réajuster un modèle depuis zéro à chaque perturbation rencontrée (coûteux en données et en temps), le système reconnaît une dynamique déjà vue et l'applique immédiatement via l'encodeur récurrent. Ce paradigme est particulièrement pertinent pour les intégrateurs de drones industriels, de robots manipulateurs en logistique ou de plateformes mobiles en environnement extérieur, où les cycles de déploiement sont longs et les recalibrages manuels coûteux. Les résultats valident aussi une hypothèse clé du champ sim-to-real : qu'un prior physique structuré couplé à un résidu neuronal permet de généraliser à des conditions non vues lors de l'entraînement, à condition que ces conditions aient été préalablement "vécues" lors d'autres déploiements. Ce travail s'inscrit dans une lignée de recherches sur l'adaptation dynamique de politiques robotiques incluant la randomisation de domaine (popularisée par OpenAI Robotics dès 2018), les approches méta-learning type MAML, et les méthodes d'adaptation en ligne par processus gaussiens. Le réentraînement résiduel en ligne, utilisé comme baseline de comparaison, est une technique établie mais limitée par sa latence de convergence, problème central que ce framework adresse directement par la reconnaissance latente. L'article est à ce stade un preprint non relu par les pairs, et les expériences réelles restent limitées au quadrotor ; la généralisation à des robots à pattes ou à des bras manipulateurs industriels reste à démontrer. Aucun partenaire industriel ni calendrier de transfert technologique n'est mentionné. Les prochaines étapes probables incluent des tests sur des plateformes à dynamiques plus complexes et une validation sur des dynamiques à distribution plus large.

Recherche❖Paper

1 source

42

4618arXiv cs.RO 

Recherche arborescente Monte Carlo avec factorisation tensorielle pour les problèmes d'optimisation en robotique

Une équipe de chercheurs a publié sur arXiv (référence 2507.04949, troisième version) un algorithme baptisé Tensor Train Tree Search (TTTS), qui combine la recherche arborescente Monte Carlo (MCTS) avec la factorisation tensorielle dite "tensor train" pour résoudre des problèmes d'optimisation en robotique. La méthode a été validée expérimentalement sur cinq familles de tâches : cinématique inverse, planification de trajectoire avec évitement d'obstacles, manipulation par robot à pattes, planification multi-étapes, et manipulation bimane corps entier. Il s'agit d'un préprint de recherche, sans déploiement industriel annoncé à ce stade. L'enjeu central est la généralisation cross-tâche : les solveurs actuels (optimiseurs de trajectoire, planificateurs par échantillonnage comme RRT*, méthodes RL) sont fortement spécialisés par domaine, ce qui impose un effort de reformulation important pour chaque nouveau problème et limite l'autonomie multi-tâche des robots. MCTS offre naturellement ce caractère généraliste via l'exploration structurée de l'espace de solutions, mais souffre d'une complexité combinatoire explosive en haute dimension, rendant son application naïve impraticable pour les espaces articulaires de bras ou de robots marcheurs. TTTS contourne ce verrou en exploitant les corrélations implicites entre branches de l'arbre de décision via une représentation compacte à complexité linéaire, ce qui réduit simultanément l'empreinte mémoire et le coût de calcul. Pour un intégrateur ou un architecte de systèmes robotiques, l'intérêt est de disposer d'un cadre de planification unifié plutôt que d'une pile d'optimiseurs hétérogènes à maintenir. MCTS est historiquement issu du jeu (AlphaGo/AlphaZero de DeepMind), et sa transposition à la robotique se heurte depuis longtemps à la malédiction de la dimensionnalité. La factorisation tensor train, technique établie en algèbre linéaire numérique, a déjà démontré son efficacité pour compresser des représentations haute dimension dans d'autres domaines, mais son intégration à MCTS pour la planification robotique reste peu explorée. Du côté concurrentiel, TTTS se positionne face aux approches de type diffusion (Diffusion Policy) et aux VLA (Vision-Language-Action models) qui traitent la planification de façon implicite via des réseaux appris, ainsi qu'aux solveurs classiques comme IPOPT ou SNOPT. La prochaine étape naturelle serait une validation sur matériel réel et une comparaison de temps de cycle en conditions industrielles, absentes du preprint actuel.

Recherche❖Paper

1 source

42

4619arXiv cs.RO 

Pilotage du comportement robotique à l'inférence par reconfiguration physiquement informée de la structure de tâche

Une équipe de recherche a publié sur arXiv (ref. 2606.26588) un système baptisé ReStruct, conçu pour modifier le comportement d'un robot en cours de déploiement sans nécessiter de réentraînement. Le problème visé est ce que les chercheurs appellent le "steering à l'inférence" : forcer une politique robotique apprise à respecter une préférence utilisateur imprévue lors de l'entraînement, au moment du test uniquement. ReStruct repose sur une architecture en deux niveaux : un squelette de haut niveau modélisé comme une machine à états finis (automate neural), qui encode la structure de la tâche, et un contrôleur bas niveau sous forme de politique résiduelle, qui reste entièrement gelé. Lors de la modification d'une préférence, c'est uniquement l'automate qui est reconfiguré via un produit synchrone, mettant à jour les prior d'action transmis au contrôleur. Sur banc de test en simulation et en environnement réel, ReStruct dépasse les modèles VLA (Vision-Language-Action) existants de jusqu'à 25 % en taux de réussite de tâche et en respect des préférences, pour des spécifications allant de contraintes sur des objets spécifiques jusqu'à des contraintes de logique temporelle. L'enjeu industriel est significatif : le réentraînement d'une politique robotique pour chaque nouvelle variante de tâche ou préférence opérateur représente aujourd'hui un verrou majeur à la scalabilité des déploiements. Les approches bout-en-bout (fine-tuning, guidance experte) sont trop coûteuses en pratique, tandis que les méthodes neuro-symboliques classiques génèrent des plans logiquement cohérents mais physiquement irréalisables, ce que ReStruct corrige en intégrant la faisabilité physique directement dans la reconfiguration de la structure de tâche. Le fait que la méthode surpasse les modèles VLA sur ces métriques est notable : les VLA représentent actuellement le paradigme dominant en robotique manipulatrice apprise, et cette architecture hybride formelle-neuronale suggère une voie complémentaire plutôt que concurrente. Ce travail s'inscrit dans un débat de fond entre approches purement end-to-end et méthodes symboliques pour la robotique généraliste. Les modèles VLA comme pi-0 (Physical Intelligence), GR00T N2 (NVIDIA) ou Helix (Figure AI) misent sur des fondations neuronales massives adaptées par fine-tuning, ce qui les rend rigides face aux variations de préférences non anticipées. ReStruct propose une alternative légère, fondée sur la théorie des automates, qui n'impose pas de réentraîner le contrôleur. Il s'agit d'un preprint académique sans affiliation industrielle annoncée ni déploiement terrain mentionné, mais la démonstration en conditions réelles renforce la crédibilité de l'approche. Les prochaines étapes naturelles seraient l'intégration dans des pipelines de déploiement existants et l'évaluation sur des manipulateurs commerciaux multi-tâches.

Recherche❧Opinion

1 source

42

4620arXiv cs.RO 

Play2Perfect : ce qui compte dans le pré-entraînement par jeu habile pour l'assemblage de précision

Des chercheurs ont publié fin juin 2026 sur arXiv (2606.26428) Play2Perfect, un cadre d'apprentissage par renforcement pour entraîner des robots à mains multi-doigts à réaliser des assemblages de précision, sans pinces spécialisées ni montages mécaniques contraignants. Le principe repose sur deux phases : un pré-entraînement agnostique à la tâche, dit "play", où le robot explore des objets et objectifs variés pour acquérir des priors de manipulation réutilisables (saisie, réorientation en main, atteinte de pose), puis un affinage ciblé sur l'assemblage précis. Les résultats avancés sont nets : Play2Perfect atteint une efficacité 33 fois supérieure en termes d'échantillons par rapport à un entraînement RL from scratch avec récompenses denses et multi-étapes, 60 % de succès sur des insertions serrées à 0,5 mm de jeu de contact, et plus de 50 % sur des assemblages multi-pièces et des vissages en longues séquences. Le transfert sim-to-real est réalisé en zéro-shot, sans entraînement supplémentaire sur robot physique. Ces résultats s'attaquent à un verrou structurel de la robotique dextère : les tâches à contact riche résistent à l'imitation learning (collecte de données difficile sur mains multi-doigts) et à l'RL classique (récompenses trop parses pour explorer efficacement). Un jeu de 0,5 mm correspond à des tolérances industrielles réelles, pas à des benchmarks assouplis. Si la démonstration du sim-to-real zéro-shot s'avère reproductible, elle signalerait que le fossé simulation-réalité pour la manipulation fine commence à se résorber, un signal fort pour les équipes qui investissent dans les mains robotiques. Il s'agit toutefois d'un preprint non encore soumis à revue par les pairs, sans déploiement industriel confirmé. La manipulation dextère fine est restée un défi depuis OpenAI Dactyl (2019) sur le cube Rubik, malgré des années de recherche avec des environnements très contraints. Play2Perfect s'inspire du paradigme "play then perfect", appliqué jusqu'ici à la locomotion et aux jeux de blocs, et l'étend pour la première fois aux assemblages industriels précis avec mains multi-doigts, sans structures d'aide. Aucune affiliation institutionnelle n'est précisée dans la publication ; les suites logiques seraient une validation sur un spectre plus large de pièces industrielles et une évaluation de la robustesse aux perturbations du monde réel.

Recherche❖Paper

1 source

42

4621arXiv cs.RO 

Tactile-WAM : modèle d'action du monde sensible au toucher avec attention asymétrique tactile

Des chercheurs ont publié sur arXiv (référence 2606.26663) un modèle de manipulation robotique intégrant le retour tactile dans le cadre des World Action Models (WAMs), une famille d'architectures qui génèrent simultanément des actions et une prédiction de l'état futur du monde. Baptisé Tactile-WAM, ce système introduit un mécanisme d'attention asymétrique nommé TAAM (Tactile Asymmetric Attention Mechanism) pour combiner flux vidéo et signaux tactiles sans dégradation mutuelle. Sur le benchmark ManiFeel, spécialisé dans les tâches de manipulation au contact, Tactile-WAM améliore le taux de succès moyen de 38,9 % toutes tâches confondues, et de 86 % sur les tâches à fort contact, insertion, assemblage, recherche d'alignement et réorientation, où les caméras seules restent aveugles aux micro-glissements, aux blocages mécaniques (jamming) et aux erreurs d'alignement millimétrique. Le verrou identifié par les auteurs est ce qu'ils nomment la "pollution tactile" : injecter des tokens tactiles dans un modèle de dynamique visuelle force l'architecture à absorber des signaux locaux, épars et événementiels, ce qui perturbe à la fois la prédiction vidéo et la génération d'actions. La solution TAAM sépare les flux via un masque VideoClean, qui bloque l'accès des requêtes vidéo aux tokens tactiles tout en les conservant disponibles pour les requêtes d'action, tandis qu'un biais touch-aware, dérivé des variations tactiles prédites, module dynamiquement l'attention pendant la phase de débruitage. Ce résultat intéresse directement les intégrateurs industriels : il démontre qu'un modèle d'action peut exploiter des capteurs tactiles pour des tâches d'insertion fine en conditions réelles, sans sacrifier les performances visuelles du pipeline. Les WAMs s'inscrivent dans la continuité des modèles VLA (Vision-Language-Action) et des architectures monde telles que Dreamer, mais ciblent le contrôle robotique basse latence. La manipulation tactile est un axe de recherche actif dans plusieurs laboratoires, notamment autour des capteurs visuotactiles GelSight (MIT CSAIL) et des politiques de diffusion appliquées au contrôle fin. Tactile-WAM se distingue en traitant l'intégration multimodale au niveau de l'attention plutôt que par fusion post-hoc des modalités. Il s'agit d'un preprint arXiv non encore évalué par des pairs, sans code publié ni déploiement industriel annoncé : les résultats sur ManiFeel devront être répliqués sur des capteurs et géométries variés pour valider la généralisation en conditions de production réelles.

Recherche❧Opinion

1 source

42

4622arXiv cs.RO 

RouterVLA : des tests de fumée transformés en supervision pour la sélection de modèles VLA hétérogènes

RouterVLA, présenté dans un preprint arXiv déposé en juin 2026 (identifiant 2606.27355), s'attaque à un problème concret souvent ignoré dans le déploiement robotique : comment choisir, parmi plusieurs politiques vision-language-action (VLA) candidates, celle que l'on installe réellement sur le robot. Les équipes robotiques effectuent systématiquement des "smoke tests" - des séries d'essais courts avant déploiement - pour comparer les candidats, puis retiennent un seul vainqueur global. RouterVLA propose de capitaliser sur ces essais déjà réalisés via une technique dite de "cross-fitting à résultats disjoints" : les essais enregistrés construisent un profil de performance pour chaque politique expert gelée, tandis qu'un essai distinct, non inclus dans ce profil, sert à noter l'expert retenu. Évalué sur 34 752 enregistrements de rollouts issus du benchmark LIBERO-Plus, une règle transparente basée sur le taux de succès des probes fait passer le taux de succès hors-échantillon de 0,4686 à 0,6149, soit un gain de 14,64 points de pourcentage. Le résultat le plus saillant n'est pas le gain lui-même, mais ce qui le produit. Sous les profils scalaires étudiés, les scoreurs appris sont statistiquement indiscernables de la simple règle de succès-probe, ce qui implique que la valeur de routage vient du processus de commissionnement - les smoke tests eux-mêmes - et non d'une capacité ML supplémentaire. Ajouter des couches d'apprentissage pour scorer les politiques ne crée donc pas de valeur additionnelle si les profils restent scalaires. Tout aussi important pour l'intégrité des benchmarks : réutiliser le même essai pour sélectionner et évaluer l'expert gonfle artificiellement le gain mesuré par un facteur de 1,87. Ce résultat constitue un avertissement méthodologique direct pour la communauté, car de nombreux papiers comparatifs en robotique pourraient souffrir de ce biais de contamination si la séparation des outcomes n'est pas garantie. LIBERO-Plus est un environnement de simulation pour la manipulation robotique de table, largement utilisé pour évaluer des politiques de généralisation. RouterVLA s'inscrit dans le champ croissant de la sélection hétérogène de politiques VLA, un problème qui devient critique à mesure que les fondations VLA se multiplient : Pi-0 (Physical Intelligence), GR00T N2 (NVIDIA), Helix (Figure AI), ou les politiques maison des labs comme Google DeepMind. La question de savoir quel modèle router selon la tâche est un vrai enjeu d'industrialisation, distinct de celui d'entraîner de meilleurs modèles individuels. Ce preprint ne mentionne ni déploiement réel ni partenaire industriel : il s'agit d'une contribution méthodologique évaluée en simulation. Les suites naturelles seraient d'étendre l'analyse à des profils non-scalaires (embeddings, séquences temporelles) et de valider la séparation des outcomes en manipulation physique réelle.

Recherche❧Opinion

1 source

41

4623arXiv cs.RO 

Agents omnimodaux incarnés : des compétences isolées à l'autonomie physique du quotidien

OmniAct est un framework de recherche publié le 26 juin 2026 sur arXiv (2606.27251) qui propose une architecture pour agents robotiques capables d'opérer de façon persistante sur des tâches longues dans des environnements non structurés. Le système repose sur trois couches hiérarchiques asynchrones : un planificateur sémantique multimodal qui route les actions entre domaines cyber (APIs, IoT) et physiques (manipulation, navigation), un module de mémoire adaptatif à compression événementielle garantissant une croissance sous-linéaire du contexte, et un moteur de préemption visuelle asynchrone qui referme la boucle sémantique pendant l'exécution physique. Évalué sur 40 tâches réelles à long horizon sur deux plateformes robotiques coordonnant quatre dispositifs IoT, OmniAct maintient une consommation de tokens quasi-stable en deçà de 100 000 tokens accumulés et élève des modèles open-weight à un niveau de performance comparable aux modèles propriétaires. Ce résultat adresse trois défaillances structurelles bien connues dans le domaine : les planificateurs VLM (Vision-Language Model) manquent d'un espace d'action cyber-physique unifié, les frameworks d'agents existants accumulent du contexte de façon non bornée jusqu'à dégrader la cohérence temporelle sur les longues sessions, et les politiques VLA (Vision-Language-Action) s'exécutent classiquement en boucle ouverte sans détecter leurs propres défaillances. La préemption visuelle asynchrone est l'apport le plus différenciant : le robot peut interrompre et reconfigurer une séquence en cours sans attendre sa terminaison, ce qui est précisément le comportement requis dans un déploiement industriel réel. Pour un intégrateur ou un COO industriel, la démonstration qu'une architecture bien conçue suffit à hisser des modèles open-weight au niveau propriétaire modifie le calcul économique du déploiement : moins de dépendance aux fondations coûteuses de GPT-4o ou Gemini. Ce travail s'inscrit dans une compétition dense autour des architectures pour agents embodied à long horizon. Des frameworks concurrents comme pi-0 (Physical Intelligence), GR00T N2 (NVIDIA) ou Helix (Figure AI) ciblent également la généralisation physique, mais restent principalement centrés sur la manipulation. OmniAct se distingue en intégrant explicitement le domaine cyber dans la boucle d'action, rapprochant l'architecture des besoins industriels où un robot interagit aussi avec des systèmes d'information et des capteurs IoT. Nuance importante : il s'agit d'un preprint arXiv, non encore évalué par les pairs, sans déploiement commercial annoncé ni divulgation des deux plateformes robotiques utilisées, ce qui limite la reproductibilité des résultats à ce stade.

IA physique❧Opinion

1 source

41

4624arXiv cs.RO 

TaskNPoint : apprendre à un humanoïde à frapper un revers en quelques minutes

Des chercheurs publient sur arXiv (juin 2026) TaskNPoint, un protocole d'entraînement qui enseigne des compétences dynamiques à un humanoïde à partir d'une seule démonstration humaine par compétence, avec moins d'une heure de calcul sur un seul GPU standard. Le système repose sur quatre entrées fournies par un coach humain : un ensemble discret de compétences à acquérir, une démonstration vidéo par compétence, l'identification d'une "fenêtre d'interaction" critique (les ~20 cm de déplacement de raquette autour du contact balle-raquette, par exemple) et l'objectif cible. L'apprentissage par renforcement en simulation physique prend le relais pour générer les trajectoires complètes et, via un échantillonnage aléatoire des positions cibles pendant l'entraînement, assure une généralisation zero-shot à des objectifs inédits. L'approche est validée sur un humanoïde Unitree G1 : coups droits et revers face à des balles lancées par un humain, tirs de football et pick-and-place de cartons depuis des positions arbitraires, sans ajustement manuel de fonction de récompense. L'enjeu est la scalabilité de l'apprentissage sur des compétences dynamiques, où les méthodes actuelles butent soit sur le volume de démonstrations requis, soit sur le coût du reward engineering. TaskNPoint réduit les deux à presque rien : une seule démo par compétence suffit, sans réglage de récompense par tâche. L'argument structurel est que le résultat d'un mouvement dynamique est déterminé par un court segment de la trajectoire, la fenêtre d'interaction critique, et non par sa totalité ; calibrer ce segment en coordination avec la physique du robot et son architecture mécanique permet de généraliser le reste automatiquement. C'est un argument direct contre la thèse selon laquelle les humanoïdes nécessitent des milliers d'heures de données pour performer sur des gestes non triviaux. Il s'agit toutefois d'un preprint arXiv, testé en conditions contrôlées ; la robustesse en milieu industriel non scénarisé reste à établir. Le Unitree G1, humanoïde chinois vendu autour de 16 000 dollars, s'est imposé depuis 2024 comme la plateforme de recherche ouverte de référence, alternative accessible aux Boston Dynamics Atlas et Agility Digit. TaskNPoint s'inscrit dans un courant cherchant à réconcilier imitation et renforcement simulé, face aux diffusion policies de Physical Intelligence (Pi-0) ou aux politiques visuomotrices universelles de type VLA. Son positionnement distinctif est la parcimonie en données d'entrée, une démo par compétence là où d'autres méthodes en exigent des centaines, avec un coût de calcul suffisamment bas pour être accessible à des équipes sans infrastructure GPU lourde. Aucun pilote industriel ni partenariat de déploiement n'est annoncé avec cette publication.

IA physique❧Opinion

1 source

41

4625arXiv cs.RO 

GO : le grand jeu de données multimodal sur la nature en plein air

Le laboratoire Unmanned Systems Lab a publié en janvier 2025 le dataset GO (Great Outdoors), une ressource d'entraînement multimodale annotée destinée à la robotique de terrain en environnements non structurés. Sa caractéristique principale est la combinaison de six modalités sensorielles complémentaires, dont la caméra thermique et le radar, deux capteurs systématiquement absents des datasets off-road existants. L'ensemble est accompagné d'annotations sémantiques et de traces GPS, ce qui permet de l'exploiter pour l'entraînement à la segmentation sémantique, la détection d'objets et le SLAM (localisation et cartographie simultanées). L'article, référencé arXiv:2501.19274 et en troisième révision, ne précise pas le volume exact de données dans son abstract : la mention "large-scale" reste à vérifier dans le papier complet. Ce dataset comble une lacune réelle dans l'écosystème de la robotique outdoor : la quasi-totalité des benchmarks off-road disponibles, RUGD, RELLIS, YCOR, se limitent aux modalités RGB et LiDAR, qui deviennent inopérantes par brouillard dense, nuit ou fumée. L'ajout du thermique et du radar ouvre la voie à des systèmes de perception capables d'opérer en conditions dégradées, un prérequis pour les applications d'exploration autonome en milieux naturels, la robotique de secours post-catastrophe ou les véhicules tout-terrain militaires et civils. Pour les équipes de recherche et les intégrateurs industriels, disposer de données annotées multi-capteurs dans ces conditions représente un accélérateur concret pour le développement de modèles de perception robustes, sans avoir à monter leurs propres campagnes de collecte coûteuses. L'Unmanned Systems Lab, rattaché à une université américaine (Texas A&M University), est spécialisé depuis plusieurs années dans la robotique de terrain non structurée et la navigation autonome en extérieur. Le secteur compte quelques acteurs positionnés sur des niches proches : en France, aucun équivalent direct n'est recensé sur ce segment précis, bien que des laboratoires comme le LAAS-CNRS travaillent sur la navigation outdoor. Côté datasets concurrents, Boreas (University of Toronto) couvre des conditions hivernales avec radar et LiDAR, et le dataset TartanDrive (CMU) se concentre sur la dynamique off-road, GO se distingue par l'inclusion du thermique comme modalité de premier rang. Le dataset est téléchargeable sur unmannedlab.org ; aucune roadmap ni partenariat industriel annoncé à ce stade.

Recherche❖Paper

1 source

41

4626arXiv cs.RO 

Exploration de la géométrie intrinsèque des modèles de diffusion par cinématique inverse contrainte

Des chercheurs ont publié sur arXiv (2606.26408) une étude empirique sur la capacité des modèles de diffusion à récupérer la géométrie intrinsèque des données sur lesquelles ils sont entraînés, en utilisant la cinématique inverse contrainte comme terrain d'expérimentation contrôlé. L'équipe a entraîné un unique modèle de diffusion conditionnel sur sept familles de contraintes différentes, appliquées successivement au bras UR5 (6-DOF, Universal Robots) et au Franka Emika (7-DOF). Ces familles de contraintes couvrent un spectre allant des branches discrètes de cinématique inverse jusqu'aux variétés de self-motion (les configurations redondantes d'un bras à 7 DOF pour une même position d'effecteur). La principale mesure évaluée est la dimension intrinsèque récupérée à partir de la fonction score du modèle, comparée à la dimension analytique connue de chaque variété de contrainte. L'intérêt de ce travail pour la robotique tient à la rigueur du banc d'essai : contrairement aux études précédentes sur la géométrie des modèles de diffusion, menées sur des images naturelles dont la géométrie réelle est inconnue, la cinématique inverse fournit une vérité terrain analytique exacte. Les résultats montrent que la dimension intrinsèque estimée correspond à la dimension analytique des degrés de liberté de la variété correspondante, sur les deux robots. En outre, l'interpolation linéaire dans l'espace latent produit des solutions qui restent proches de la variété de contrainte, ce qui indique que le modèle ne capture pas seulement la dimensionnalité mais aussi la structure géométrique locale. Pour les équipes travaillant sur des politiques de diffusion (diffusion policies) pour la manipulation contrainte, cela suggère que ces modèles pourraient généraliser à des espaces de configurations complexes sans supervision géométrique explicite. Ce travail s'inscrit dans un mouvement plus large d'analyse théorique des modèles de diffusion appliqués à la robotique, porté notamment par les succès récents de politiques comme pi-0 (Physical Intelligence) ou des approches VLA (Vision-Language-Action). La question de savoir si ces modèles "comprennent" la géométrie des espaces de configuration est centrale pour évaluer leur capacité de généralisation hors distribution. Les concurrents directs de cette ligne de recherche incluent des approches par flow matching ou par représentations Riemanniennes explicites. Les prochaines étapes naturelles seraient d'étendre l'analyse à des contraintes dynamiques ou à des robots à plus haute redondance, et de valider si ces propriétés géométriques persistent sous des architectures de type Transformer diffusion.

Recherche❖Paper

1 source

41

4627arXiv cs.RO 

MPC-Injection : orienter le RL de locomotion hors-politique vers les bassins d'attraction du contrôleur

Des chercheurs ont publié en juin 2026 sur arXiv une méthode baptisée MPC-Injection, conçue pour résoudre un problème récurrent dans l'entraînement par renforcement appliqué à la locomotion robotique : la convergence vers des comportements localement optimaux mais inutilisables en production, comme des membres qui vibrent en place ou un robot qui progresse en se traînant sur son torse. La technique consiste à injecter dans le replay buffer, la mémoire d'expériences utilisée par les algorithmes off-policy, des transitions générées par un contrôleur MPC (Model Predictive Control) résolvant le même problème de décision séquentielle. Le comportement préféré du concepteur est ainsi transféré à la politique apprise, non par une modification de la récompense, mais uniquement par le biais de la distribution des états explorés. Les auteurs valident l'approche sur un marcheur 2D en simulation, puis en transfert sim-to-real sur le quadrupède Go2 de Unitree Robotics, un robot commercialement disponible. L'intérêt principal est la simplicité du surcoût. Là où le reward shaping classique exige jusqu'à vingt et un termes de récompense soigneusement ajustés, MPC-Injection produit des allures qualitativement comparables avec une récompense à un ou deux termes seulement. Contrairement à l'adversarial motion prior (AMP) et aux méthodes d'imitation adversariale, la méthode ne nécessite ni discriminateur, ni retargeting cinématique, ni objectif auxiliaire. C'est un résultat notable : il suggère que la distribution des états du replay buffer est un levier de guidage aussi puissant que la forme de récompense ou l'imitation explicite, ce qui simplifie considérablement le pipeline d'ingénierie pour les équipes qui déploient des robots sur du matériel réel. La méthode s'inscrit dans un effort plus large de la communauté pour réduire le sim-to-real gap sans multiplier les hypothèses sur la dynamique du robot. Le Go2 de Unitree est devenu un banc de test de référence pour ces travaux, utilisé notamment dans des recherches concurrentes sur les VLA (Vision-Language-Action models) et les politiques de locomotion neuronales. Les alternatives directes, reward shaping multi-termes, AMP de Berkeley, méthodes de retargeting par mocap, ont toutes un coût d'implémentation ou de collecte de données plus élevé. MPC-Injection se positionne comme un pont pragmatique entre contrôle classique et apprentissage, particulièrement pertinent pour les équipes disposant déjà d'un contrôleur MPC opérationnel et souhaitant affiner une politique RL sans repartir de zéro sur la définition de récompense.

Recherche❖Paper

1 source

41

4628arXiv cs.RO 

Course d'un quadrupède à roues : atténuation active du transfert de charge par commande prédictive

Des chercheurs de l'UC Berkeley ont publié fin juin 2026 (arXiv:2606.26313) un cadre de contrôle hiérarchique combinant commande prédictive par modèle (MPC) et apprentissage par renforcement (RL) pour piloter en autonome le Unitree Go2-W, un quadrupède à roues équipé de 16 actionneurs. L'objectif : gérer activement le transfert de charge latéral pendant une course sur circuit physique, un régime d'accélération où les robots à pattes perdent typiquement de la stabilité. Le système repose sur trois couches : une génération hors ligne de trajectoire temps-optimal, un planificateur MPC en ligne qui minimise le Lateral Load Transfer Ratio (LTR) en temps réel, et une politique RL bas niveau déployée directement sur les 16 actionneurs du robot. Résultats mesurés sur piste réelle : réduction du LTR moyen de 44 %, amélioration du meilleur tour de 8,7 %, et accélération latérale maximale portée à 1,98 m/s², soit +21,3 % par rapport au contrôleur de référence sans inclinaison active. Ce qui est techniquement notable, c'est l'utilisation des genoux du robot comme suspension active : les actionneurs de jambes génèrent un couple anti-roulis pour que le châssis s'incline dans les virages, à la manière d'une moto. C'est un usage détourné de la morphologie quadrupède qui n'est pas possible sur un AMR classique à roues fixes. La politique RL, entraînée en simulation et déployée directement sur le matériel sans couche intermédiaire, tient le transfert réel, ce qui constitue un exemple concret de sim-to-real fonctionnel sur un système dynamique rapide. Pour les intégrateurs ou chercheurs qui travaillent sur la navigation haute vitesse en environnement non structuré, cette architecture montre qu'on peut extraire des performances supplémentaires d'un châssis existant par du contrôle, sans modifier le hardware. Le Unitree Go2-W est la variante à roues du Go2, le quadrupède à 2 700 USD lancé par Unitree Robotics (Hangzhou) en 2023, devenu plateforme de recherche très répandue dans les labos nord-américains et européens grâce à son prix. Sur le segment wheeled quadruped, il fait face au Spot de Boston Dynamics et au Jueying X20 de Deep Robotics, mais reste la référence académique en termes de volume de publications. L'équipe de Berkeley publie le code et la vidéo sur GitHub ; il n'y a pas d'annonce de commercialisation ni de partenariat industriel associé à ce travail, qui reste pour l'instant de la recherche fondamentale orientée course autonome. Les prochaines étapes naturelles seraient l'extension à des surfaces variables et des vitesses plus élevées, ou l'adaptation du framework MPC+RL à des plateformes à charge utile plus importante.

Recherche❖Paper

1 source

40

4629arXiv cs.RO 

RelAfford6D : graphes d'affordance 6D relationnels pour la manipulation robotique guidée par contraintes

Des chercheurs ont déposé en juin 2026 sur arXiv (référence 2606.27036) RelAfford6D, un framework sans entraînement pour la manipulation robotique d'objets articulés. Le système s'appuie sur un graphe d'affordances 6D relationnel : à partir d'une consigne en langage naturel, il déduit une topologie sémantique reliant la partie principale d'interaction d'un objet à son ancre physique. Ces noeuds topologiques sont ensuite convertis en poses métriques précises dans l'espace SE(3), soit six degrés de liberté complets en position et orientation, via des modèles de vision fondamentaux pré-entraînés. L'exécution est formulée comme un problème de satisfaction de contraintes cinématiques : le robot génère des trajectoires continues en suivant des variétés physiques strictement définies, qu'il s'agisse d'orbites rotoïdes (rotation) ou prismatiques (translation). Un mécanisme de suivi en boucle fermée assure la replanification en temps réel face aux perturbations. L'approche tranche avec la majorité des politiques data-driven actuelles, comme les VLA basés sur l'imitation ou les méthodes à affordances latentes, qui extraient des points de contact isolés sans contraintes cinématiques explicites. En formulant la manipulation comme satisfaction de contraintes, RelAfford6D obtient des taux de succès zero-shot supérieurs aux baselines data-driven testées, avec une généralisation inter-catégories documentée sur des objets articulés variés (tiroirs, portes, manettes) aussi bien en simulation que dans des environnements physiques réels. Pour les intégrateurs industriels, l'absence d'entraînement spécifique à la tâche est significative : le framework peut s'adapter à de nouveaux mécanismes sans collecter de données de démonstration supplémentaires. La manipulation d'objets articulés en open-world reste l'un des verrous majeurs de la robotique de service et industrielle. Les approches récentes à base de VLA ont progressé sur la flexibilité sémantique mais peinent à garantir la précision géométrique requise pour des mécanismes contraints comme des vannes, portes ou tiroirs industriels. RelAfford6D s'inscrit dans une tendance émergente combinant fondations visuelles pré-entraînées et raisonnement géométrique analytique, sans fine-tuning coûteux. Parmi les travaux concurrents figurent CabiNet, les méthodes à affordance implicite comme GNFactor ou F3RM, et les approches VLA récentes telles que Pi-0. Ce preprint constitue une démonstration académique validée sur banc réel, sans partenariat industriel ni timeline de déploiement annoncé à ce stade.

Recherche❖Paper

1 source

40

4630arXiv cs.RO 

PAMAE : mélange d'experts d'action sensible aux phases pour des politiques VLA fiables par flow matching

Des chercheurs ont publié le 27 juin 2026 sur arXiv (2606.27144) un module baptisé PAMAE (Phase-Aware Mixture-of-Experts Action Experts), conçu pour améliorer la fiabilité des politiques d'action dans les modèles Vision-Language-Action (VLA) appliqués à la manipulation robotique multi-étapes. Le principe est simple : remplacer l'expert d'action unique partagé des architectures VLA à flow-matching par un mélange sparse d'experts spécialisés, sans toucher au backbone VLA pré-entraîné. Un routeur "phase-aware" oriente dynamiquement la génération d'actions vers l'expert approprié selon la phase d'exécution en cours, grâce à une tête de prédiction de phase légère et un objectif d'alignement de routage. L'entraînement se déroule en deux temps : d'abord un échauffement standard sous la loss de flow-matching, puis une optimisation du routage phase-cohérent sous supervision auxiliaire. Sur des benchmarks de simulation de manipulation multi-étapes, PAMAE affiche jusqu'à 9,2 % de gain en taux de succès par rapport à des baselines VLA solides. Ce résultat est notable parce qu'il s'attaque à un goulot d'étranglement concret des VLA à flow-matching : la tendance à lisser les comportements de contrôle à travers toutes les phases d'exécution avec un seul expert, ce qui nuit aux transitions critiques (saisie, repositionnement, insertion). L'approche "plug-and-play" est stratégiquement importante pour les intégrateurs -- elle évite le coût d'un réentraînement complet du backbone et reste compatible avec des fondations VLA existantes comme Pi-0 ou OpenVLA. Le gain de 9,2 % en simulation est mesuré sur des tâches multi-étapes, là où les architectures à expert unique échouent le plus souvent, ce qui rend la comparaison pertinente. Cela dit, la validation reste exclusivement en simulation, et le transfert sim-to-real n'est pas encore démontré : le "reality gap" demeure le vrai test pour ce type d'amélioration. Les VLA à flow-matching sont apparus comme une alternative aux politiques de diffusion classiques (Diffusion Policy, ACT) en combinant ancrage multimodal fort et généralisation, notamment via des modèles comme Pi-0 de Physical Intelligence ou les travaux de OpenVLA. L'idée des Mixture-of-Experts (MoE) pour les politiques de robot n'est pas nouvelle -- elle est empruntée au monde des LLMs (Mixtral, Switch Transformer) -- mais son application phase-conditioned dans un pipeline VLA end-to-end constitue une contribution originale. Côté concurrents, des approches comme HiRT, RoboVLMs ou les travaux de DeepMind sur RT-2 et ses successeurs explorent des trajectoires similaires pour améliorer la robustesse sur les tâches longues. La prochaine étape naturelle pour PAMAE serait une évaluation sur robot réel (plateforme Franka, UR5 ou bras humanoïde) et une comparaison directe avec des politiques récentes comme Pi-0.5 ou GR00T N2 de NVIDIA, dont les résultats terrain commencent à circuler.

Recherche❧Opinion

1 source

38

4631arXiv cs.RO 

Estimateur de pose inter-robot à 4 DoF en forme fermée par mesures angulaires seules

Des chercheurs ont publié sur arXiv (identifiant 2606.26616) un estimateur analytique de pose inter-robot à 4 degrés de liberté (4-DOF) reposant exclusivement sur des mesures de relèvement (bearing-only), sans infrastructure externe ni GPS. La méthode fusionne l'angle d'observation entre robots pairs et les données d'odométrie embarquée pour estimer les positions relatives en temps réel. Contrairement aux approches 6-DOF existantes, l'estimateur résout le problème en forme fermée, supprimant toute optimisation itérative coûteuse en calcul. L'article identifie deux configurations critiques pour l'observabilité du système : les formations colinéaires (robots alignés sur un même axe) et les formations à forme préservée (déplacement en bloc rigide). Pour y répondre, un module de test d'observabilité autonome détermine dynamiquement l'instant optimal d'estimation, remplaçant la fenêtre glissante de longueur fixe utilisée classiquement. Ce travail intéresse directement les équipes déployant des flottes d'AMR, des essaims de drones et tout système multi-robot opérant en milieu GNSS-dégradé (entrepôts, souterrains, zones urbaines denses). La solution analytique réduit significativement le coût de calcul, la rendant déployable sur des plateformes embarquées à ressources limitées. Le choix du 4-DOF plutôt que 6 est délibéré : dans la plupart des contextes industriels au sol, les deux degrés résiduels sont mécaniquement contraints, et relâcher ces contraintes améliore la robustesse sans perte pratique de précision. Simulations et expériences réelles confirment que la méthode surpasse les approches concurrentes en précision tout en réduisant l'intervalle de collecte de données nécessaire à l'estimation. La localisation coopérative sans infrastructure est un axe de recherche actif depuis une décennie, porté par les limites du SLAM centralisé et l'essor des flottes autonomes. Les approches bearing-only précédentes souffraient systématiquement de la dégénérescence d'observabilité sous certains schémas de mouvement, rendant les estimations instables dans des configurations pourtant courantes. L'approche 4-DOF proposée réduit les exigences d'excitation du mouvement nécessaires à l'observabilité, élargissant ainsi l'enveloppe opérationnelle effective. À noter : les auteurs ne mentionnent ni partenaire industriel ni déploiement commercial, il s'agit d'une contribution académique préprint, pas d'un produit livré. Les extensions naturelles incluent le passage au 6-DOF complet pour les robots aériens, et l'intégration dans des middlewares standards comme ROS 2.

Recherche❖Paper

1 source

38

4632arXiv cs.RO 

Suivi de l'essor de l'IHR sociale-physique (spHRI) : revue systématique augmentée par de petits modèles de langage

Des chercheurs ont publié sur arXiv (2606.26382) une étude méthodologique sur l'utilisation de petits modèles de langage (SLMs, moins de 1,5 milliard de paramètres) pour accélérer les revues systématiques dans le domaine de l'interaction humain-robot sociale et physique (spHRI). L'équipe a évalué la capacité de ces modèles à effectuer le tri préliminaire de titres et de résumés dans le cadre d'une large revue de littérature spHRI. Aucun SLM testé individuellement n'a atteint le niveau de performance des relecteurs humains. En revanche, un ensemble de SLMs combinés a identifié 39 articles que les experts avaient manqués, soit 10,29 % du corpus final de documents pertinents. Ces modèles ont effectué le tri à une vitesse plusieurs ordres de grandeur supérieure à celle des relecteurs humains, en fonctionnant intégralement en local sur les machines des chercheurs. Le résultat clé est que les SLMs peuvent augmenter le travail des experts sans les remplacer. Dans un domaine comme la spHRI, qui recupe la robotique, l'interaction humain-ordinateur et l'haptique, la terminologie est fragmentée et les méthodologies inconsistantes, ce qui rend toute synthèse systématique difficile. Utiliser un ensemble de SLMs comme filet de sécurité permet de récupérer environ 10 % des articles pertinents qu'une révision humaine seule aurait manqués. Le déploiement local de ces modèles, contrairement aux APIs cloud, préserve la confidentialité des données de recherche, élimine les coûts d'inférence et rend les revues systématiques à grande échelle accessibles pour des équipes académiques aux ressources limitées. Cette étude s'inscrit dans une tendance plus large d'utilisation des LLMs pour accélérer la recherche scientifique, notamment pour le screening bibliographique, tâche chronophage et répétitive. Le choix délibéré de modèles inférieurs à 1,5B paramètres contraste avec le recours à des APIs comme GPT-4 ou Claude, qui offrent de meilleures performances individuelles mais imposent coûts et dépendances cloud. Les résultats valident un pipeline hybride humain + SLM local: les modèles effectuent un premier tri rapide, les experts valident. Pour les laboratoires gérant des revues de plusieurs milliers de papiers, ce type de pipeline pourrait réduire significativement la charge de travail sans sacrifier la rigueur méthodologique, et ouvrir la voie à des revues systématiques continues plutôt qu'épisodiques.

Recherche❖Paper

1 source

38

4633arXiv cs.RO 

VibeAct : la vibration comme signal pour la dextérité réactive des robots en contact

Des chercheurs ont présenté VibeAct, un cadre de manipulation dextère publié sur arXiv en juin 2026, qui intègre des microphones piézoélectriques miniatures dans les doigts d'une main robotique pour détecter les événements de contact et de glissement. La méthode repose sur trois étapes : collecter des données vibro-acoustiques par téléopération, rejouer ces enregistrements dans un jumeau numérique calibré pour étiqueter automatiquement le contact et l'amplitude de glissement par doigt, puis entraîner un estimateur tactile sur les signaux microphone réels. En parallèle, les politiques de manipulation sont entraînées en simulation sur cette même représentation abstraite, et non sur l'audio brut. Le système a été évalué sur cinq tâches riches en contact : re-saisie, réorientation en main et insertion. L'enjeu central est le fossé simulation-réalité qui frappe la manipulation dextère : les événements de contact sont rapides, locaux et souvent masqués visuellement, ce qui rend leur simulation acoustique fidèle quasiment impossible. En découplant l'estimateur tactile, entraîné sur des données réelles, de la politique de contrôle, entraînée en simulation sur la représentation abstraite, le cadre contourne ce verrou sans avoir à modéliser l'audio. Le canal de glissement continu s'avère l'observation la plus informative pour le contrôle réactif soutenu. Sur les cinq tâches, VibeAct surpasse une baseline proprioception et nuage de points, avec les gains les plus nets sur les tâches nécessitant un ajustement continu de la prise. Les politiques apprises se transfèrent à une plateforme physique bras-main dextère, avec une amélioration mesurable des taux de succès. Ce travail s'inscrit dans une compétition dense entre modalités tactiles. Les capteurs à base de caméra comme GelSight ou DIGIT, développé par Meta, offrent une richesse spatiale supérieure mais restent encombrants et coûteux ; les microphones piézoélectriques sont compacts, bon marché et à haute bande passante, mais leur signal est difficile à simuler, d'où l'intérêt du découplage proposé. D'autres travaux exploitent la randomisation de domaine ou des simulations acoustiques approximatives pour tenter de franchir ce seuil. Aucun partenaire industriel ni déploiement commercial n'est annoncé : il s'agit à ce stade de recherche académique. Les prochaines étapes naturelles concernent la généralisation à des objets hors distribution et l'extension à des mains avec davantage de degrés de liberté.

Recherche❖Paper

1 source

38

4634arXiv cs.RO 

OmniContact : enchaînement de méta-compétences par flux de contact pour la loco-manipulation humanoïde généralisable

Des chercheurs ont publié le 26 juin 2026 sur arXiv (réf. 2606.26201) un framework hiérarchique baptisé OmniContact, conçu pour enchaîner des séquences complexes de locomotion et manipulation sur des humanoïdes. Le coeur du système est une représentation intermédiaire appelée "contact flow" (CF): trajectoires corporelles clés et signaux binaires de contact en série temporelle. Deux modules s'appuient dessus, CF-Track (politique bas-niveau, bibliothèque de compétences unifiée) et CF-Gen (planificateur haut-niveau heuristique qui synthétise les séquences futures). En simulation, les résultats annoncés atteignent 98,7% de succès sur la tâche "Carry Box" et 76,5% sur "Push-Stack Boxes", soit respectivement +40,9% et +66,5% face aux baselines sur l'exécution de méta-compétences et leur enchaînement. Le dataset OmniContact, constitué via capture de mouvement (MoCap) d'interactions humain-objet, supporte l'entraînement. Le vrai défi des humanoïdes industriels n'est pas l'exécution d'un geste unitaire mais l'enchaînement robuste de séquences longues avec récupération autonome en cas de défaillance, ce verrou précis que OmniContact cible. Le système propose une interface structurée lisible par le planificateur haut-niveau, une voie médiane entre représentations explicites trop rigides pour la planification et embeddings implicites trop opaques pour la composition fiable. L'intégration avec des VLMs (Vision-Language Models) permettrait des instructions en langage naturel converties en séquences de contact flows, comme l'illustre la démonstration d'arrangement de boîtes en forme de coeur. Nuance importante: toutes les métriques publiées sont issues de conditions contrôlées en laboratoire, sans validation sur hardware physique ni déploiement industriel réel, ce qui laisse entier le problème du sim-to-real. La loco-manipulation longue horizon est devenu le benchmark officieux du secteur humanoïde en 2025-2026. Figure AI (Figure 03), Tesla (Optimus Gen 3), Physical Intelligence (pi0) et Boston Dynamics s'affrontent sur des tâches de plus en plus généralisables, tandis que NVIDIA pousse GR00T N2 comme couche de policy universelle. OmniContact vient du monde académique, sans entreprise identifiée derrière ce preprint, mais son approche par contact flow s'inscrit dans la tendance des représentations intermédiaires structurées, en parallèle des architectures VLA à diffusion. La collecte MoCap dédiée aux interactions humain-objet sur humanoïdes confirme que les données de référence restent un goulot d'étranglement même quand la simulation abonde. La prochaine étape déterminante sera le transfert sur un humanoïde physique, condition sine qua non pour que ce framework passe du laboratoire au hangar.

Recherche❖Paper

1 source

38

4635arXiv cs.RO 

RMTL : apprentissage par renforcement sur micro-tâches pour la manipulation à long terme avec récompenses VLM

Une équipe de chercheurs a publié en juin 2026, via arXiv (identifiant 2606.26175), une méthode baptisée RMTL (Reinforced Micro-Task Learning) visant à résoudre un problème central de l'apprentissage par renforcement appliqué à la manipulation robotique : la conception du signal de récompense. Plutôt que de s'appuyer sur une fonction de récompense dense codée manuellement (coûteuse à calibrer et souvent fragile) ou sur des démonstrations humaines, RMTL exploite des modèles vision-langage (VLM) préentraînés comme signaux de récompense zero-shot. La nouveauté réside dans la décomposition de la tâche globale en un petit ensemble de micro-tâches décrites en langage naturel, chacune associée à un prompt dédié. À chaque étape, l'agent reçoit une récompense calculée par le VLM selon la micro-tâche active, moyennée sur plusieurs angles de caméra pour atténuer les effets d'occlusion. Un curriculum inverse expose progressivement l'agent à des conditions initiales plus difficiles, tandis qu'un gestionnaire hiérarchique appris remplace une règle de sélection de phase basée sur la distance. Les expériences ont été menées sur l'environnement Fetch, benchmark standard de la manipulation en simulation, avec seulement trois prompts courts sans ajustement supplémentaire. L'apport principal est l'amélioration significative du signal d'apprentissage par rapport à une approche VLM à prompt unique. Un prompt global produit un signal de récompense quasi-plat en début de trajectoire : l'agent ne détecte pas ses progrès précoces, ce qui ralentit drastiquement la convergence sur des tâches à long horizon. RMTL répond à ce problème structurel en rendant chaque micro-tâche localement observable. Pour les équipes cherchant à réduire leur dépendance aux démonstrations humaines ou à l'ingénierie manuelle des récompenses, cela représente une piste sérieuse pour rendre le RL guidé par le langage plus scalable sans coût d'annotation supplémentaire. Ce travail s'inscrit dans une vague active de recherches utilisant les VLMs comme substituts de fonctions de récompense, dont EUREKA de NVIDIA ou les approches SayCan de Google DeepMind. Contrairement à certaines de ces méthodes qui nécessitent un fine-tuning ou des démonstrations vidéo, RMTL mise sur une décomposition minimale en trois phases sans recalibrage des prompts. L'évaluation reste cependant confinée à la simulation sur robot Fetch, et aucun résultat sur plateforme physique n'est rapporté. La prochaine étape critique sera de valider si cette approche tient face au gap sim-to-real, notamment sur des manipulateurs physiques avec variabilité sensorielle réelle.

Recherche⚡Actu

1 source

38

4636arXiv cs.RO 

L'effondrement neuronal ordinal comme a priori de représentation pour la navigation visuelle

Une équipe de recherche a publié en juin 2026 sur arXiv (2606.26839) ORION, une méthode d'apprentissage de politiques de navigation visuelle pour robots mobiles. Le problème de départ est celui de l'imitation learning de bout en bout : lorsqu'on entraîne conjointement un encodeur visuel et un décodeur d'actions via une unique loss d'action, le signal de supervision reste indirect pour l'encodeur. Résultat : l'encodeur apprend des représentations dites "action-agnostic", insensibles aux distinctions qui comptent pour la navigation. Dans les environnements réels, avec leurs distracteurs visuels et la variabilité des scènes, ces représentations ambiguës se traduisent par des actions incohérentes aux carrefours et aux intersections complexes, générant des échecs de navigation. ORION impose explicitement une structure ordinale à l'espace de représentation de l'encodeur : les catégories de commandes ego-centriques (de "Far Left" à "Far Right") forment une séquence naturelle où les classes voisines partagent des contextes visuels similaires. L'encodeur est contraint d'organiser ces classes le long d'un axe discriminant unique, en supprimant la variance hors-axe au sein de chaque classe. Cet encodeur pré-entraîné est ensuite intégré dans un framework de navigation basé sur la diffusion, puis affiné end-to-end. Les expériences, conduites en simulation et en conditions réelles, montrent que ORION surpasse les baselines end-to-end et neural collapse classiques sur le taux de succès de navigation et la progression vers l'objectif, avec des gains particulièrement marqués aux intersections multi-voies. L'intérêt de cette approche réside dans sa réponse à un problème structurel des VLA (Vision-Language-Action models) et plus généralement de l'imitation learning visuelle : la supervision indirecte de l'encodeur. En robotique mobile autonome, notamment pour les AGV et AMR déployés en entrepôt ou en milieu urbain, les représentations "action-agnostic" sont un vecteur d'échec documenté et coûteux en production. L'idée d'exploiter la structure ordinale naturelle des commandes directionnelles pour contraindre l'espace latent est élégante et transférable : elle n'exige pas de données supplémentaires, mais réorganise le signal de supervision existant. La démonstration de gains concrets sur des intersections complexes est particulièrement pertinente pour les intégrateurs de robots de livraison ou de surveillance en environnements non structurés. Cela confirme une hypothèse émergente dans le secteur : la qualité de la représentation visuelle, et non la puissance brute du décodeur, est souvent le goulet d'étranglement dans le passage du labo au terrain. Le concept de "neural collapse" est emprunté à la littérature sur la classification supervisée, où il décrit la convergence des représentations de dernière couche vers des structures géométriques idéales en fin d'entraînement. ORION étend ce cadre à la navigation en y ajoutant la dimension ordinale, ce qui le distingue des travaux précédents qui appliquaient neural collapse sans tenir compte de la relation sémantique entre classes de commandes. Dans l'écosystème des frameworks de navigation diffusion-based, on retrouve des travaux proches comme NoMaD ou GNFactor, ainsi que des approches VLA comme pi-0 de Physical Intelligence. Les auteurs n'annoncent pas de déploiement commercial ni de partenariat industriel identifiable dans ce preprint ; les prochaines étapes naturelles seraient une validation à plus grande échelle sur des plateformes comme Clearpath ou Boston Dynamics Spot, et une extension aux politiques multimodales intégrant des instructions en langage naturel.

Recherche❧Opinion

1 source

38

4637arXiv cs.RO 

PressMimic : capture et contrôle de mouvement guidés par pression pour l'imitation par robot humanoïde

Des chercheurs ont publié le 26 juin 2026 sur arXiv (2606.26741) un framework baptisé PressMimic, conçu pour améliorer l'imitation de mouvements humains par les robots humanoïdes en intégrant la pression plantaire comme modalité de perception et de contrôle. Le pipeline combine trois briques : FRAPPE++, un modèle multimodal fusionnant RGB et données de pression pour estimer la pose 3D et la trajectoire globale d'un humain ; une politique d'apprentissage par renforcement supervisée par pression (PSP, Pressure-Supervised Policy) pour la reproduction sur le robot ; et MotionPRO, un jeu de données à grande échelle avec captures RGB, pression et motion capture synchronisées. Les résultats expérimentaux montrent des gains sur l'estimation de mouvement, la cohérence de trajectoire et la stabilité d'exécution, sans que les chiffres précis ne soient détaillés dans l'abstract, ils figurent dans l'article complet. Ce travail s'attaque à un problème concret et bien documenté en robotique humanoïde : les pipelines actuels reposant uniquement sur la vision produisent des artefacts physiquement incohérents, glissement des pieds, pénétration du sol, comportements instables à l'appui. En introduisant la pression comme signal d'ancrage physique (physical grounding), PressMimic impose des contraintes de contact explicites à la fois en perception et en contrôle, ce qui réduit l'ambiguïté inhérente à la seule estimation visuelle. Pour les équipes travaillant sur le sim-to-real et sur les politiques de locomotion, c'est un argument en faveur d'architectures multimodales intégrant des capteurs de force ou de pression dès la capture de données, pas seulement à l'exécution. L'imitation de mouvement humanoïde est un champ très actif : Boston Dynamics, Figure AI, Agility Robotics et des laboratoires académiques comme Stanford et CMU explorent des approches VLA (Vision-Language-Action) et RL pour la manipulation et la locomotion. PressMimic se distingue en ciblant explicitement la cohérence des contacts plutôt que la précision gestuelle seule, un angle complémentaire aux travaux sur les politiques diffuses (Pi-0 de Physical Intelligence) ou les politiques génératives. Il reste à ce stade une contribution de recherche académique sans déploiement industriel annoncé ; la publication du dataset MotionPRO pourrait néanmoins accélérer la reproductibilité et l'adoption par d'autres équipes.

Humanoïdes❖Paper

1 source

36

4638arXiv cs.RO 

IDEA : robustesse aux écarts de dynamique par alignement des effets pour le transfert sim-vers-réel multi-agents

Une équipe de recherche a publié en juin 2026 sur arXiv (réf. 2606.26575) un article présentant IDEA, acronyme de "Insensitive to Dynamics mismatch via Effect Alignment", une méthode de transfert simulation-vers-réel pour les systèmes de contrôle multi-agents. Le problème ciblé est le "dynamics mismatch" : l'écart entre les paramètres physiques simulés et la réalité dégrade sévèrement les politiques apprises dès lors qu'elles opèrent à bas niveau (couples moteurs, vitesses d'actionneurs), où de légères erreurs de modélisation s'amplifient et rendent le système fragile en déploiement. IDEA combine trois éléments : randomisation de la structure environnementale, actions sémantiques discrètes plutôt que commandes à bas niveau, et contrôle en boucle fermée, ce qui élève la politique à un niveau d'abstraction moins sensible aux écarts physiques. Un mécanisme de synchronisation des actions gère en plus les décalages temporels entre agents. Les expériences portent sur quatre tâches de navigation multi-agents et montrent une meilleure efficacité d'entraînement et des taux de succès plus élevés en conditions réelles par rapport aux méthodes de transfert standard. Pour les intégrateurs travaillant sur des flottes d'AMR ou de systèmes robotiques coopératifs, le sim-to-real gap reste le principal obstacle entre prototype convaincant et déploiement fiable. Les approches classiques exigent une identification précise du système (masses, frictions, délais d'actionneurs), opération coûteuse et souvent inexacte sur des flottes hétérogènes. En travaillant au niveau sémantique, IDEA réduit cette dépendance. Le mécanisme de synchronisation inter-agents répond à un problème concret : les latences réseau asymétriques entre robots désynchronisent les décisions et génèrent des comportements instables. Ces résultats restent toutefois circonscrits à des tâches de navigation en laboratoire ; aucune donnée sur la manipulation ou des environnements industriels réels n'est présentée, ce qui relativise la portée des conclusions. Le transfert sim-to-real est un chantier de recherche actif depuis l'application du deep reinforcement learning à la robotique (2017-2018). Les approches dominantes incluent la domain randomization (OpenAI Dactyl), les modèles de monde (DreamerV3) et le contrôle hiérarchique. IDEA s'inscrit dans ce courant mais déplace le levier vers l'abstraction sémantique, une tendance que partagent les architectures VLA récentes comme Pi-0 d'Intrinsic ou GR00T N2 de NVIDIA, bien que celles-ci ciblent principalement la manipulation mono-bras. Aucune affiliation institutionnelle ni partenariat industriel ne figurent dans le préprint, et aucun déploiement au-delà des expériences de laboratoire n'est annoncé. La validation sur des tâches de manipulation et des environnements non contrôlés constitue l'étape logique suivante.

Recherche❖Paper

1 source

36

4639arXiv cs.RO 

Évaluation en temps réel de la sécurité des opérations du bras humain via un IMU au poignet avec système PSM

Des chercheurs publient sur arXiv (2502.09241) un système de surveillance de sécurité en temps réel pour environnements de fabrication collaboratifs homme-robot, basé sur une unité de mesure inertielle (IMU) portée au poignet et couplée à un modèle de sécurité prédictif (PSM, Predictive Safety Model). Le coeur du dispositif repose sur un modèle masse-ressort-amortisseur adapté aux mouvements du poignet, qui effectue une évaluation probabiliste du risque par calcul d'impédance mécanique. L'approche a été validée expérimentalement sur trois tâches manufacturières représentatives : manipulation d'outils, inspection visuelle et opérations de pick-and-place. Les auteurs démontrent la tenue en temps réel du système grâce à une sélection optimisée des paramètres, sans préciser les fréquences d'échantillonnage ni les latences mesurées dans le preprint. La pertinence industrielle tient à un problème structurel des cobots : comment évaluer dynamiquement le risque d'un opérateur sans interrompre le cycle productif. Les méthodes classiques de surveillance reposent soit sur des capteurs de force intégrés au robot (coûteux, limités à la zone d'interaction directe), soit sur des systèmes de vision 3D (sensibles aux occlusions, gourmands en calcul). Un IMU porté au poignet offre une alternative légère et portable, indépendante de l'infrastructure fixe. L'analyse en domaine fréquentiel pour établir des seuils quantitatifs de sécurité constitue une contribution méthodologique, mais elle reste à confronter aux exigences normatives ISO/TS 15066 qui régissent la vitesse et la puissance des robots collaboratifs en Europe et en Amérique du Nord. Le PSM dont s'inspire ce travail appartient à une lignée de modèles prédictifs développés en robotique collaborative, parallèlement aux travaux du DLR sur l'évaluation de risque biomécanique et aux implémentations commerciales comme SafeMove (ABB) ou les fonctions Speed&Separation Monitoring. Aucune entreprise partenaire ni timeline de déploiement n'est mentionnée dans le preprint : il s'agit d'une contribution académique en phase de validation expérimentale, sans prototype industriel annoncé. Les suites évoquées concernent l'évaluation adaptative du risque en temps réel, ce qui suggère une poursuite en laboratoire avant toute perspective de déploiement terrain.

Recherche❖Paper

1 source

35

4640arXiv cs.RO 

Commande en boucle fermée de bras continus en spirale logarithmique par compensation du Jacobien, adaptée à la morphologie

Des chercheurs ont publié en juin 2026 sur arXiv (arXiv:2606.26188) le premier cadre de contrôle en boucle fermée spécifique à la morphologie pour bras continus à spirale logarithmique. Ces manipulateurs souples, à actionnement tendineux segmenté, s'appuient sur un squelette central avec routage équilatéral des tendons et ont été modélisés dans le simulateur MuJoCo pour capturer la compliance conique et les dynamiques de contact. La contribution centrale est la dérivation d'un Jacobien analytique en espace des tâches, directement extrait de la cinématique spirale, couplé à une compensation d'erreur Jacobienne en ligne combinant une mise à jour sécante de Broyden et un filtre de Kalman. Le contrôleur est validé en simulation planaire et spatiale sur des tâches de suivi de trajectoire, de régulation d'attitude, de rejet de perturbations, de suivi de position 3D et de contrôle simultané position-orientation. Par rapport à la baseline piecewise-constant-curvature (PCC), la méthode réduit systématiquement les erreurs de suivi, supprime la dérive d'attitude et maintient une erreur d'estimation Jacobienne bornée. L'apport principal est de combler un vide critique : les robots à spirale logarithmique précédemment décrits disposaient d'une fabrication scalable et d'une préhension polyvalente, mais n'avaient ni cinématique inverse ni contrôle en boucle fermée, ce qui les cantonnait à des démonstrations en boucle ouverte. La combinaison Broyden-Kalman permet de corriger en continu les erreurs de modélisation dues aux déformations non linéaires, aux contacts et aux désaccords géométriques, problèmes structurels des robots souples sous-actionnés. Il faut cependant noter que la validation reste entièrement simulée : aucun prototype physique n'est rapporté, ce qui laisse entier le défi du sim-to-real, particulièrement sensible sur des structures souples à compliance variable. La spirale logarithmique est une morphologie omniprésente dans le vivant (vrilles, tentacules, coquilles) et explorée depuis plusieurs années en robotique des continuum comme alternative aux bras rigides pour opérer en espaces confinés ou autour d'objets fragiles. Les travaux antérieurs avaient démontré la fabricabilité de ces structures mais butaient sur le contrôle précis. Dans le paysage des robots continus, les concurrents directs incluent les approches à modèle PCC classique (largement étudié depuis les années 2000) et les bras pneumatiques de type Festo ou les structures hydrogel. En Europe, Pollen Robotics (France) travaille sur des architectures souples bien qu'avec une philosophie différente. La suite logique annoncée par les auteurs est l'implémentation sur hardware réel et l'intégration de méthodes d'apprentissage pour augmenter le contrôle analytique.

Recherche❖Paper

1 source

34

4641arXiv cs.RO 

LiMoDE : repenser la manipulation robotique continue par une approche mélange d'experts dynamiques

Une équipe de chercheurs a présenté LiMoDE (Lifelong Mixture of Dynamic Experts), une architecture destinée à permettre à un robot de maîtriser de nouvelles tâches de manipulation sans effacer les compétences précédemment acquises. Publiée en préprint sur arXiv (réf. 2606.26183), la méthode repose sur un schéma d'apprentissage en deux étapes. Dans un premier temps, un pré-entraînement multi-tâches construit une structure MoE (Mixture of Experts) dynamique : un nombre variable d'experts hétérogènes est activé sélectivement en fonction des informations de mouvement, chaque expert spécialisant une forme de manipulation à court terme. Dans un second temps, le mécanisme LiMoEAM (Lifelong MoE Adaptation Mechanism) ajoute de nouveaux experts "lifelong" qui se combinent dynamiquement avec les experts figés issus du pré-entraînement, transférant les connaissances acquises vers les nouvelles tâches. Le système a été évalué sur un benchmark de lifelong learning simulé ainsi que sur des tâches réelles, avec un surcoût décrit comme modéré en paramètres entraînables et en overhead d'inférence. L'intérêt de LiMoDE réside dans sa réponse au problème de l'oubli catastrophique, verrou persistant du déploiement de robots généralistes en environnement industriel réel. Là où les approches par fine-tuning efficace en paramètres (PEFT, LoRA) permettaient l'adaptation à une tâche unique mais dégradaient les performances précédentes, LiMoDE isole les compétences réutilisables dans des experts distincts et en préserve les poids lors de l'adaptation. Pour un intégrateur ou un COO industriel, cela signifie théoriquement qu'un robot pourrait acquérir de nouvelles opérations de saisie ou d'assemblage sans réentraînement complet de la flotte, réduisant les fenêtres d'indisponibilité. Le fait que la méthode n'ajoute qu'un nombre "modéré" de paramètres reste à quantifier précisément dans des configurations à grande échelle. Le problème du lifelong learning robotique est traité depuis plusieurs années dans la communauté du continual learning, notamment via des approches EWC (Elastic Weight Consolidation) ou des replay buffers. Les travaux récents sur les VLA (Vision-Language-Action models) comme Pi-0 de Physical Intelligence, GR00T N2 de NVIDIA ou les politiques diffuses de Figure AI ont montré que des modèles pré-entraînés à large échelle s'adaptent rapidement à de nouveaux scénarios, mais peinent à maintenir les performances sur l'ensemble des tâches antérieures sans retraining. LiMoDE se positionne comme une solution architecturale intermédiaire entre le fine-tuning monolithique et le modèle généraliste à réentraînement systématique. Il s'agit à ce stade d'un article de recherche académique sans annonce de déploiement commercial ni partenariat industriel identifié.

Recherche❖Paper

1 source

33

4642arXiv cs.RO 

KRVF : représentation du monde en voxels sémantiques sensible à la source pour la manipulation mobile embarquée

Des chercheurs ont déposé sur arXiv (identifiant 2606.26321) un rapport technique décrivant KRVF, un système de représentation sémantique du monde en voxels conçu pour les manipulateurs mobiles soumis à des contraintes de calcul embarqué. L'architecture attribue à chaque voxel cinq propriétés: occupation de l'espace, couleur, évidence sémantique, fraicheur temporelle de la donnée et source d'origine de la mesure. Ce dernier attribut, la "conscience de la source", est le trait distinctif du système: il trace l'origine de chaque information, qu'elle provienne d'un capteur direct, d'une hypothèse a priori ou d'une inférence. L'implémentation repose sur ROS 2 et traite des flux RGB-D en temps réel pour construire une mémoire du robot orientée tâche, centrée sur la localisation des objets saisissables et des candidats à la préhension. L'acronyme KRVF n'est pas développé dans l'abstract disponible. L'enjeu technique central est la robustesse aux défaillances des capteurs de profondeur, problème récurrent en déploiement réel (occlusions, surfaces spéculaires, zones hors portée). Les pipelines de reconstruction classiques, optimisés pour la fidélité géométrique globale, corrompent silencieusement leur modèle persistant quand les mesures de profondeur sont absentes ou erronées. KRVF répond en séparant explicitement l'occupation mesurée des hypothèses sémantiques a priori: le robot peut raisonner sur un objet probable sans altérer la géométrie de référence. La carte existante sert également à générer une profondeur synthétique pour combler les lacunes capteur, fermant une boucle de rétroaction entre cartographie et perception. Ces choix ciblent directement les déploiements sans infrastructure cloud: la cognition spatiale s'exécute entièrement à bord du robot, sans latence réseau. Ce travail s'inscrit dans une dynamique de recherche active sur la représentation du monde pour robots mobiles, aux côtés de systèmes comme ConceptFusion ou LERF qui explorent des cartes neuronales 3D interrogeables en langage naturel. Sur le marché des manipulateurs mobiles, des acteurs comme Boston Dynamics (Spot ARM), Hello Robot (Stretch) ou des startups comme Agility Robotics et 1X Technologies cherchent précisément ce type de module de perception embarqué à faible empreinte de calcul. KRVF reste un préprint non évalué par les pairs, sans benchmark comparatif public ni annonce de mise à disposition du code: c'est une contribution architecturale cohérente, mais dont la portée industrielle dépendra d'une validation expérimentale sur des plateformes réelles et dans des scénarios adversariaux.

Recherche❖Paper

1 source

33

4643arXiv cs.RO 

Humanoid-DART : loco-manipulation humanoïde par augmentation guidée par diffusion, ré-étiquetage et suivi

Une équipe de chercheurs a publié en juin 2026 sur arXiv (réf. 2606.26855) un cadre d'apprentissage baptisé Humanoid-DART, conçu pour entraîner des robots humanoïdes à des tâches combinant locomotion et manipulation d'objets (la loco-manipulation). Le système fonctionne en mode auto-supervisé : il démarre à partir d'un nombre réduit de démonstrations humaines, puis étend progressivement son répertoire comportemental sans nécessiter d'interventions expertes continues. L'architecture associe un modèle de diffusion, utilisé pour générer des trajectoires conditionnées sur un objectif, à un agent d'apprentissage par renforcement chargé de les suivre sur une gamme de tâches loco-manipulation. Les auteurs rapportent des résultats favorables lors d'ablations et de comparaisons avec des méthodes de référence, sans toutefois publier de métriques quantitatives détaillées dans ce résumé préliminaire. Ce travail s'attaque à l'un des goulots d'étranglement structurels du domaine : le coût de collecte de démonstrations diversifiées et la dépendance aux corrections humaines en cas d'échec de la politique. La combinaison diffusion + RL permet à la politique d'explorer automatiquement l'espace des objectifs, réduisant mécaniquement le volume de données d'imitation nécessaires à l'amorçage. Pour les équipes industrielles cherchant à déployer des humanoïdes sur des tâches variées (manutention, assemblage, logistique), cette piste suggère une voie vers un scaling moins linéaire en coût humain, une hypothèse que le secteur cherche activement à valider, notamment pour réduire le sim-to-real gap sur des comportements multi-étapes. Humanoid-DART s'inscrit dans un mouvement plus large qui mise sur les modèles génératifs pour contourner la rareté des données de démonstration. Des approches concurrentes comme Pi-0 de Physical Intelligence ou GR00T N2 de NVIDIA misent également sur des architectures de type VLA (Vision-Language-Action), avec des capacités loco-manipulation partiellement annoncées mais rarement démontrées à l'échelle en environnement non contrôlé. Ce papier, soumis comme preprint sans avoir encore passé la revue par les pairs, se positionne sur le segment de l'auto-amélioration à partir de peu de données, un axe de recherche actif chez plusieurs laboratoires académiques et industriels. Aucun déploiement terrain ni partenariat industriel n'est mentionné à ce stade.

Recherche❖Paper

1 source

43

4644TechNode 

MWC Shanghai : oubliez le score, les tirs au but de robots humanoïdes ont mis l'IA incarnée à l'épreuve

Pendant deux jours au Shanghai New International Expo Centre, lors du MWC Shanghai 2026, huit équipes chinoises de robotique humanoïde se sont affrontées dans un tournoi de tirs au but entièrement autonomes, réunissant plus de 10 000 spectateurs sur environ 100 rounds de compétition. Trois équipes ont dominé le classement final : China Mobile (Hangzhou) Information Technology a décroché la première place, devant Tianshu Tanjie (Beijing) Technology et Hangzhou Xingshu Intelligent Robot. La règle centrale du concours, imposée par les organisateurs, prohibait tout contrôle à distance et tout script de mouvement préprogrammé : les robots devaient localiser le ballon, se positionner, tirer, défendre le but et retrouver leur équilibre en temps réel via leurs propres systèmes de perception, de planification et de contrôle moteur. Le robot de China Mobile (Hangzhou) s'est distingué par sa régularité sur plusieurs rounds avec peu de défaillances visuelles ou d'instabilités posturales, en s'appuyant sur une connectivité 5G à faible latence couplée à du calcul edge AI embarqué. Tianshu Tanjie a démontré des capacités solides en contrôle dynamique et en actuation articulaire, permettant à son gardien compact de s'ajuster à des tirs provenant d'angles variés. Hangzhou Xingshu, start-up de nouvelle génération, a présenté une plateforme allégée d'environ 30 % par rapport à ses concurrents, lui conférant une agilité notable dans les changements de direction, malgré quelques erreurs de mouvement résiduelles. Ce qui rend cet événement significatif pour l'industrie dépasse largement la performance footballistique. Contrairement aux démonstrations classiques en laboratoire contrôlé ou aux vidéos promotionnelles soigneusement montées, le concours a exposé les robots à des conditions imprévisibles en conditions réelles : environnement dynamique, éclairage variable, interactions non scriptées. C'est précisément le profil de test le plus révélateur pour évaluer la maturité des systèmes d'IA incarnée (embodied AI). La capacité à percevoir, planifier et maintenir l'équilibre dans un environnement non déterministe est le vrai critère de qualification pour un déploiement industriel. Le fait que plusieurs équipes aient tenu des rounds complets sans intervention humaine, même si le taux de réussite global reste modeste, indique que le "demo-to-reality gap" se resserre. Pour un intégrateur B2B ou un COO industriel, ce n'est pas encore une maturité commerciale, mais c'est un signal de trajectoire difficilement ignorable. La Chine investit massivement dans la robotique humanoïde depuis 2023, avec un écosystème dense de start-ups bénéficiant du soutien d'opérateurs institutionnels comme China Mobile. Ce concours illustre la montée en puissance compétitive de cet écosystème national, qui se développe en parallèle des initiatives américaines (Boston Dynamics, Figure, Agility Robotics) et européennes, où des acteurs comme Enchanted Tools ou Wandercraft avancent sur des segments spécialisés. L'absence totale de concurrents non-chinois dans ce tournoi révèle aussi la fragmentation géographique croissante du secteur. Les suites concrètes restent floues : aucune des trois équipes primées n'a annoncé de pilote industriel ni de calendrier de commercialisation à l'issue de la compétition, ce qui maintient ces systèmes dans la catégorie "démonstrateur avancé" plutôt que "produit déployable à court terme".

Chine/Asie❧Opinion

1 source

52

4645Interesting Engineering 

Agility, fabricant du robot Digit, vise 620 millions via une cotation SPAC historique

Agility Robotics s'apprête à entrer en bourse via une fusion SPAC valorisant l'entreprise à 2,5 milliards de dollars, une opération qui devrait lui apporter plus de 620 millions de dollars de financement frais destinés au développement produit, à la recherche et à l'expansion commerciale. Il s'agit de la première introduction en bourse d'une entreprise 100 % dédiée à la robotique humanoïde aux États-Unis, ce qui en fait également le premier benchmark financier audité disponible pour un secteur jusqu'ici opaque. Parallèlement à cette cotation, Agility prépare le lancement commercial de son Digit v5, présenté comme le premier humanoïde "coopérativement sûr" du marché. Digit est déjà déployé dans neuf sites industriels chez des clients majeurs dont Schaeffler, GXO Logistics, Toyota Motor Manufacturing Canada et Mercado Libre, avec plus de 65 000 heures d'opération cumulées à ce jour. L'entreprise annonce par ailleurs plus de 300 millions de dollars de commandes pluriannuelles signées et un pipeline de plus de 30 clients potentiels. Sur le plan technique, Digit v5 intégrera la plateforme de calcul industriel NVIDIA IGX Thor et le logiciel de sécurité Halos Core, et sera évalué dans le cadre du Halos AI Systems Inspection Lab de NVIDIA pour sa conformité aux standards de sécurité industrielle. L'entrée en bourse d'Agility a une portée symbolique et structurelle pour l'ensemble du secteur humanoïde : elle contraint l'entreprise à une transparence financière inédite, permettant aux intégrateurs et décideurs B2B de disposer d'un référentiel réel de coûts, de marges et de rythme de déploiement. Les 65 000 heures opérationnelles revendiquées constituent un argument tangible contre le "demo gap" qui gangrène la crédibilité du secteur, même si Agility ne communique pas de métriques de performance détaillées (cadences de cycle, taux de disponibilité, taux d'erreur) qui permettraient une évaluation indépendante. La stratégie de "data flywheel" -- chaque déploiement générant des données propriétaires qui améliorent perception, mobilité et exécution de tâches -- est le pari central de l'entreprise : transformer l'avance opérationnelle en avantage IA durable, une logique analogue à ce que Tesla a tenté avec Optimus à travers son parc de véhicules. Fondée en 2015 à l'Université de l'Oregon et initialement connue pour ses recherches en locomotion bipède, Agility a opéré un pivot commercial décisif après son rachat partiel par Amazon en 2023, qui lui a fourni un accès aux entrepôts logistiques comme terrain d'expérimentation à grande échelle. La plateforme cloud Agility Arc, qui gère le déploiement, l'orchestration de flotte et la supervision de performance, constitue la couche logicielle différenciante que l'entreprise positionne face à ses concurrents directs : Figure AI (Figure 02, partenariat BMW), Boston Dynamics (Atlas), Tesla (Optimus Gen 2), 1X Technologies et Apptronik. Le marché adressable cible -- manufacturing, distribution et logistique aux États-Unis -- est estimé par Agility elle-même à environ 1 000 milliards de dollars, une projection managériale à prendre avec réserve. Les prochaines étapes seront la finalisation de la cotation SPAC, le lancement commercial de Digit v5 et l'extension du Customer Acceleration Program qui permet aux entreprises de qualifier le robot avant engagement à grande échelle.

Humanoïdes❧Opinion

1 source

37

4646Interesting Engineering 

Une entreprise américaine déploie un robot humanoïde assistant dans les écoles de New York

Realbotix, société américaine spécialisée dans les robots androïdes à vocation relationnelle, a lancé un pilote dans le Salamanca City Central School District (État de New York), associant son robot humanoïde M-Series et son assistant pédagogique IA baptisé Optio. Dans un premier temps réservé aux élèves inscrits aux cours Woz ED AI and Robotics, le programme est prévu pour s'étendre à environ 500 lycéens à la rentrée de l'automne 2026. Optio fonctionne comme assistant d'enseignement et tuteur à domicile : les élèves interagissent avec des avatars numériques personnalisés entraînés sur le curriculum approuvé par le district, avec un soutien individuel, une aide aux devoirs multilingue et un accès académique 24h/24. Le robot M-Series, lui, intègre un traitement du langage naturel, des expressions faciales animées et des capacités conversationnelles en temps réel, permettant une interaction directe sans interface écran. Le système inclut des contrôles de sécurité spécifiques à l'éducation, une supervision du district, et des parcours adaptés aux apprenants neurodivers. L'intérêt du déploiement réside moins dans une rupture technologique que dans le contexte opérationnel : un robot humanoïde entre dans une salle de classe réelle, non dans un laboratoire contrôlé. Le PDG Andrew Kiguel l'affirme explicitement, annonçant sortir "des démonstrations en laboratoire" pour prouver que la robotique avancée peut fonctionner dans des environnements éducatifs vivants. Pour les décideurs B2B et intégrateurs, c'est un signal que les cas d'usage éducatifs pour les humanoïdes passent du stade du concept à celui de l'expérimentation pilotée à l'échelle d'un district. Cela dit, l'expansion à 500 élèves reste une annonce planifiée, pas un déploiement effectif, et les métriques techniques du M-Series (degrés de liberté, charge utile, taux de défaillance en conditions réelles) ne sont pas communiquées, ce qui limite toute évaluation sérieuse de la robustesse du système. Realbotix se positionne depuis ses débuts sur les robots androïdes sociaux, un segment distinct de l'automatisation industrielle dominé par Figure AI, Agility Robotics ou Tesla Optimus, où les exigences de manipulation physique sont centrales. Ce créneau éducatif, où la performance locomotrice compte peu mais où l'interaction naturelle et la sécurité des mineurs sont primordiales, constitue une niche cohérente avec son ADN produit. La collaboration avec Woz ED, réseau STEM cofondé par Steve Wozniak, lui assure une visibilité nationale et un terrain d'expérimentation structuré. Dans le segment des robots de présence en classe, le norvégien No Isolation avait ouvert la voie en décembre 2025 avec son robot AV1, conçu pour permettre aux enfants malades d'assister aux cours à distance, un usage bien plus ciblé. La suite dépendra des retours de ce pilote et de la capacité du M-Series à maintenir un engagement pédagogique crédible sur la durée, au-delà de l'effet de nouveauté.

Humanoïdes❧Opinion

1 source

42

4647Robotics Business Review 

Hirebotics propose un cobot no-code et antidéflagrant pour la peinture

Hirebotics, fabricant de cobots pour la métallurgie basé à Nashville (Tennessee), a lancé le Cobot Painter, un système de peinture collaborative antidéflagrant construit autour du FANUC CRX-10iA/L Paint et de sa plateforme propriétaire sans code Beacon. La solution prend en charge la peinture liquide, le revêtement en poudre et le gel coat dans des environnements classés zones dangereuses. Le bras dispose d'une portée de 141,7 cm et peut opérer directement dans une cabine de peinture manuelle existante, sans nécessiter de cellule dédiée ni de refonte de l'infrastructure d'extraction ou de convoyage. La programmation repose sur un principe "click-and-teach" via tablette ou smartphone : un opérateur guide physiquement le robot une fois, et ce dernier reproduit à l'identique la vitesse, la distance et l'angle de pulvérisation à chaque cycle. Hirebotics promet un déploiement opérationnel en quelques jours, sans qu'aucun spécialiste en robotique ne soit nécessaire en interne. La version actuelle supporte uniquement la peinture en poste fixe ; le suivi de ligne (line tracking, où le robot accompagne les pièces en mouvement continu) est annoncé pour une version future, sans calendrier précis communiqué. L'enjeu pour les ateliers de fabrication à mix élevé et faibles volumes est concret : jusqu'ici, l'externalisation des opérations de finition était souvent la seule option viable face au coût et à la complexité des lignes automatisées traditionnelles, qui impliquent des investissements lourds en infrastructure et des compétences rares. En internalisant le revêtement avec un cobot déployable dans l'environnement existant, les fabricants reprennent la main sur les délais, la qualité et les marges. La certification antidéflagrante du CRX-10iA/L Paint est un point technique non trivial : elle ouvre l'automatisation à des environnements où des vapeurs inflammables sont présentes, ce que la majorité des cobots collaboratifs standard ne peuvent pas adresser. La réduction du gaspillage de peinture et de la surpulvérisation, mise en avant par Hirebotics, est crédible sur le principe de la répétabilité robotique, mais aucun chiffre de ROI ni de comparatif de consommation n'a été publié à ce stade. Hirebotics a été fondée en 2015 et s'est spécialisée dans les robots à effort et puissance limités pour la métallurgie, avec une approche systématiquement axée sur l'accessibilité sans programmation. Le Cobot Painter vient compléter une gamme déjà composée du Cobot Welder et du Cobot Cutter, tous deux sous plateforme Beacon. Le partenariat avec FANUC America pour la certification peinture du CRX s'inscrit dans la stratégie du constructeur japonais de positionner sa série CRX sur les segments collaboratifs de niche. Côté concurrence, des acteurs comme Universal Robots (UR) avec des intégrateurs tiers, ou Stäubli sur les applications peinture certifiées, occupent ce terrain ; la différenciation de Hirebotics repose sur l'absence totale de programmation plutôt que sur les performances brutes du bras. Aucun prix ni volume de déploiement prévu n'a été communiqué lors du lancement.

Industriel❧Opinion

1 source

39

4648Robotics Business Review 

Robust.AI choisit le capteur Aptiv PULSE pour son robot mobile Carter Gen 3

Robust.AI a annoncé cette semaine, lors du salon Automate à Chicago, l'intégration du capteur PULSE d'Aptiv PLC dans son robot mobile collaboratif de troisième génération, le Carter Gen 3. Le PULSE est un système de perception fusionnant une caméra grand-angle et un radar ultra-courte portée pour une couverture à 360 degrés, avec fusion précoce des données brutes par apprentissage automatique. Cette architecture permet la création de cartes de profondeur et de grilles d'occupation en temps réel, deux éléments clés pour la navigation et la sécurité fonctionnelle en milieu industriel. Concrètement, le Carter est un AMR (autonomous mobile robot) logiciel-défini, conçu pour automatiser le picking de préparation de commandes, le transport point-à-point et le tri mobile, sans investissement en infrastructure fixe. Robust.AI, basée à San Carlos (Californie), commercialise son robot sur un modèle RaaS (Robotics-as-a-Service) à déploiement rapide et scalabilité flexible. En parallèle, les deux entreprises visent une certification Performance Level d (PL(d)), le niveau de sécurité fonctionnelle le plus exigeant pour les applications industrielles critiques, qu'Aptiv s'engage à obtenir pour les cas d'usage concernés. L'intérêt de ce partenariat dépasse le seul choix de composant : il illustre un virage sectoriel vers des systèmes de perception redondants et certifiables pour les AMR déployés en environnements partagés. Les entrepôts, ateliers de fabrication et zones de stockage froid posent des défis spécifiques que les capteurs monovoie gèrent mal : poussière, reflets, variations d'humidité, obstacles mobiles. La fusion radar-caméra à bas niveau (early fusion sur données brutes) est plus robuste que la fusion tardive sur sorties traitées, et c'est précisément ce que PULSE apporte au vSLAM (Visual Simultaneous Localization and Mapping) déjà embarqué sur Carter. Pour les décideurs industriels, la cible PL(d) est un signal fort : elle conditionne l'accès à des déploiements autonomes sans superviseur humain permanent, et ouvre la voie à des certifications CE Machinery Regulation en Europe. C'est un prérequis que beaucoup d'AMR actuels ne peuvent pas encore revendiquer. Robust.AI a été fondée par Gary Bradski et Anthony Jules, tous deux issus de l'écosystème robotique de Stanford et SRI International. La société positionne Carter comme un robot collaboratif capable de cohabiter avec les opérateurs humains, contrairement aux systèmes AGV traditionnels à zones d'exclusion. Aptiv, groupe irlandais historiquement centré sur l'électronique automobile (ex-Delphi), pousse depuis 2023 ses technologies de perception vers les marchés industriels et robotiques. Côté concurrence, Carter affronte des acteurs comme Locus Robotics, 6 River Systems (Shopify), Boston Dynamics Spot dans certains cas, et en Europe, Exotec avec son système Skypod. La différenciation de Robust.AI repose sur la flexibilité logicielle et le modèle RaaS, mais la certification PL(d) annoncée sera le véritable test de maturité industrielle. Aucune date de disponibilité commerciale du Gen 3 ni volume de déploiement n'ont été communiqués.

Industriel❧Opinion

1 source

36

4649Robotics Business Review 

L'ARM Institute étend RoboticsCareer.org vers l'IA physique

L'ARM Institute (Advanced Robotics for Manufacturing), organisation à but non lucratif basée à Pittsburgh, a annoncé une refonte substantielle de RoboticsCareer.org, son portail de carrières industrielles, désormais centré sur l'"IA physique" - terme désignant les systèmes d'IA embarqués dans des robots opérant dans des environnements industriels réels. Le site, qui a dépassé 100 000 utilisateurs en 2025, intègre quatre nouvelles fonctions : un référentiel de compétences (AI Competency Framework) co-construit avec son consortium membres (industrie, gouvernement, académie) ; des parcours de carrière standardisés ; des fiches de postes détaillant rémunérations et compétences requises ; et un répertoire de formations certifiées par l'industrie. Yaskawa America Inc., via son directeur des partenariats Clint Chapman, a contribué à définir ces standards. La plateforme vise à connecter candidats, employeurs et organismes de formation sur un point d'entrée unique, avec pour objectif affiché de réduire le déficit structurel de main-d'oeuvre qualifiée dans le secteur manufacturier américain. La pertinence de cette initiative tient à une tension bien documentée : les industriels américains accélèrent l'intégration de robots dotés d'IA pour compenser les pénuries de personnel, mais butent sur l'absence de travailleurs formés pour opérer, maintenir et intégrer ces systèmes. Selon le Forum économique mondial, le phénomène observable dans les usines est davantage une transformation des postes qu'une suppression nette - mais cette transition reste difficile à naviguer sans outillage RH adapté. Les métiers évoluent concrètement vers la maintenance de données, l'intégration de systèmes d'IA et le machine learning, compétences absentes des référentiels de formation traditionnels. Le positionnement d'"honest broker" de l'ARM Institute - arbitre neutre entre industriels, équipementiers et pouvoirs publics - confère à ce référentiel une légitimité que des initiatives portées par un seul fabricant n'auraient pas. Fondé en 2017 avec un financement du Département américain de la Défense dans le cadre du réseau Manufacturing USA, l'ARM Institute regroupe plusieurs centaines de membres dont Yaskawa, Fanuc et ABB. RoboticsCareer.org est son outil historique de workforce development, repositionné sur la vague "physical AI" - terme marketing qui recouvre ici des réalités concrètes : robots collaboratifs guidés par des modèles de vision (VLA), bras industriels pilotés par apprentissage par renforcement, AMR (Autonomous Mobile Robots) avec prise de décision locale. Sur le plan concurrentiel, la National Robotics Education Foundation ou les certifications NIMS (National Institute for Metalworking Skills) couvrent des périmètres adjacents, mais aucune n'agrège autant d'OEM partenaires ni de formations validées. Aucun calendrier précis n'a été communiqué pour les prochaines étapes - extension des offres listées, nouveaux partenariats de formation - ce qui place cette annonce davantage du côté du repositionnement stratégique que du déploiement opérationnel mesuré.

Industriel❧Opinion

1 source

48

4650Interesting Engineering 

L'usine CATL intègre le robot humanoïde de Galbot pour la manutention lourde

CATL, premier fabricant mondial de batteries pour véhicules électriques, a annoncé le déploiement du Galbot S1 dans ses lignes de production dans le cadre d'un partenariat stratégique avec le développeur chinois de robotique humanoïde Galbot. Le Galbot S1 est un robot humanoïde à charge lourde doté de bras capables de soulever jusqu'à 50 kilogrammes en charge combinée, d'un système de positionnement centimétrique par vision seule et d'une navigation omnidirectionnelle à 360 degrés. Déployé dans les usines de fabrication intelligente de CATL, il prend en charge les tâches de manutention, de transport de matériaux et de logistique répétitives lors de la production de modules et packs de batteries, avec des sessions continues pouvant atteindre huit heures. Le pack batterie embarqué intègre des matériaux cathode à gradation de particules, des anodes à faible consommation de lithium et un électrolyte bio-inspiré à auto-réparation, visant un taux de défaillance cellule à l'échelle des parties par milliard (ppb). Ce déploiement marque une étape concrète dans la commercialisation des humanoïdes industriels à charge lourde, un segment distinct des plateformes légères comme le Tesla Optimus Gen 3 ou le Figure 03, dont les capacités de manutention restent inférieures à 20 kg. Avec un payload de 50 kg, le Galbot S1 cible directement les tâches logistiques que les robots collaboratifs à bras fixes ou les AMR ne peuvent pas réaliser. Le fait que CATL maîtrise simultanément la production de batteries et leur intégration dans le robot crée une boucle verticale rare: le fabricant est à la fois client, fournisseur énergétique et partenaire de déploiement. L'annonce d'un réseau après-vente dédié aux robots humanoïdes, présenté comme un premier mondial, indique que CATL anticipe un marché de maintenance à grande échelle, au-delà de l'automatisation interne, même si aucun volume ni calendrier précis n'a été communiqué. CATL s'est engagé dans la robotique humanoïde depuis décembre 2025, date à laquelle il a présenté Xiaomo, un robot conçu pour les tests End-of-Line et les mesures de résistance interne en courant continu (DCIR) sur les packs batteries, développé par Spirit AI, une startup de Hangzhou financée par CATL. Xiaomo, animé par un modèle Vision-Language-Action (VLA) de bout en bout, affiche un taux de succès de connexion supérieur à 99% et des temps de cycle comparables à ceux d'un opérateur humain expérimenté, selon les données déclarées par CATL. La première ligne de production utilisant des humanoïdes avait été inaugurée à l'usine de Luoyang, dans la province du Henan. Sur le plan concurrentiel, CATL se retrouve dans une position ambivalente: il fournit des technologies batteries à des acteurs comme Figure AI ou Tesla, tout en développant sa propre capacité robotique en parallèle d'entreprises comme 1X Technologies ou Agility Robotics. Les prochaines étapes annoncées portent sur l'extension du Galbot S1 au réseau de service après-vente mondial de CATL et sur l'accélération du déploiement à grande échelle de l'IA incarnée dans ses sites industriels.

Chine/Asie❧Opinion

1 source