Aller au contenu principal
Recherche technique d'ABot-C0 sur les comportements fondamentaux pour robots quadrupèdesIllustration générée par IA
RecherchearXiv cs.RO 

Recherche technique d'ABot-C0 sur les comportements fondamentaux pour robots quadrupèdes

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

ABot-C0, présenté dans un rapport technique publié sur arXiv (2607.07370), est un système généraliste de contrôle de mouvement pour robots quadrupèdes reposant sur trois piliers complémentaires. Les chercheurs ont d'abord construit une pyramide de données combinant génération vidéo conditionnelle, capture de mouvement annotée, téléopération et conception manuelle, pour produire 16 074 séquences de mouvement physiquement réalisables. Sur cette base, ils ont entraîné une politique généraliste par flow-matching qui, selon les auteurs, démontre pour la première fois une loi d'échelle pour le suivi de mouvement chez les quadrupèdes: les performances s'améliorent de façon constante avec l'augmentation des données d'entraînement, avec une capacité à suivre des mouvements inédits sans exemples spécifiques (zero-shot). Pour la locomotion sur tout-terrain, l'équipe a développé un cadre en trois étapes passant d'un contrôle privilégié à un contrôle perceptif, appuyé sur une mémoire temporelle LiDAR et une supervision prédictive du terrain. Le système a été testé en navigation autonome sur terrain urbain et en interaction multimodale de type compagnon.

L'enjeu dépasse la simple démonstration technique. Contrairement aux robots humanoïdes, qui bénéficient de vastes corpus de capture de mouvement humain et d'un paradigme de motion-tracking déjà mature, les quadrupèdes souffrent d'un manque criant de données animales exploitables, et le transfert d'un squelette à un autre reste fragile. En traitant ce problème par la synthèse vidéo et une politique d'apprentissage unifiée, ce travail cherche à combler l'écart entre les deux familles de robots. La revendication centrale, faire passer les quadrupèdes de démonstrations mono-fonction à une intelligence comportementale de niveau produit, doit toutefois être lue comme une affirmation d'auteurs de papier de recherche, non comme un déploiement commercial vérifié: les expériences relatées restent des tests en conditions contrôlées ou semi-contrôlées, pas des mises en service industrielles à grande échelle.

Ce travail s'inscrit dans une dynamique plus large où l'apprentissage de bout en bout par grands modèles de mouvement, déjà éprouvé sur les humanoïdes commerciaux, cherche à s'étendre aux plateformes quadrupèdes utilisées en inspection, sécurité ou logistique, un segment où des acteurs comme Unitree, ANYbotics ou Boston Dynamics dominent aujourd'hui avec des commandes plus classiques. En s'appuyant sur des données synthétiques plutôt que sur la capture animale, coûteuse et rare, les auteurs ouvrent une piste pour industrialiser l'entraînement de ces robots. Aucune date de déploiement commercial ni partenaire industriel n'est mentionnée dans ce rapport, qui reste à ce stade une contribution académique destinée à être suivie par d'autres itérations.

À lire aussi

Calcul au moment du test pour les modèles fondation de comportement des robots humanoïdes
Illustration générée par IA
1arXiv cs.RO 

Calcul au moment du test pour les modèles fondation de comportement des robots humanoïdes

Des chercheurs proposent une méthode, baptisée Test-Time Command Optimization (TTCO), pour réduire l'écart entre les mouvements demandés à un humanoïde et ceux qu'il exécute réellement. Elle s'applique aux Behavior Foundation Models (BFMs), des contrôleurs généralistes de corps entier capables de suivre un large répertoire de mouvements. Ces modèles souffrent d'un « command-exécution gap » systématique : la trajectoire exécutée dévie de la trajectoire commandée. TTCO ne réentraîne pas le BFM. Elle modifie la commande d'entrée par optimisation par échantillonnage, en simulant en boucle fermée le BFM couplé à la dynamique du robot, jusqu'à ce que le mouvement exécuté colle au mouvement visé.

RecherchePaper
1 source
Contrôle de commande pour un robot animatronique bipède monté, à forme quadrupède
Illustration générée par IA
2arXiv cs.RO 

Contrôle de commande pour un robot animatronique bipède monté, à forme quadrupède

Le robot décrit dans cette publication arXiv (2607.16302v1) est un deux-roues chevauchable doté de quatre membres articulés, conçu pour incarner un personnage animatronique capable de porter un pilote sur son dos tout en exécutant une démarche quadrupède dynamique. Plutôt que de faire reposer tout le déplacement sur les membres, ce qui exigerait des moteurs surdimensionnés et des pattes renforcées au prix d'un poids excessif et d'une allure très lente, les chercheurs ont opté pour une base à deux roues auto-équilibrée comme mode de locomotion principal.

RecherchePaper
1 source
RoboPace : recadrage temporel optimal sous contacts pour les politiques à segments d'actions
Illustration générée par IA
3arXiv cs.RO 

RoboPace : recadrage temporel optimal sous contacts pour les politiques à segments d'actions

RoboPace, une couche de « retiming » en ligne décrite dans l'article arXiv 2610.09696, vise à régler un problème de timing propre aux politiques VLA (Vision-Language-Action) entraînées sur des démonstrations sans robot. La collecte de données se déplace de la téléopération vers des interfaces comme l'Universal Manipulation Interface (UMI), voire vers l'enregistrement direct des mains humaines. Les politiques entraînées ainsi héritent du rythme du démonstrateur. Or ce rythme ne se transpose pas tel quel. Une main humaine, compliante, encaisse un contact rapide, alors qu'un robot peut dépasser sa cible à cause des limites de ses actionneurs et de son suivi de trajectoire. À l'inverse, le robot peut aller plus vite que l'humain en espace libre.

RecherchePaper
1 source
Une approche hors ligne d'apprentissage par renforcement guidé par fNIRS pour le comportement des robots
Illustration générée par IA
4arXiv cs.RO 

Une approche hors ligne d'apprentissage par renforcement guidé par fNIRS pour le comportement des robots

Une nouvelle étude, publiée sur arXiv (2607.14393v1) mi-juillet 2026, explore la possibilité de piloter l'apprentissage par renforcement de robots à l'aide de signaux cérébraux captés par spectroscopie proche infrarouge fonctionnelle (fNIRS), une technique d'imagerie optique non invasive. Les chercheurs testent leur approche en simulation, en comparant des agents entraînés sur des tâches d'interaction passive (l'humain observe) et active (l'humain démontre l'action). Plusieurs méthodes d'intégration du signal neural dans l'algorithme de RL sont évaluées, avec un choix de conception clé : le signal cérébral vient augmenter les paramètres existants plutôt que les remplacer. L'équipe étudie aussi l'impact de la granularité du modèle et du bruit sur la qualité de l'apprentissage.

RecherchePaper
1 source