RechercheInteresting Engineering 2 juin 2026

Le nouveau robot de Cambridge pourrait aider à résoudre un mystère évolutif vieux de millions d'années

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Une équipe de l'Université de Cambridge a mis au point un robot bio-inspiré en forme de poisson pour étudier l'une des transitions évolutives les plus importantes de l'histoire des vertébrés : le passage de l'eau à la terre ferme, il y a environ 375 millions d'années. Dirigés par le Dr Michael Ishida, du département d'ingénierie de Cambridge, et travaillant dans le laboratoire du professeur Fumiya Iida, les chercheurs ont combiné modélisation informatique, observation de poissons vivants et expérimentation robotique physique. Leurs résultats, publiés dans la revue Nature Communications, identifient un mode de locomotion commun qu'ils nomment "undulating tripod gait" (démarche en trépied ondulante) : le poisson propulse son corps vers l'avant avec sa queue tout en s'appuyant sur ses nageoires pectorales et sa tête. Ce schéma a été observé chez plusieurs espèces sans lien phylogénétique proche, du dipneuste africain (African lungfish) au poisson-chat cuirassé, en passant par le bichir gris d'Afrique, qui a servi de modèle de référence pour la simulation.

L'intérêt scientifique majeur de ces travaux réside dans la mise en évidence d'un principe locomoteur convergent : des espèces très éloignées sur l'arbre évolutif ont développé indépendamment la même stratégie de déplacement terrestre, à partir d'un mécanisme de nage déjà présent. C'est ce que les biologistes appellent l'évolution convergente. Le robot physique, testé avec une large gamme de paramètres de démarche, a systématiquement confirmé que le pattern naturel observé chez le bichir était le plus efficace : toute modification de l'amplitude ou de la séquence des ondulations corporelles dégradait les performances. Ce résultat valide la cohérence entre modèle numérique et réalité biomécanique, ce qui est rarement aussi net dans ce type d'étude comparative multi-espèces. Pour l'ingénierie robotique, cela ouvre une piste concrète : des robots amphibies à locomotion non spécialisée pourraient tirer parti de ce principe primitif mais robuste.

Le projet s'inscrit dans un champ de recherche plus large sur la paléontologie fonctionnelle, qui cherche à reconstruire les modes de déplacement d'espèces fossiles à partir de principes mécaniques actuels. L'étape suivante prévue par l'équipe est d'appliquer le modèle au Tiktaalik roseae, fossile de poisson à nageoires lobées daté d'environ 375 millions d'années et considéré comme un maillon clé de la transition eaux-terres. Sur le plan concurrentiel, plusieurs laboratoires explorent des robots bio-inspirés par des vertébrés aquatiques ou amphibies, notamment dans des contextes de surveillance environnementale ou d'exploration, mais peu croisent modélisation évolutive et validation robotique à ce niveau de rigueur comparative. L'approche de Cambridge, partir de la convergence évolutive pour dégager des principes universels de locomotion, pourrait informer la conception de plateformes robotiques adaptables à des environnements mixtes eau-terre.

À lire aussi

1arXiv cs.RO

RoboBridge : un cadre d'agent incarné auto-évolutif pour le transfert simulation-réel

Des chercheurs publient sur arXiv (identifiant 2610.02717, première version) RoboBridge, un cadre logiciel pour agents incarnés qui aborde le transfert simulation-réel comme une adaptation continue de compétences exécutables, plutôt que comme un réentraînement de politique. L'agent représente le savoir-faire d'une tâche sous forme de procédures reliant l'intention, les observations, les opérations d'outils et la vérification du résultat. Les retours d'interaction servent à générer des révisions candidates de ces compétences, qui sont évaluées avant d'être conservées ou rejetées. Une politique vision-langage-action (VLA) préentraînée est exposée comme un outil d'action réutilisable, complété par un guidage à l'inférence, ce qui permet une exécution fine sans modifier ses poids. Le cadre est évalué sur le benchmark de simulation LIBERO-PRO et sur des tâches physiques correspondantes, avec deux axes d'étude : l'évolution des compétences et l'adaptation après transfert. Le résumé ne donne ni taux de réussite, ni nombre de tâches, ni plateforme robotique, et ces éléments restent à vérifier dans l'article complet. L'intérêt tient à la méthode de transfert. Le passage de la simulation au réel repose aujourd'hui, pour les politiques VLA de bout en bout, sur le calage des conditions visuelles et dynamiques simulées, la collecte de démonstrations supplémentaires dans le domaine cible et un nouvel entraînement. Ce sont des étapes coûteuses, à refaire à chaque changement d'environnement. RoboBridge déplace l'adaptation vers une couche procédurale, ancrée dans une sémantique de tâche et des interfaces d'interaction communes à la simulation et au réel. La structure réutilisable de la tâche est conservée, et seules les opérations dépendant de l'environnement sont révisées à partir des retours d'exécution réels. Pour un intégrateur, l'enjeu serait de passer d'un déploiement de politique figé à un apprentissage procédural continu après la mise en service. Il s'agit toutefois d'un travail académique à un stade préliminaire : sans chiffres publiés dans le résumé, rien ne permet de dire si l'approche tient la comparaison avec un réglage fin classique, ni à quel coût en appels de modèle et en temps d'adaptation. Ce travail s'inscrit dans deux courants qu'il cherche à rapprocher. D'un côté, les politiques VLA offrent de fortes capacités de manipulation mais restent difficiles à transférer. De l'autre, les agents robotiques utilisant des outils orchestrent bien les tâches, mais réutilisent surtout l'expérience au sein d'un même environnement. Les auteurs positionnent leur cadre comme une voie intermédiaire. Le choix de LIBERO-PRO, variante plus exigeante d'un benchmark de manipulation très répandu, suggère une volonté de tester la robustesse plutôt que la mémorisation. Les prochaines étapes à surveiller sont la publication du code, des résultats chiffrés sur robot réel et une validation sur des tâches industrielles plus longues, seules à même de confirmer la portée de l'approche.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

2arXiv cs.RO

AXIS : un moteur de données communautaire évolutif pour la manipulation robotique à grande échelle

Des chercheurs ont présenté AXIS, un moteur de données communautaire et évolutif pour l'apprentissage de la manipulation robotique, décrit dans un article déposé sur arXiv le 24 juillet 2026. Le système permet de collecter des démonstrations à grande échelle via téléopération directement dans le navigateur, sans matériel spécialisé ni opérateurs centralisés, et génère puis valide automatiquement de nouvelles tâches de manipulation. Un pipeline automatisé filtre la qualité des trajectoires, les lisse et applique des augmentations visuelles et physiques pour produire des données prêtes à l'entraînement. Le jeu de données AXIS compte actuellement 207 tâches diverses et plus de 50 000 trajectoires, organisées en "task snapshots" évalués selon un protocole strict à données retenues (held-out). Ce travail cible un goulot d'étranglement bien identifié du secteur : la difficulté à faire grandir les jeux de démonstrations utilisés pour entraîner les politiques vision-langage-action (VLA), jusqu'ici souvent limités par du matériel dédié ou des catalogues de tâches figés. Les auteurs montrent que le pré-entraînement continu sur AXIS améliore le taux de réussite global du modèle π0.5 de 5,8 points, et dépasse de 37,3 points un modèle pré-entraîné sur RoboCasa365, avec des gains qui s'accentuent à mesure que le volume de données augmente. Les progrès les plus nets apparaissent sous perturbations de disposition, de bruit capteur et de point de vue caméra, un signal utile pour les intégrateurs cherchant des politiques robustes hors laboratoire plutôt que de simples démonstrations réussies en conditions idéales. Le projet s'inscrit dans une tendance émergente consistant à traiter la collecte de données robotiques comme un problème d'échelle communautaire, à l'image de ce que le crowdsourcing a permis pour les grands modèles de langage. Il se positionne explicitement face à RoboCasa365, utilisé comme référence de comparaison, et s'appuie sur des politiques VLA existantes telles que π0.5 pour évaluer l'apport réel des données AXIS. Il s'agit à ce stade d'un article de recherche déposé en preprint, dont les résultats n'ont pas encore été validés par relecture par les pairs ni reproduits par des équipes tierces.

RecherchePaper

1 source

3MIT News Robotics

Une nouvelle puce pourrait aider les petits robots à traverser des environnements complexes

Des chercheurs du MIT ont conçu un système-sur-puce baptisé Gleanmer, capable de générer des cartes 3D en temps réel à partir d'un flux de caméra de profondeur, avec une consommation d'environ 6 milliwatts, soit l'équivalent d'une LED. Cette performance s'obtient grâce à une co-conception algorithme-matériel : l'équipe, menée par la professeure Vivienne Sze (EECS/RLE) et le professeur Sertac Karaman (aéronautique, directeur du LIDS), a couplé leur algorithme de cartographie GMMap à un accélérateur matériel dédié. Les co-premiers auteurs Zih-Sing Fu et Peter Zhi Xuan Li ont présenté ces travaux à l'IEEE Very Large-Scale Integrated Circuits Symposium. L'application cible annoncée : de petits UAVs à batterie limitée, comme ceux qui pourraient inspecter des conduits HVAC industriels pour détecter des fuites de gaz en naviguant dans des espaces confinés avec évitement d'obstacles. La différence technique réside dans la représentation géométrique. Là où les approches classiques modélisent l'espace en voxels, des cubes 3D qui demandent de charger et retraiter chaque image de profondeur plusieurs fois, Gleanmer utilise des gaussiennes, des ellipsoïdes dont la taille, la forme et l'orientation s'adaptent librement à la géométrie des objets. Un seul ellipsoïde allongé peut remplacer des dizaines de voxels pour représenter une surface courbe, ce qui réduit drastiquement l'empreinte mémoire. L'innovation clé est une technique de génération de gaussiennes en un seul passage sur l'image de profondeur : une fois traitée, l'image est effacée et n'a pas besoin d'être stockée. Résultat : des cartes denses incluant obstacles et espace libre, suffisantes pour planifier un chemin sans collision, générées sans le GPU ni la mémoire vive que requièrent habituellement les pipelines de cartographie dense. Pour un intégrateur robotique, cela signifie qu'il devient envisageable d'embarquer de la navigation autonome sur des plateformes où la contrainte énergétique était jusqu'ici rédhibitoire. Ce travail s'inscrit dans un effort plus large de miniaturisation des capacités de cartographie et de localisation simultanées (SLAM). Les systèmes embarqués actuels capables de cartographie 3D dense en temps réel, qu'il s'agisse de solutions comme Intel RealSense couplées à des SBC, ou des implémentations GPU embarquées type Nvidia Jetson, consomment plusieurs watts à quelques dizaines de watts, plusieurs ordres de grandeur au-dessus des 6 mW de Gleanmer. Les auteurs mentionnent aussi un second débouché : les casques de réalité augmentée légers, pour des applications médicales ou de maintenance industrielle, où l'autonomie de la batterie conditionne l'usage prolongé. Le composant n'est pour l'instant qu'un prototype de recherche présenté en symposium ; aucun partenariat industriel ni calendrier de productisation n'a été annoncé. Les prochaines étapes naturelles seraient une validation sur plateforme réelle en vol, et une intégration dans une chaîne SLAM complète incluant localisation, pas seulement cartographie.

RecherchePaper

1 source

4Interesting Engineering

Un nouveau système d'IA aide les robots à transférer leur entraînement virtuel vers des tâches réelles

Des chercheurs de l'Aston University et de l'University of Birmingham ont publié dans Scientific Reports une méthode d'entraînement robotique visant à réduire le "sim-to-real gap", ce fossé persistant entre les performances d'un robot en simulation et son comportement réel. L'approche, développée dans le cadre du projet REBELION financé par UK Research and Innovation, utilise un générateur de variations d'environnement piloté par IA : pendant la phase de simulation, le système introduit automatiquement des perturbations (bruit capteur, variabilité des matériaux, forces inattendues) pour entraîner le robot à des conditions plus proches du terrain. La validation expérimentale porte sur des tâches de manipulation et de découpe impliquant une interaction physique avec des matériaux, puis un ajustement avec un volume minimal de données réelles. Le cas d'usage mis en avant est le recyclage de batteries lithium-ion, où les robots doivent opérer autour de cellules endommagées ou potentiellement dangereuses, rendant les cycles de test physiques coûteux et risqués. L'intérêt industriel est direct : la dépendance à de longs cycles de test en environnement réel est l'un des principaux freins au déploiement rapide de robots dans des lignes de production ou des ateliers de recyclage. En permettant de compresser l'essentiel de l'apprentissage en simulation tout en garantissant un transfert fiable avec peu de données réelles, cette approche pourrait raccourcir significativement les timelines d'intégration et réduire les coûts opérationnels pour les industriels. Elle valide aussi une hypothèse qui fait débat dans le secteur depuis plusieurs années : que le sim-to-real gap n'est pas une fatalité, mais un problème d'exposition à la variance pendant l'entraînement. La vision formulée par le Dr. Alireza Rastegarpanah, assistant professor en applied AI and robotics à Aston University, est celle de systèmes robotiques "plug-and-play", entraînés une fois en simulation et redéployés rapidement dans un nouveau contexte sans reconfiguration lourde. C'est une promesse ambitieuse, et les résultats publiés restent limités à un périmètre de tâches contrôlées ; aucun chiffre de performance comparative (taux de succès, cycles de recalibration) n'est rendu public dans la version relayée. Le sim-to-real gap est un problème structurel documenté depuis les premières applications de reinforcement learning en robotique. Des acteurs comme Boston Dynamics, Agility Robotics ou encore Wandercraft (France, exosquelettes) utilisent des combinaisons de domain randomization et de transfert par imitation pour y répondre, avec des niveaux de maturité variables selon les tâches. Le projet REBELION s'inscrit dans un effort européen plus large sur l'automatisation du recyclage de batteries, filière en forte croissance avec l'essor des véhicules électriques. Les prochaines étapes annoncées par l'équipe visent à élargir la méthode à des environnements industriels plus incertains et à des applications en manufacturing avancé et opérations autonomes, sans calendrier précis communiqué.

UELa méthode du projet REBELION (financé UKRI, inscrit dans un effort européen) pourrait accélérer le déploiement de robots dans les filières EU de recyclage de batteries lithium-ion, secteur stratégique pour la transition électrique.

RecherchePaper

1 source