Aller au contenu principal
HEFT : téléopération d'humanoïde grandeur nature à charge lourde, guidage privilégié et curriculum par fenêtresIllustration générée par IA
RecherchearXiv cs.RO 

HEFT : téléopération d'humanoïde grandeur nature à charge lourde, guidage privilégié et curriculum par fenêtres

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 présentent HEFT (Heavy-payload full-size humanoid teleoperation), un framework de téléopération détaillé dans une publication arXiv datée du 2 juillet 2026 (référence 2607.02332v1). Contrairement à la plupart des systèmes de suivi de mouvement validés sur des plateformes compactes ou sans charge réelle, HEFT est testé sur un humanoïde grande taille : L7, un robot de 175 cm pour 65 kg. Le robot reproduit des mouvements de téléopération incluant virages, marche avant et arrière, et squats, avec des charges utiles allant jusqu'à 24 kg. Deux briques techniques rendent cela possible : le Privileged Motion Guidance (PMG), qui entraîne le système à partir de références VR bruitées combinées à des références reconstruites physiquement plausibles, et le Windowed Payload Curriculum (WPC), qui augmente progressivement la charge tolérée grâce à des plafonds guidés par un expert.

Cette démonstration s'attaque à un angle mort connu du secteur humanoïde : l'écart entre les vidéos de démonstration et la réalité opérationnelle. Les casques et contrôleurs VR grand public utilisés en téléopération génèrent du bruit, de la dérive et des erreurs de retargeting qui deviennent critiques sur un robot grande taille, dont l'inertie plus élevée et les marges d'équilibre plus étroites amplifient le moindre écart de trajectoire. En maintenant la stabilité tout en portant des charges proches d'un tiers de son propre poids, HEFT apporte un élément de preuve concret que le transfert VR vers robot peut tenir à l'échelle humaine réelle, un point disputé alors que la plupart des démonstrations humanoïdes commerciales (Figure 03, Optimus, GR00T N2, Helix) mettent l'accent sur la manipulation fine plutôt que sur le port de charges lourdes. Pour les intégrateurs industriels, cela ouvre la perspective de tâches logistiques, chargement, port de bacs, palettisation, aujourd'hui hors de portée des humanoïdes commerciaux.

La téléopération reste la voie privilégiée par de nombreux laboratoires pour collecter des données d'entraînement avant d'automatiser les tâches via des politiques apprises, plutôt que de dépendre uniquement de la simulation. HEFT s'inscrit dans cette lignée de travaux académiques sur le suivi de mouvement humanoïde, aux côtés des approches VLA déployées par les acteurs commerciaux du secteur. Le papier ne mentionne aucun plan de commercialisation ni partenaire industriel pour L7 : il s'agit à ce stade d'une publication de recherche démontrant une faisabilité technique, pas d'un déploiement en environnement réel. Aucun calendrier de suite n'est communiqué, mais la validation sur une charge de 24 kg positionne ce travail comme une référence potentielle pour les futurs benchmarks de téléopération humanoïde à charge lourde, un axe encore peu couvert face aux démonstrations de dextérité manuelle qui dominent la littérature.

À lire aussi

Téléopération humanoïde à prise en compte de l'inertie via commande prédictive du corps entier et estimation de paramètres en ligne
Illustration générée par IA
1arXiv cs.RO 

Téléopération humanoïde à prise en compte de l'inertie via commande prédictive du corps entier et estimation de paramètres en ligne

Des chercheurs proposent une architecture de téléopération pour robot humanoïde capable de compenser en temps réel les variations d'inertie liées au port de charges lourdes ou à l'utilisation d'outils. Le système couple un contrôleur prédictif sur modèle du corps entier (WB-MPC, whole body model predictive control) à un filtre de Kalman étendu (EKF) qui estime en ligne des paramètres inertiels variables dans le temps, contraints pour rester physiquement cohérents (masse positive, tenseur d'inertie valide). Ces estimations alimentent le modèle de dynamique complète des corps rigides du WB-MPC, ce qui produit des couples en boucle ouverte (feedforward) plus précis lorsque le robot subit une charge externe. Une interface de réalité virtuelle permet à l'opérateur de fournir des références de tâche sans se soucier de la charge, la gestion de l'équilibre dynamique étant déléguée au contrôleur. La validation repose sur des simulations et des essais matériels sur un système humanoïde, que le résumé ne nomme pas. Il ne donne ni masse de charge, ni degrés de liberté, ni temps de cycle, ni gain chiffré par rapport à une base de référence. L'enjeu est concret pour quiconque envisage un humanoïde en logistique, en maintenance ou en manutention. Dès que la charge représente une part significative de la masse totale du système robot plus charge, la laisser au seul retour d'état (feedback) dégrade le suivi et menace l'équilibre. Les auteurs soutiennent que l'identification en ligne de la charge, plutôt que sa compensation par la boucle de rétroaction, est la voie la plus générale. C'est un point que les démonstrations spectaculaires de portage passent souvent sous silence. L'approche est aussi complémentaire des politiques VLA (vision-langage-action) apprises de bout en bout, qui peinent à exploiter explicitement la physique de la charge. Elle suggère qu'un contrôle modèle-based bien identifié reste pertinent pour les tâches à fort contact et à forte inertie. Il faut toutefois rester prudent: sans valeurs chiffrées publiées dans le résumé, la robustesse face à des charges inconnues, à du bruit capteur ou à des temps de calcul contraints reste à vérifier dans le texte intégral. Ce travail s'inscrit dans la continuité des contrôleurs MPC sur corps entier, déjà éprouvés sur des quadrupèdes et des humanoïdes, et des méthodes d'identification inertielle issues de la manipulation. Il s'agit d'une prépublication arXiv, donc d'un résultat de recherche non évalué par les pairs, et non d'un produit ni d'un déploiement. Les grands acteurs de l'humanoïde industriel, dont Figure, Agility, Apptronik et Tesla avec Optimus, misent surtout sur des politiques apprises et la téléopération pour collecter des données, tandis que des équipes académiques et des acteurs européens comme Wandercraft, qui maîtrise le contrôle de marche sur exosquelette, travaillent sur le contrôle dynamique fondé sur des modèles. La suite logique serait une validation sur des charges plus lourdes et plus variées, un transfert vers des plateformes commerciales et une intégration avec des politiques apprises pour les tâches de plus haut niveau.

RecherchePaper
1 source
FAME : RL adaptatif à la force pour élargir l'enveloppe de manipulation d'un robot humanoïde grandeur nature
Illustration générée par IA
2arXiv cs.RO 

FAME : RL adaptatif à la force pour élargir l'enveloppe de manipulation d'un robot humanoïde grandeur nature

Des chercheurs du laboratoire CORRELL proposent FAME, un cadre d'apprentissage par renforcement qui permet à un humanoïde grandeur nature de rester stable lorsqu'il subit des forces aux mains pendant une manipulation bimanuelle. Le travail, publié sur arXiv (2603.08961, version 2), conditionne une politique de maintien debout sur un contexte latent appris qui encode à la fois la configuration articulaire du haut du corps et les forces d'interaction aux deux mains. L'entraînement applique des forces 3D échantillonnées de façon isotrope sur chaque main, selon un curriculum de postures du haut du corps. Au déploiement, la force n'est pas mesurée : elle est reconstruite en ligne à partir des couples et états articulaires par dynamique inverse du corps rigide, sans capteur force/couple au poignet. Sur plus de 100 configurations du haut du corps soumises à des forces croissantes, FAME atteint 38,9 % de réussite avec une tolérance de 150 mm sur la position des mains. Les références plafonnent à 16,6 % (même force sans encodage), 4,3 % (politique à curriculum conditionnée par la pose) et 24,7 % (politique de locomotion entraînée de façon adverse). Le transfert est montré dans une cuisine simulée sous MuJoCo, puis sur un Unitree H1-2 grandeur nature avec des charges asymétriques et bimanuelles. Le code et les vidéos sont publiés. Ce résultat s'attaque à un point faible de la manipulation humanoïde : la plupart des politiques de locomotion savent ne pas tomber, mais pas tenir une tâche pendant qu'on les pousse. Le critère de réussite est ici plus exigeant que le simple fait de rester debout, puisque le robot doit aussi garder les mains près de la cible. La politique adverse en est l'illustration : elle reste droite en faisant un pas, ce qui déplace les mains et fait échouer la tâche. Pour un intégrateur, le gain est double. Retirer les capteurs F/T de poignet réduit coût, masse et fragilité, et la dynamique inverse est déjà disponible sur les plateformes à retour de couple. Il faut toutefois relativiser : 38,9 % de réussite sur un balayage volontairement difficile de forces et de postures montre que l'enveloppe reste étroite, très loin d'un niveau de fiabilité industrielle. Les résultats sont aussi essentiellement obtenus en simulation, avec une démonstration matérielle qualitative sur le H1-2, sans taux de réussite chiffré sur robot réel. Le travail s'inscrit dans la montée des politiques de contrôle du corps entier pour humanoïdes, où la manipulation avec charge reste moins mature que la marche ou la téléopération. Il se positionne face aux approches de robustesse par entraînement adverse et aux politiques conditionnées sur la seule pose, que les auteurs surclassent nettement dans leur protocole. Les acteurs commerciaux comme Figure, Tesla (Optimus) ou Agility misent sur des contrôleurs propriétaires dont les performances sous charge ne sont pas publiées, ce qui rend la comparaison impossible. Les prochaines étapes naturelles seraient d'intégrer ce contrôleur de stabilité sous une politique de manipulation de type VLA, de quantifier les résultats sur robot réel et d'élargir l'enveloppe au-delà de la posture debout, vers la marche chargée.

RecherchePaper
1 source
HuMiT : téléopération humanoïde du corps entier à faible latence par suivi de référence compact
Illustration générée par IA
3arXiv cs.RO 

HuMiT : téléopération humanoïde du corps entier à faible latence par suivi de référence compact

HuMiT, un système de téléopération du corps entier pour humanoïde décrit dans un preprint arXiv (2610.29903), repose sur une politique de suivi unifiée qui n'exige qu'une référence très compacte: la hauteur de la racine (le bassin), sa vitesse, et les poses SE(3) (position et orientation 3D) de quatre points clés épars, le tout à l'instant courant. Les méthodes concurrentes réclament typiquement les positions articulaires complètes, des transformations denses de segments corporels, voire des images futures de la trajectoire. Les auteurs annoncent une latence de communication à inférence d'environ 20 ms, mesurée entre le flux du casque de réalité virtuelle et la sortie de la politique, et une latence de bout en bout de 65 ms en médiane, estimée par flux optique vidéo sur différents types de mouvements. Le système a été validé sur un Unitree G1, avec des démonstrations de réactions quasi instantanées, comme attraper une balle lancée, et de loco-manipulation coordonnée. Il s'agit d'un résultat de laboratoire sur un seul robot, sans déploiement industriel ni chiffre de fiabilité statistique dans le résumé. L'intérêt pratique tient au découplage entre le contrôleur et les modules en amont. Dans la plupart des chaînes de téléopération, le retargeting par optimisation (la conversion du mouvement humain en mouvement du robot) et le conditionnement sur des images futures ajoutent un délai incompatible avec des tâches dynamiques. En réduisant la référence à quelques points clés, HuMiT supprime ce goulot et rend possible un pilotage avec un simple casque et un nombre limité de capteurs. Pour les intégrateurs, c'est une piste pour abaisser le coût et la complexité de la collecte de données de démonstration, devenue centrale pour entraîner les modèles vision-langage-action (VLA). Reste une réserve: l'affirmation d'une fidélité de suivi « compétitive » dépend des benchmarks choisis, et le cas de la balle attrapée, spectaculaire en vidéo, ne dit rien de son taux de réussite. Ce travail s'inscrit dans la lignée des politiques de suivi de mouvement apprises par renforcement en simulation puis transférées au réel, qui ont fait du G1 la plateforme académique de référence grâce à son prix relativement accessible. Il se situe dans le même courant que les systèmes de téléopération du corps entier développés par des laboratoires universitaires et des acteurs comme NVIDIA avec ses travaux GR00T, qui cherchent tous à produire des données de qualité à grande échelle. Les prochaines étapes naturelles seraient la validation sur d'autres morphologies, des durées d'opération longues et des tâches de manipulation plus fines. La page projet du preprint devrait en préciser les vidéos et, éventuellement, le code.

RecherchePaper
1 source
Synthèse naturelle du mouvement assis-debout pour humanoïdes via curriculum d'assistance guidée et récompenses par étapes
Illustration générée par IA
4arXiv cs.RO 

Synthèse naturelle du mouvement assis-debout pour humanoïdes via curriculum d'assistance guidée et récompenses par étapes

Une équipe de recherche publie un article arXiv (arXiv:2608.20823, mis en ligne le 24 aout 2026) qui présente une méthode d'apprentissage par renforcement pour générer un mouvement naturel de passage assis-debout (sit-to-stand, STS) chez un humanoïde, sans aucune démonstration humaine ni trajectoire de référence. Une politique unique, entraînée par Proximal Policy Optimisation (PPO), combine trois mécanismes: un curriculum couple force/hauteur de chaise, ou une force verticale assistant le bassin facilite l'exploration au début de l'entrainement puis décroît progressivement a mesure que des chaises plus hautes sont introduites; un échantillonnage aléatoire de poses initiales et cibles générées par cinématique inverse sur plus de huit hauteurs de siège différentes; et une fonction de récompense inspirée de la biomécanique, qui guide le moment angulaire au décollement du siège et la transition du centre de pression pour un mouvement fluide et peu couteux en effort. Sur un évaluateur déterministe sans assistance de force, la politique atteint plus de 97% de réussite de mise en position debout équilibrée sur les huit hauteurs testées, y compris depuis des assises très enfoncées, un cas ou les approches antérieures échouaient plus fréquemment. Ce résultat est significatif parce que le passage assis-debout reste un problème de contrôle particulièrement difficile: un humanoïde dispose d'une infinité de trajectoires possibles pour se lever en gardant l'équilibre, et les solutions existantes reposent généralement sur des démonstrations captées par motion capture ou des trajectoires codées a la main, ce qui limite leur adaptation a de nouvelles hauteurs de siège ou postures de départ. Montrer qu'une politique RL entraînée entièrement en simulation, sans données démonstratives, généralisé a huit hauteurs de chaise et surpasse l'état de l'art sur les postures profondément assises ouvre une piste pour réduire l'ingénierie manuelle requise a chaque nouveau scenario de mobilité. C'est un signal utile pour les équipes travaillant sur le contrôle bas niveau de robots humanoïdes destines a des environnements humains, ou se relever depuis des assises variées (canapé, chaise basse, sol) est une brique fonctionnelle courante mais rarement rendue robuste. Ces résultats restent toutefois obtenus uniquement en simulation, sur un évaluateur déterministe sans le bruit ni les incertitudes d'un robot physique réel: aucun déploiement matériel n'est rapporte, et le transfert vers le monde réel n'est pas traite dans l'article. La démarche s'inscrit dans la lignée des travaux sur le curriculum learning applique au contrôle humanoïde par renforcement, une approche distincte des modèles généralistes de type vision-language-action, davantage orientes vers la manipulation et les taches de haut niveau que vers le contrôle fin de l'équilibre corporel. Aucune entreprise ni plateforme robotique commerciale n'est associée a ces travaux, qui relèvent de la recherche académique. Les auteurs ne mentionnent pas de suite prévue, comme un portage sur robot physique, laissant ouverte la question de la robustesse hors simulation.

RecherchePaper
1 source