Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Apprendre à évoluer : champs interactifs multimodaux pour la navigation humanoïde robuste en environnements dynamiques
HumanoïdesarXiv cs.RO 

Apprendre à évoluer : champs interactifs multimodaux pour la navigation humanoïde robuste en environnements dynamiques

1 source couvre ce sujet·Source originale ↗·
Résumé IASource uniqueImpact UE

Des chercheurs ont publié sur arXiv (2605.21935, mai 2026) un système de cartographie dynamique baptisé MIF (Multi-modal Interactive Field), conçu pour permettre aux robots humanoïdes de naviguer et de manipuler des objets dans des environnements réels en constante évolution. Testé sur un Unitree G1, le système améliore le taux de relocalisation dans un bureau non-statique de 12 % à 94 %, tout en réduisant l'empreinte mémoire sémantique de 91,4 % grâce à la distillation de features. MIF repose sur trois composantes couplées : un champ d'apparence basé sur le 3D Gaussian Splatting (3DGS) conscient de l'incertitude pour atténuer le flou induit par la marche bipède, un champ spatial maintenant une mémoire topologique de la scène, et un champ géométrique qui calcule une pose d'interaction sûre (Interaction Pose Safety, IPS) avant chaque manipulation. Un score de détection de discordance distingue les fausses alarmes dues aux oscillations du robot des changements persistants réels, et ne met à jour que les zones localement incohérentes.

L'enjeu pratique est direct : les systèmes de cartographie sémantique existants (semantic maps, scene graphs) supposent généralement des trajectoires caméra stables et des environnements statiques, deux hypothèses qu'un humanoïde en mouvement viole en permanence. Passer de 12 % à 94 % de succès en relocalisation sur un robot réel dans un bureau avec personnes en mouvement constitue un résultat concret, pas une démo en laboratoire contrôlé. Pour un intégrateur ou un COO industriel évaluant des humanoïdes pour des tâches de pick-and-place, la capacité à maintenir une carte cohérente sous perturbation locomotrice est un prérequis opérationnel non négociable que la plupart des démos actuelles ne valident pas.

Le contexte de ce travail s'inscrit dans l'essor du 3DGS comme alternative aux NeRF pour la représentation de scènes en temps réel, une technique popularisée en 2023 et dont l'adaptation à la robotique mobile reste un sujet de recherche actif. L'Unitree G1 est l'une des plateformes humanoïdes commerciales les plus accessibles du marché (autour de 16 000 dollars), ce qui rend ce type de validation plus reproductible que sur des robots propriétaires comme l'Atlas de Boston Dynamics ou le Figure 02. Le code et la page projet sont publiés (ziya-jiang.github.io/MIF-homepage), signal d'une recherche ouverte à la reproduction. Les prochaines étapes naturelles seraient une validation à plus grande échelle et une intégration dans des pipelines de manipulation end-to-end, terrain sur lequel Physical Intelligence (Pi-0) et les équipes GR00T de NVIDIA travaillent en parallèle.

Dans nos dossiers

FigureBoston DynamicsUnitreeNVIDIA GR00T

À lire aussi

Comment les humanoïdes apprennent à interpréter leur environnement
1Robotics Business Review 

Comment les humanoïdes apprennent à interpréter leur environnement

Intégrer un robot humanoïde dans un environnement partagé avec des humains exige une capacité perceptive quasi-instantanée sur plusieurs canaux simultanés. Analog Devices Inc. (ADI) détaille dans une publication récente les contraintes techniques concrètes de cette perception multi-sensorielle, à travers le regard de Geir Ostrem, Fellow ADI au sein de la division Automotive. La vision constitue le premier pilier : des capteurs RGB associés à des modules de profondeur (temps de vol, lumière structurée ou stéréovision) permettent à un humanoïde de cartographier son environnement en continu. Le défi n'est pas tant la capture d'image que le transport et le traitement de ces données en temps réel. Les capteurs étant éloignés du processeur central, le câblage représente une contrainte mécanique non négligeable. ADI y répond avec sa technologie GMSL (Gigabit Multimedia Serial Link), empruntée à l'automobile, capable de transporter plusieurs gigabits par seconde sur un flux unique, tout en permettant un traitement local embarqué plutôt qu'un envoi vers le cloud. L'audio constitue le deuxième pilier : microphones MEMS, beamforming et détection d'événements acoustiques permettent à un robot d'identifier une chute d'objet derrière lui ou d'engager une conversation en langage naturel, réduisant la friction opérationnelle avec les équipes humaines. Ce que cet article met en évidence, c'est que le vrai goulot d'étranglement dans le déploiement d'humanoïdes en milieu industriel n'est pas le mouvement ni la force, mais la latence perceptive et la confiance. Un robot qui réagit avec 200 ms de retard à un opérateur qui traverse son couloir reste dangereux, quelle que soit la sophistication de son bras. La répartition du traitement entre un processeur central et des unités dédiées proches des actionneurs, pattern déjà éprouvé en automotive et en robotique AMR, devient donc une question d'architecture système autant que de composants. Pour les intégrateurs industriels et les décideurs B2B, cela signifie que l'évaluation d'un humanoïde ne peut plus se limiter au payload ou aux degrés de liberté : il faut auditer la chaîne complète vision-audio-force et ses latences bout-en-bout. ADI occupe une position historiquement forte sur les capteurs inertiels (famille ADIS d'IMU), les convertisseurs analogique-numérique haute précision et, plus récemment, sur la transmission vidéo embarquée via GMSL, technologie aujourd'hui omniprésente dans les ADAS automobiles. La transposition de cette stack vers la robotique humanoïde s'inscrit dans une tendance plus large où les fournisseurs de composants automotive cherchent de nouveaux marchés à mesure que le design automobile se stabilise. Il convient de noter que cet article est une publication de contenu éditorial produit par ADI, non une analyse indépendante, ce qui colore naturellement le positionnement technologique présenté. Les concurrents directs sur ces briques (Texas Instruments sur les ToF et GMSL-équivalents, Sony sur les capteurs CMOS, Bosch et STMicroelectronics sur les MEMS audio et inertiels) ne sont pas mentionnés. Les prochaines étapes annoncées restent floues : aucun déploiement client nommé, aucune timeline précise, ce qui positionne ce contenu davantage comme une feuille de route technologique que comme l'annonce d'un produit shipé.

HumanoïdesActu
1 source
Apprentissage par renforcement guidé par référence pour la navigation autonome de robots humanoïdes en terrain variable
2arXiv cs.RO 

Apprentissage par renforcement guidé par référence pour la navigation autonome de robots humanoïdes en terrain variable

Une équipe de recherche publie sur arXiv (référence 2605.15517) une méthode d'entraînement de politiques de locomotion par apprentissage par renforcement (RL) pour robots humanoïdes, dans laquelle les trajectoires de référence sont adaptées dynamiquement à la géométrie du terrain pendant l'entraînement. Concrètement, le système génère en boucle des trajectoires de référence contrôlables en SE(2), l'espace de déplacement planaire, en projetant les appuis de pied sur des zones d'appui valides et en ajustant les trajectoires du pied oscillant et du centre de masse selon le relief. L'interface exposée est un vecteur de vitesse SE(2) standard, directement compatible avec les planificateurs de navigation autonome existants. Côté hardware, les chercheurs ont intégré cette politique avec un planificateur MPC (Model Predictive Control) couplé à des fonctions de barrière de contrôle (CBF), et démontré une navigation autonome en boucle fermée sur plus de 70 mètres en extérieur sur le robot Unitree G1, incluant des terrains accidentés et des escaliers consécutifs, avec l'ensemble du calcul et de la perception embarqués. Ce résultat est notable parce qu'il attaque directement le problème du "reality gap" dans la locomotion humanoïde sur terrain non structuré : en conditionnant les trajectoires de référence au terrain dès la phase de simulation, la politique apprend des comportements footholds-aware plutôt que des mouvements génériques dégradés au contact du sol réel. L'exposition d'une interface SE(2) propre signifie que cette politique s'insère sans friction dans un stack de navigation autonome standard, celui qu'utilisent déjà les AMR (autonomous mobile robots) industriels, sans couche d'adaptation supplémentaire. Pour un intégrateur ou un équipementier, c'est une architecture qui réduit la dette de middlewares entre planification de chemin et exécution de locomotion. Le Unitree G1 est un humanoïde à faible coût (environ 16 000 dollars) dont Unitree, fabricant chinois, a multiplié les variantes depuis 2024. Le domaine de la locomotion humanoïde guidée par trajectoires de référence est aussi exploré par des laboratoires comme CMU, ETH Zurich (ANYbotics, Legged Gym), et des équipes comme celles de Boston Dynamics ou Agility Robotics, qui privilégient des approches similaires sim-to-real. Ce travail reste une démonstration académique, parcours sélectionnés, conditions contrôlées, et n'est pas associé à une annonce de déploiement commercial. Les prochaines étapes logiques incluent des tests à plus grande échelle de variabilité de terrain et l'intégration avec des planificateurs 3D.

HumanoïdesPaper
1 source
Parkour humanoïde perceptif : enchaînement de compétences dynamiques par correspondance de mouvement
3arXiv cs.RO 

Parkour humanoïde perceptif : enchaînement de compétences dynamiques par correspondance de mouvement

Des chercheurs ont publié sur arXiv (arxiv:2502.15827, version révisée en mai 2026) une architecture modulaire baptisée Perceptive Humanoid Parkour (PHP), qui permet à un robot humanoïde d'enchaîner des séquences de parkour autonomes sur des parcours d'obstacles variés. Le système a été validé sur un robot Unitree G1 en conditions réelles : il peut franchir des obstacles atteignant 1,25 mètre de hauteur, soit 96 % de la taille du robot, et choisit dynamiquement entre quatre primitives de mouvement (enjamber, grimper, sauter par-dessus, rouler en descente) selon la géométrie détectée. La seule entrée sensorielle utilisée est une caméra de profondeur embarquée couplée à une commande de vitesse discrète en 2D, sans GPS ni cartographie externe. Ce qui distingue PHP des approches précédentes est la combinaison de deux techniques jusqu'ici rarement couplées à cette échelle : le motion matching, qui assemble des primitives gestuelles humaines retargetées via une recherche par plus proche voisin dans un espace de features, et la distillation de politiques RL multi-compétences via DAgger. Le résultat concret est un robot capable de décision contextuelle en boucle fermée sur des obstacles dont la position change en temps réel, sans recalcul de trajectoire globale. Pour les intégrateurs industriels et les décideurs robotique, cela valide empiriquement que la composition de skills à horizon long dans un environnement non contrôlé n'est plus seulement une démonstration en laboratoire, mais un comportement reproductible sur matériel standard. Le Unitree G1 est un humanoïde de série à environ 16 000 dollars, ce qui donne à ces résultats une portée plus large que des travaux réalisés sur des plateformes propriétaires. La recherche sur la locomotion humanoïde agile s'est intensifiée depuis les travaux pionniers de Boston Dynamics sur Atlas et les démonstrations de parkour d'Agility Robotics ; côté apprentissage automatique, des équipes comme Physical Intelligence (Pi-0) ou NVIDIA (GR00T N2) travaillent sur des politiques généralisées, mais avec un focus manipulation plus que locomotion acrobatique. PHP s'inscrit dans une tendance académique distincte, orientée expressivité du mouvement humain plutôt que productivité industrielle. La prochaine étape naturelle sera de tester la robustesse sur des obstacles non vus à l'entraînement et de mesurer les taux d'échec sur des runs prolongés, deux métriques absentes du papier actuel.

HumanoïdesPaper
1 source
Boston Dynamics ouvre un centre d'application Metaplant pour entraîner ses robots humanoïdes Atlas
4Robotics Business Review 

Boston Dynamics ouvre un centre d'application Metaplant pour entraîner ses robots humanoïdes Atlas

Boston Dynamics a ouvert le 21 septembre 2026 son Robotics Metaplant Application Center (RMAC), un centre d'entraînement installé au sein du Metaplant America de Hyundai Motor Group, près de Savannah, en Géorgie. L'objectif affiché est d'intégrer les humanoïdes Atlas directement dans les opérations de fabrication automobile de Hyundai, maison mère de Boston Dynamics. Selon Zack Jackowski, chief product and technology officer de l'entreprise, les robots y apprennent via trois canaux de données combinés : la téléopération, l'apprentissage par renforcement en simulation, et des dispositifs Universal Manipulation Interface (UMI). Les tâches ciblées concernent la logistique et le séquençage de pièces automobiles avant leur assemblage, ce qui implique une manipulation dextre poussée : prise sur des surfaces complexes, respect de zones de préhension pour des éléments cosmétiques ou fragiles, manipulation bimanuelle de pièces volumineuses ou mal équilibrées, extraction d'emballages complexes et insertion dans des casiers à haute densité pour le transport vers la ligne. Boston Dynamics prévoit d'étendre les capacités d'Atlas à l'assemblage de composants d'ici 2030, avec à terme des tâches répétitives et physiquement exigeantes comme le levage de charges lourdes. Ce lancement marque une bascule par rapport aux essais précédents, décrits par Jackowski comme des déploiements ponctuels et limités dans le temps, menés à petite échelle avec une forte implication de l'équipe d'ingénierie pour tester la faisabilité opérationnelle. Le RMAC, lui, se veut une installation permanente qui reproduit un environnement industriel réel (pièces, fixations, postes de travail réels) pour générer en continu des données d'entraînement de qualité, avec l'appui de pilotes qualifiés : Boston Dynamics le qualifie de "Robot Behavior Factory". Pour le secteur, ce signal est notable car il illustre le passage de la démonstration humanoïde en environnement contrôlé vers un test de robustesse en usine réelle, un terrain où les hypothèses de conception se heurtent souvent à la réalité des contraintes industrielles. Jackowski affirme que les hypothèses de conception de la version de production d'Atlas se sont révélées globalement justes, ce qui est une donnée à prendre avec prudence puisqu'elle provient de l'entreprise elle-même et n'a pas encore été validée par un déploiement à grande échelle ou des tiers indépendants. L'enjeu réel porte autant sur les robots que sur l'adaptation des fixations et emballages pour les rendre compatibles avec la manipulation humanoïde, un point rarement mis en avant dans les annonces du secteur. Cette initiative s'inscrit dans la relation capitalistique entre Boston Dynamics et Hyundai Motor Group, qui a racheté l'entreprise en 2021, et prolonge des pilotes antérieurs menés dans les usines du groupe. Elle positionne Atlas face aux autres humanoïdes en cours de déploiement industriel, comme Figure 03 chez Figure AI, Optimus chez Tesla, ou les plateformes s'appuyant sur des modèles VLA tels que Pi-0 (Physical Intelligence), GR00T N2 (Nvidia) ou Helix (Figure AI). Boston Dynamics doit encore prouver sa capacité à tenir le calendrier annoncé, avec une extension vers l'assemblage de composants visée pour 2030. En marge de cette annonce, Brendan Schulman, vice-président des affaires publiques chez Boston Dynamics, doit participer à une table ronde sur la relocalisation industrielle par la robotique lors de RoboBusiness 2026, prévu les 20 et 21 octobre à Santa Clara, en Californie.

HumanoïdesActu
1 source