Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
GuideWalk : apprentissage de la navigation autonome et de la locomotion unifiées pour robots humanoïdes sur terrains variés
RecherchearXiv cs.RO 

GuideWalk : apprentissage de la navigation autonome et de la locomotion unifiées pour robots humanoïdes sur terrains variés

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

Des chercheurs présentent GuideWalk (arXiv:2606.10449, juin 2026), un framework unifié qui couple navigation autonome et locomotion adaptative pour robots humanoïdes sur terrains variés. L'architecture repose sur trois composantes : un module de navigation qui génère des guidances de vitesse explicites en tenant compte de la traversabilité du terrain, un schéma de distillation à enseignants composites qui agrège commandes directionnelles et actions dynamiquement cohérentes dans une politique unique, puis un affinement par apprentissage par renforcement (RL) couplé à un objectif auxiliaire de clonage comportemental (behavior cloning). Ce dernier mécanisme vise à maintenir les comportements souhaitables issus des enseignants tout en favorisant l'exploration. L'article reste au stade de preprint arXiv sans déploiement industriel annoncé ni métriques benchmarkées publiées dans l'abstract.

Le problème technique adressé est structurant pour la robotique humanoïde : l'évitement d'obstacles et la locomotion dynamique sont habituellement traités en silos, ce qui crée des incohérences lorsqu'un robot planifie sur escaliers, sol accidenté ou transitions sol dur/mou. GuideWalk découple explicitement la planification d'obstacles de l'état du terrain, ce qui est une approche architecturale plus propre que les solutions end-to-end brutes ou les pipelines hiérarchiques rigides. Pour les intégrateurs et décideurs B2B, le vrai enjeu est le sim-to-real gap sur locomotion hétérogène : si cette architecture tient ses promesses en évaluation externe, elle pourrait réduire le besoin d'ingénierie terrain-spécifique lors du déploiement en entrepôt ou en environnement industriel non structuré.

La navigation humanoïde sur terrains complexes reste un des derniers verrous majeurs avant déploiement opérationnel large, là où la locomotion pure en terrain plat est désormais relativement résolue chez Unitree (H1, G1), Boston Dynamics (Atlas) ou Agility Robotics (Digit). Des approches concurrentes comme GR00T N2 de NVIDIA ou les travaux de Physical Intelligence (Pi-0) s'attaquent au même problème via des Visual Language Action models (VLA) généralisés, tandis que des labos académiques comme CMU ou Berkeley publient régulièrement sur le sim-to-real en locomotion adaptative. GuideWalk s'inscrit dans cette vague mais avec une contribution méthodologique spécifique sur le couplage navigation-locomotion. Les prochaines étapes naturelles seraient une évaluation sur hardware réel (le preprint ne précise pas le robot utilisé) et une comparaison quantitative avec des baselines établies.

Dans nos dossiers

Boston DynamicsUnitreeAgility Robotics — DigitNVIDIA GR00T

À lire aussi

RPL : un apprentissage robuste de la locomotion perceptive humanoïde sur terrains difficiles
1arXiv cs.RO 

RPL : un apprentissage robuste de la locomotion perceptive humanoïde sur terrains difficiles

Des chercheurs présentent RPL (Robust Perceptive Locomotion), un cadre d'entraînement en deux étapes pour la locomotion multidirectionnelle de robots humanoïdes sur terrains difficiles, décrit dans une version révisée (v2) d'un article déposé sur arXiv (2602.03002). La méthode entraîne d'abord des politiques expertes spécifiques à chaque type de terrain, à partir d'observations privilégiées de cartes de hauteur, pour maîtriser séparément locomotion et manipulation. Ces experts sont ensuite distillés dans une politique unique basée sur un transformer, alimentée par plusieurs caméras de profondeur couvrant un large champ de vue. Deux techniques rendent cette distillation robuste en conditions multidirectionnelles : une mise à l'échelle des caractéristiques de profondeur pilotée par les commandes de vitesse, et un masquage aléatoire latéral pour gérer les observations de profondeur asymétriques et les largeurs de terrain inédites. Pour entraîner ce système à grande échelle, les auteurs ont développé un moteur de simulation multi-profondeur qui projette des rayons sur les maillages dynamiques du robot et les maillages statiques du terrain en environnements massivement parallèles, avec un gain de vitesse de 5 fois par rapport aux pipelines de rendu de profondeur des simulateurs existants, tout en modélisant latence, bruit et pertes de capteur réalistes. En conditions réelles, le robot a porté une charge de 2 kg tout en franchissant des pentes de 20 degrés, des escaliers aux marches de 22, 25 et 30 cm, ainsi que des pierres de gué de 25 cm sur 25 cm séparées par des espaces de 60 cm. Cette démonstration s'attaque directement à un angle mort du secteur : la plupart des vidéos promotionnelles de robots humanoïdes montrent une marche avant sur sol plat, alors que la robustesse multidirectionnelle sur terrain irrégulier, avec charge utile, reste rarement documentée en conditions réelles et non scénarisées. Pour les intégrateurs industriels envisageant des humanoïdes en logistique ou en inspection de sites, la capacité à transporter 2 kg sur escaliers et pierres de gué constitue un signal plus parlant que des mesures de vitesse ou de temps de cycle en environnement contrôlé. RPL s'inscrit dans la lignée des approches d'apprentissage par distillation enseignant-élève, déjà utilisées pour la locomotion quadrupède et bipède, mais appliquées ici spécifiquement au défi de la vision par profondeur multidirectionnelle chez l'humanoïde. L'accent mis sur un simulateur maison optimisé pour le rendu de profondeur souligne à quel point le goulot d'étranglement actuel du secteur reste moins l'algorithme de contrôle que l'infrastructure de simulation capable de générer des données réalistes à l'échelle. L'article ne précise pas de plateforme robotique commerciale ni de calendrier de déploiement, s'agissant d'une contribution de recherche plutôt que d'une annonce produit.

RecherchePaper
1 source
Apprentissage de politiques par simulation pour la loco-manipulation des robots humanoïdes
2arXiv cs.RO 

Apprentissage de politiques par simulation pour la loco-manipulation des robots humanoïdes

Une équipe de chercheurs a publié le 9 juin 2026 sur arXiv (2606.08278) SIMPLE, un banc de test de simulation unifié pour l'apprentissage et l'évaluation de politiques de contrôle de robots humanoïdes. La plateforme couple la simulation de dynamique de contact de MuJoCo avec le rendu photoréaliste d'IsaacSim, et propose 60 tâches de loco-manipulation plein corps, 50 scènes d'intérieur et plus de 1 000 assets d'objets. Pour la collecte de données, deux pipelines sont intégrés : génération automatisée de trajectoires par planification de mouvement, et interface de téléopération VR à faible latence. Les auteurs y benchmarkent plusieurs familles de politiques humanoïdes : réseaux d'imitation légers, grands modèles vision-langage-action (VLA) et les récents modèles d'action du monde (WAM, World Action Models). Les expériences démontrent, selon les auteurs, un transfert zero-shot vers des robots humanoïdes physiques dans des configurations similaires. L'enjeu central est un goulot d'étranglement d'évaluation : les modèles fondationnels humanoïdes progressent plus vite que les protocoles pour les tester. Les benchmarks existants se concentrent sur la robotique de table ou les robots à roues, sans couvrir la loco-manipulation plein corps, compétence clé pour les humanoïdes déployés en environnement industriel ou domestique. Si la corrélation sim-to-real revendiquée dans l'article se confirme à plus grande échelle, elle légitime le recours massif à la simulation pour entraîner des politiques de contrôle, réduisant drastiquement les coûts de collecte de données en conditions réelles. C'est précisément le pari industriel de Physical Intelligence avec pi-0, et de Figure AI avec Figure 02 : remplacer les démos téléopérées coûteuses par des pipelines simulés reproductibles. La fragmentation des benchmarks est un problème structurel en robotique humanoïde : chaque laboratoire publie sur ses propres protocoles, rendant toute comparaison inter-équipes difficile. Des initiatives comme HumanoidBench, RoboVerse ou Isaac Lab ont tenté d'y répondre, mais sans couvrir la chaîne complète loco-manipulation avec rendu photoréaliste et pipelines de données intégrés. SIMPLE se positionne à cette intersection. Les équipes de Google DeepMind (GR00T N2, Helix), Agility Robotics (Digit) et Boston Dynamics sont directement concernées. Ce preprint arXiv n'est pas encore évalué par les pairs ; l'adoption par la communauté dépendra de la disponibilité publique du code et des assets, non encore confirmée.

RecherchePaper
1 source
Apprentissage par renforcement guidé par référence pour la navigation autonome de robots humanoïdes en terrain variable
3arXiv 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
HumanoidVLN : simulateur et référentiel physiques pour la navigation vision-langage sur robots humanoïdes variés
4arXiv cs.RO 

HumanoidVLN : simulateur et référentiel physiques pour la navigation vision-langage sur robots humanoïdes variés

HumanoidVLN, un simulateur et benchmark ancré dans la physique pour la navigation par instructions vision-langage chez les robots humanoïdes, a été détaillé dans un article publié en août 2026 (arXiv:2608.12860v1). Bâti sur NVIDIA Isaac Sim, il couvre quatre robots aux morphologies distinctes, les Unitree G1 et H1 ainsi que deux plateformes internes baptisées Internal-A et Internal-B, avec 10 à 12 degrés de liberté aux jambes et des tailles de 1,17 m à 1,80 m, pilotés par une architecture combinant une politique de locomotion par apprentissage par renforcement et des suiveurs de trajectoire PD ou MPC interchangeables. Un pipeline multi-agent avec supervision humaine génère 933 épisodes de référence sans collision, chacun assorti d'une instruction précise et de trois variantes stylistiques, testés sur quatre modèles VLN existants : NaVILA, DualVLN, StreamVLN et JanusVLN. JanusVLN arrive en tête avec 43,55% de réussite moyenne et un score nDTW de 48,38, tandis qu'un pilote sim-to-real de 20 épisodes avec DualVLN sur un Unitree G1 réel affiche une corrélation d'erreur de r=0,935 et un écart moyen de 0,68 mètre. Ce travail comble un angle mort des benchmarks VLN existants, conçus pour des agents à roues et donc aveugles aux contraintes propres à la bipédie, comme l'instabilité ou la distorsion des observations liée à la démarche. Un simulateur physique compatible avec plusieurs contrôleurs et morphologies réduit le risque de sur-optimiser un modèle pour un environnement qui ne reflète pas le comportement réel du robot. La forte corrélation entre résultats simulés et réels suggère un proxy fiable pour anticiper le comportement en conditions réelles, un enjeu central alors que l'écart sim-to-real reste un frein majeur à la commercialisation des humanoïdes autonomes. Un taux de réussite plafonnant sous 44% pour le meilleur modèle confirme aussi que la navigation par instructions naturelles demeure largement non résolue, loin des discours commerciaux vantant la maturité des architectures vision-langage-action pour l'humanoïde. HumanoidVLN s'inscrit dans une vague de benchmarks cherchant à combler l'écart entre simulations conçues pour robots à roues ou bras manipulateurs et les exigences propres aux humanoïdes bipèdes, à mesure que les Unitree G1 et H1 se banalisent dans la recherche académique. En confrontant simultanément quatre modèles VLN sur quatre morphologies distinctes, les auteurs positionnent leur outil comme un banc d'essai neutre plutôt qu'une vitrine pour une architecture donnée. Il s'agit d'un travail académique, sans entreprise commerciale directement impliquée dans la publication. Code, benchmark et données doivent être publiés sur humanoid-vln.github.io après acceptation de l'article, mais ne sont pas encore accessibles, ce qui empêche pour l'instant toute reproduction indépendante des résultats annoncés.

RecherchePaper
1 source