Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Roue à griffes adaptative au terrain pour l'exploration planétaire optimale : conception et étude expérimentale
RecherchearXiv cs.RO 

Roue à griffes adaptative au terrain pour l'exploration planétaire optimale : conception et étude expérimentale

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

Une équipe de recherche (identité anonymisée dans le preprint arXiv:2605.24311 soumis en mai 2026) présente une roue multimodale capable d'ajuster en continu la hauteur de ses grousers, les crampons périphériques qui mordent le sol, pour s'adapter aux variations de terrain lors d'explorations planétaires. Le prototype, dont le nom reste masqué pour la révision par les pairs, a été évalué sur quatre surfaces représentatives : carrelage vinyle, roche grossière, gravier de pois et sable dans deux états de compaction. Sur 750 essais expérimentaux, le déploiement adaptatif réduit le glissement de 30 à 58 % selon le terrain, et améliore le temps de parcours ainsi que la consommation énergétique de jusqu'à 77,4 % en régime granulaire, comparé à une configuration à grouser fixe.

La conclusion centrale bouscule un paradigme établi : aucune hauteur de grouser unique ne minimise le glissement sur l'ensemble des surfaces testées, ce qui souligne les limites structurelles des roues statiques, encore la norme sur Curiosity, Perseverance et la quasi-totalité des rovers en développement. Pour les agences spatiales (NASA, ESA, JAXA) et les intégrateurs de systèmes de mobilité, un mécanisme adaptatif de ce type offre un gain direct sur l'autonomie énergétique et la distance journalière franchissable. L'équipe propose également une loi de dimensionnement simplifiée reliant la granularité du terrain à la hauteur optimale de grouser, un outil potentiellement utilisable pour la planification de trajectoire embarquée.

Les grousers font partie de la conception des roues de rovers depuis les missions Apollo (Lunar Roving Vehicle, 1971), mais leur hauteur a toujours été figée au stade de la conception. Les travaux récents sur les roues multimodales avaient exploré la rigidité variable ou le diamètre ajustable sans jamais traiter la hauteur de grouser comme variable de contrôle continue : ce preprint comble ce manque avec une validation expérimentale à grande échelle. Des designs à compliance variable issus de Carnegie Mellon et du JPL constituent les références concurrentes les plus proches, sans confrontation directe dans l'article. La suite logique passe par une validation sur simulant lunaire ou martien certifié, puis l'intégration d'un contrôleur adaptatif en boucle fermée avec détection de terrain embarquée.

Impact France/UE

L'ESA, mentionnée comme bénéficiaire potentielle, pourrait intégrer ce principe de grouser adaptatif dans ses futurs rovers lunaires ou martiens, mais aucune entité française ou européenne n'est identifiée parmi les auteurs.

Dans nos dossiers

arXiv cs.RO

À lire aussi

CMoE : mélange d'experts contrastif pour le contrôle de mouvement et l'adaptation au terrain des robots humanoïdes
1arXiv cs.RO 

CMoE : mélange d'experts contrastif pour le contrôle de mouvement et l'adaptation au terrain des robots humanoïdes

Une équipe de recherche présente CMoE (Contrastive Mixture of Experts), un framework d'apprentissage par renforcement en une seule étape pour la locomotion de robots humanoïdes sur terrains complexes. L'article, référencé arXiv:2603.03067v2 et publié en version révisée, part d'un constat technique : dans une architecture classique de mixture of experts (MoE), le réseau de gating censé activer sélectivement des experts selon le terrain finit en pratique par répartir presque uniformément l'activation entre eux, annulant l'intérêt de la spécialisation. CMoE corrige ce défaut par une contrainte d'apprentissage contrastif qui rend les activations d'experts cohérentes sur un même type de terrain tout en les différenciant d'un terrain à l'autre. Testée sur le robot humanoïde Unitree G1, la méthode permet de franchir des marches continues jusqu'à 20 cm de haut et des espaces jusqu'à 80 cm de large, avec une démarche jugée robuste et naturelle sur des terrains mixtes, des résultats présentés comme supérieurs aux méthodes existantes. Le code est publié en accès libre. Pour l'industrie robotique, ce travail cible un goulot d'étranglement précis : la généralisation de la locomotion sur terrain non structuré, condition nécessaire à tout déploiement hors laboratoire. L'architecture MoE gagne du terrain pour doter un même modèle de comportements moteurs spécialisés, mais l'étude montre que sa spécialisation théorique ne se matérialise pas sans mécanisme correctif dédié, un avertissement pour les équipes qui empilent des experts sans vérifier leur activation réelle. Les chiffres de franchissement donnent un repère concret pour comparer les capacités locomotrices annoncées par différents laboratoires, mais restent des résultats obtenus en conditions expérimentales contrôlées sur une seule plateforme, sans validation en déploiement réel. CMoE s'inscrit dans la lignée des travaux adaptant les architectures mixture of experts, popularisées par les grands modèles de langage, au contrôle moteur des robots à pattes et humanoïdes, un domaine où plusieurs équipes cherchent à dépasser les limites des politiques de marche uniques entraînées par renforcement. Le choix du Unitree G1 confirme le rôle de ce robot chinois disponible dans le commerce comme banc d'essai de référence pour la recherche académique en locomotion humanoïde. En publiant leur code, les auteurs visent à permettre à la communauté de reproduire et d'étendre leurs résultats, sans annoncer de partenariat industriel, de pilote commercial ni de calendrier de transfert vers un produit, ce qui situe ce travail au stade de la recherche plutôt que du déploiement.

RecherchePaper
1 source
RIT* : arbres riemanniens informés pour la planification de mouvement optimale adaptative au coût
2arXiv cs.RO 

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

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

RecherchePaper
1 source
Apprentissage du contrôle corps entier adapté au terrain pour la loco-manipulation perceptive de robots à pattes
3arXiv cs.RO 

Apprentissage du contrôle corps entier adapté au terrain pour la loco-manipulation perceptive de robots à pattes

Une équipe de chercheurs a publié sur arXiv (référence 2605.31343, mai 2026) un framework baptisé TA-WBC (Terrain-Aware Whole-Body Control) destiné aux manipulateurs à pattes, c'est-à-dire des robots combinant membres locomoteurs (quadrupèdes ou bipèdes) et bras articulés. Le coeur du système est une politique unifiée entraînée par apprentissage par renforcement (RL) qui pilote simultanément les jambes et le bras lors de tâches de loco-manipulation, terme désignant la capacité à se déplacer et manipuler des objets en même temps. L'architecture repose sur trois briques techniques : un encodeur d'extéroception hybride qui extrait en temps réel les caractéristiques du terrain, une méthode d'échantillonnage de l'effecteur final ancrée sur le plan de contact des pieds pour découpler la cible de manipulation des oscillations du torse, et un module de distillation à double politique pour intégrer motricité étendue et adaptabilité sans effacement catastrophique des compétences acquises. Les expériences en simulation et en environnement réel montrent une zone atteignable agrandie, une erreur de tracking réduite et moins de trébuchements imprévus. Ce travail s'attaque à une limitation structurelle des contrôleurs corps entier existants : leur dépendance quasi exclusive à la proprioception (capteurs internes, IMU, encodeurs) au détriment de l'extéroception (perception externe du terrain). En milieux industriels complexes comme les chantiers, les entrepôts en hauteur variable ou les sites nucléaires, cette lacune rend les plateformes mobiles-manipulatrices peu fiables dès que le sol n'est plus plan. Le découplage effecteur/torse est particulièrement notable pour les intégrateurs : il signifie que le bras peut maintenir une trajectoire stable même quand le corps compense une marche irrégulière, ce qui est un prérequis non négociable pour tout assemblage ou saisie de précision en terrain dégradé. La validation sim-to-real, même partielle, renforce la crédibilité d'une approche qui reste à ce stade un preprint non commercialisé. Les manipulateurs à pattes constituent une catégorie en pleine structuration. Boston Dynamics commercialise Spot avec bras depuis 2021, Unitree propose le B2W équipé d'un bras, et plusieurs laboratoires académiques majeurs (ETH Zurich, CMU, Berkeley) publient régulièrement sur la loco-manipulation. Le verrou que TA-WBC cherche à lever, la perception de topologie de terrain couplée au contrôle corps entier, est précisément ce qui freine le déploiement de ces plateformes au-delà des environnements structurés. Ce preprint n'annonce pas de produit ni de partenaire industriel ; il pose néanmoins une brique algorithmique que des acteurs comme Agility Robotics, Apptronik ou les équipes robotique de Google DeepMind pourraient intégrer dans leurs chaînes d'entraînement.

UETravail de recherche applicable aux déploiements industriels en environnements dégradés (sites nucléaires, entrepôts à topologie variable) présents en Europe, mais sans implication directe d'acteurs français ou européens.

RecherchePaper
1 source
Revue de la littérature et étude expérimentale sur l'apprentissage par renforcement à partir de retours humains pour la collaboration humain-robot
4arXiv cs.RO 

Revue de la littérature et étude expérimentale sur l'apprentissage par renforcement à partir de retours humains pour la collaboration humain-robot

Une équipe de chercheurs publie sur arXiv (2610.09891) une revue de cadrage suivie d'une expérience en réalité virtuelle sur l'apprentissage par renforcement à partir de retours humains (RLHF) appliqué à la collaboration humain-robot (HRC). La revue suit les lignes directrices PRISMA : sur 199 références examinées, 20 publications évaluées par des pairs (2020-2025) ont été retenues, couvrant plusieurs domaines de la HRC. Les auteurs affirment qu'il s'agit de la première revue centrée sur la conception bidirectionnelle en boucle fermée du RLHF. Elle recense plusieurs modalités de retour (donc plusieurs formats de données), qui peuvent être intégrées à différentes étapes de l'entraînement, ce qui donne un développement en plusieurs phases. Les systèmes sont le plus souvent évalués par des expériences pilotes, avec des métriques côté humain et côté robot. Pour tester une lacune identifiée, l'équipe a mené une expérience en environnement virtuel, en groupes indépendants (between-subjects), comparant un retour initié par le système et un retour initié par l'utilisateur, sur le comportement proxémique d'un robot qui navigue en sécurité autour d'une personne. Les résultats reposent sur des modèles bayésiens qui relient les retours collectés à deux mesures de sécurité : la sécurité psychologique, relevée par questionnaire après l'expérience, et la sécurité physique, mesurée par l'inverse du temps avant collision. Le retour initié par l'utilisateur traduit mieux la sécurité perçue que celui déclenché par le système. Le moment où le retour est demandé influence donc directement sa qualité. L'abstract ne donne ni taille d'échantillon ni effets chiffrés, et l'expérience porte sur un scénario simulé et un seul comportement (la navigation), de sorte que la portée industrielle reste à démontrer. Pour les intégrateurs, le message est pragmatique : la manière de collecter les retours (quand, à l'initiative de qui) pèse autant que l'algorithme sur la sécurité d'un robot collaboratif. Une interface où l'opérateur signale lui-même un inconfort ou une trajectoire trop proche produirait des signaux d'entraînement plus fiables que des sondages automatiques à intervalles fixes. Le travail relativise aussi l'idée que davantage de données humaines suffit, puisque leur qualité dépend du protocole de collecte. Le contexte est celui de l'Industrie 4.0 et de la personnalisation de masse, où la HRC doit permettre des lignes flexibles sans cloisonner l'homme et la machine. Le RLHF, popularisé par les modèles de langage, est transposé à la robotique physique avec des contraintes propres : la sécurité pendant l'apprentissage, le bruit et la fatigue des évaluateurs humains, et l'adaptation mutuelle entre l'humain et le robot. Les auteurs identifient un manque d'expériences HRC réalistes qui comparent les méthodes de collecte de retours. Ils recommandent d'en faire la priorité de la recherche à venir, en mesurant leurs effets sur des métriques humaines et robotiques. Il s'agit d'un travail académique sans produit ni déploiement annoncé, et ses conclusions devront être confirmées sur robots réels, en environnement industriel et avec des échantillons plus larges.

RecherchePaper
1 source