Aller au contenu principal
Apprendre à évoluer : champs interactifs multimodaux pour la navigation humanoïde robuste en environnements dynamiquesIllustration générée par IA
HumanoïdesarXiv cs.RO 

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

1 source couvre ce sujet·Source originale ↗·

Compilé et résumé par IA · sources vérifiables en un clic · publié sans lecture humaine préalable · méthodologie

Résumé IASource unique

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.

À lire aussi

Boston Dynamics ouvre un centre d'application Metaplant pour entraîner ses robots humanoïdes Atlas
Illustration générée par IA
1The Robot Report 

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
Boston Dynamics : son robot humanoïde change ses batteries en moins de trois minutes pour continuer à travailler
Illustration générée par IA
2Interesting Engineering 

Boston Dynamics : son robot humanoïde change ses batteries en moins de trois minutes pour continuer à travailler

Boston Dynamics a doté la version industrielle de son robot humanoïde Atlas, filiale du groupe coréen Hyundai, d'un système de remplacement autonome de batterie: le robot détecte lui-même une batterie déchargée, rejoint une station dédiée, effectue l'échange et reprend sa tâche en moins de trois minutes, selon les spécifications communiquées par l'entreprise. Atlas offre environ quatre heures d'autonomie en usage courant et près de deux heures lors de tâches de levage lourd, contre environ 90 minutes pour une recharge classique. Le robot mesure environ 1,88 mètre pour 90 kg, porte en charge soutenue jusqu'à 30 kg et peut soulever brièvement jusqu'à 50 kg. Il embarque un système tactile dans les mains et une couverture caméra à 360 degrés. Cette annonce fait suite à une présentation récente détaillant comment Atlas a appris à manipuler des charges lourdes par apprentissage par renforcement et simulation à grande échelle, acquérant en quelques semaines des capacités de levage, de transport et d'équilibrage adaptatif. Pour les intégrateurs et décideurs industriels qui envisagent le déploiement d'humanoïdes en usine, l'autonomie énergétique reste l'un des principaux freins à une exploitation continue en plusieurs équipes. En réduisant l'immobilisation liée à la batterie de 90 minutes à moins de trois, Boston Dynamics cible directement ce goulot d'étranglement plutôt que la seule démonstration de dextérité. L'entreprise met aussi en avant un transfert simulation-vers-robot réel en environ une heure, ce qui suggérerait une réduction notable de l'écart sim-to-real qui a longtemps limité le passage de compétences apprises virtuellement au monde physique. Ces chiffres restent toutefois ceux communiqués par le fabricant, sans validation indépendante ni confirmation publique de déploiements clients à grande échelle: il s'agit pour l'instant d'une capacité produit annoncée, pas d'un usage industriel documenté sur site. Cette évolution s'inscrit dans la trajectoire d'Atlas, passé en 2024 d'un robot hydraulique de démonstration à une plateforme entièrement électrique pensée pour la manutention industrielle. L'architecture a été volontairement simplifiée: deux types d'actionneurs seulement pour tout le corps, une conception symétrique des bras et des jambes, et des articulations sans câbles traversants permettant une rotation continue et réduisant l'usure, autant de choix qui facilitent la modélisation et l'entraînement en simulation. Lors de tests, le robot est parvenu à déplacer un réfrigérateur de plus de 45 kg après un entraînement effectué avec des charges nettement plus légères, et des mouvements dynamiques comme des coups de pied, des appuis renversés ou des backflips sont utilisés pour muscler son équilibre et sa récupération. Boston Dynamics évolue dans un marché de l'humanoïde industriel de plus en plus disputé, face à Figure AI et son Figure 03, Tesla et Optimus, ou encore les plateformes logicielles Pi-0 de Physical Intelligence et GR00T N2 de Nvidia, qui misent elles aussi sur l'apprentissage par simulation massive. Aucune date de déploiement client ni volume de production n'a pour l'instant été précisé pour cette fonction de changement de batterie autonome.

HumanoïdesOpinion
1 source
Mind Your Steps : un cadre d'apprentissage général pour le suivi précis des appuis de pas chez les robots humanoïdes
Illustration générée par IA
3arXiv cs.RO 

Mind Your Steps : un cadre d'apprentissage général pour le suivi précis des appuis de pas chez les robots humanoïdes

Des chercheurs ont déposé le 9 juin 2026 sur arXiv (réf. 2606.08253) un framework léger pour entraîner des politiques de locomotion humanoïde capables de suivre précisément des appuis en 3D. Les approches dominantes basées sur l'apprentissage par renforcement avec commande de vitesse produisent des humanoïdes robustes, mais sans contrôle explicite du placement des pas : le robot peut marcher sur un pied humain ou rater un appui précis, compromettant les tâches de manipulation en aval. La méthode proposée introduit un "goal sampler" dynamique qui génère des séquences d'appuis variées pendant l'entraînement, rendant la politique agnostique au terrain. Une nouvelle représentation des cibles de pas compense les imprécisions du monde réel (estimation de pose bruitée, détection de contact peu fiable). La politique fonctionne comme un contrôleur bas niveau autonome, couplable à n'importe quel planificateur haut niveau, qu'il soit basé sur des cartes 2.5D, la vision ou un agent VLA. L'intérêt pour les intégrateurs industriels est concret : la précision du placement des appuis conditionne l'ensemble des tâches loco-manipulation, soit la prochaine étape critique avant le déploiement d'humanoïdes dans les entrepôts et lignes de montage. En découplant le contrôleur bas niveau du planificateur, cette architecture permet de substituer l'algorithme de planification sans réentraîner la locomotion, un argument de modularité fort pour des déploiements multi-environnements. Les expériences en simulation et en transfert sim-to-real sur terrains complexes sont présentées comme concluantes, mais ce preprint non encore évalué par les pairs ne fournit pas de benchmark comparatif public ni de métriques de précision standardisées. Ce framework s'inscrit dans la continuité des travaux sur la locomotion bipède précise issus d'ETH Zurich, du MIT et de CMU, que les équipes commerciales (Boston Dynamics Atlas, Agility Robotics Digit, Unitree H1, Figure AI) cherchent à industrialiser. L'abstract ne précise pas la plateforme matérielle utilisée lors des tests réels, ce qui limite la reproductibilité des résultats. La prochaine étape logique serait une évaluation ouverte sur des robots nommément identifiés, assortie de métriques comparables aux approches concurrentes en planification de pas développées à l'EPFL ou à Carnegie Mellon.

UEL'EPFL est citée comme référence concurrente pour la planification de pas, ce qui signale la compétitivité des labos européens dans ce domaine, mais sans impact direct sur des acteurs ou institutions français.

HumanoïdesPaper
1 source
PressMimic : capture et contrôle de mouvement guidés par pression pour l'imitation par robot humanoïde
Illustration générée par IA
4arXiv 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.

HumanoïdesPaper
1 source