RechercheRobohub 13 juillet 2026

Le bracelet permet de contrôler une main robotique par ses propres mouvements

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs du MIT ont mis au point un bracelet à ultrasons capable de suivre en temps réel les mouvements de la main d'un porteur avec une précision inédite. Le dispositif produit des images échographiques des muscles, tendons et ligaments du poignet pendant que la main bouge, images qu'un algorithme d'intelligence artificielle traduit en continu en positions des cinq doigts et de la paume. L'équipe, dirigée par Xuanhe Zhao, professeur de génie mécanique au MIT, et Gengxi Lu, a présenté ses résultats dans un article publié dans Nature Electronics. Lors des démonstrations, un porteur du bracelet a pu piloter sans fil une main robotique en reproduisant simplement ses propres gestes : le robot a ainsi joué un air simple au piano et envoyé un petit ballon dans un panier de bureau. Le même bracelet permet aussi de manipuler des objets virtuels à l'écran, par exemple en pinçant les doigts pour agrandir ou réduire un élément graphique. Les travaux associent des équipes du MIT et de l'University of Southern California, avec la contribution du professeur Qifa Zhou.

Cette approche s'attaque à un problème concret pour l'industrie robotique et la réalité augmentée : le suivi fin des gestes de la main reste un goulot d'étranglement technique. Les systèmes par caméra souffrent d'occlusions visuelles et nécessitent une infrastructure lourde ; les gants à capteurs limitent la liberté de mouvement et les sensations naturelles ; les capteurs électromyographiques, qui lisent les signaux électriques des muscles de l'avant-bras, restent sensibles au bruit et peinent à distinguer les mouvements intermédiaires entre deux positions extrêmes. L'imagerie ultrasonore, elle, capte directement l'activité mécanique des tissus et pourrait offrir un suivi continu et fin, exploitable aussi bien pour remplacer les capteurs de mouvement en AR/VR que pour générer, à grande échelle, des données d'entraînement pour des robots humanoïdes dexterité, un besoin identifié comme critique pour combler l'écart entre démonstrations en laboratoire et déploiement réel des modèles vision-langage-action.

Il s'agit à ce stade d'une preuve de concept académique, pas d'un produit commercialisé : les démonstrations de piano ou de basketball, bien que spectaculaires, restent des tâches simples et contrôlées en environnement de recherche. L'équipe du MIT, connue pour ses travaux sur les dispositifs portables et la robotique souple, prévoit maintenant de collecter des données auprès d'un plus grand nombre d'utilisateurs aux morphologies de main variées, afin de constituer un jeu de données massif. L'objectif affiché est de nourrir l'entraînement de robots humanoïdes sur des tâches de dextérité fine, y compris des gestes chirurgicaux, ainsi que des applications de jeu vidéo et de conception assistée par ordinateur.

Dans nos dossiers

IA physique & VLA

À lire aussi

1Robotics Business Review

BioflexBot : une main robotique conçue pour reproduire les mouvements clés de la main humaine

Une équipe de chercheurs chinois a présenté BioflexBot, une nouvelle main robotique conçue pour reproduire les mouvements fondamentaux de la main humaine, dans une étude publiée par Wiley dans la revue Advanced Science. Contrairement aux préhenseurs anthropomorphes classiques qui copient l'anatomie complexe de la main, BioflexBot repose sur un ressort spiralé, une coque de contrainte et un système pneumatique simple piloté par seulement deux entrées d'air comprimé. Les auteurs principaux, Yingtian Li (Chinese University of Hong Kong, Shenzhen) et Yang Yang (Nanjing University of Information Science and Technology), ont validé quatre mouvements clés: le pincement, avec la manipulation d'une aiguille d'acupuncture et le transport de liquide via une pipette; la rotation, avec un bouchon de bouteille tourné près de quatre fois plus loin qu'une main humaine; l'accrochage d'objets comme une boîte à outils ou des lunettes; et la préhension d'objets jusqu'à treize fois plus volumineux que des systèmes comparables. La main peut aussi s'étendre et se rétracter 3,5 fois plus qu'une main humaine, selon les chercheurs. Trois démonstrations d'application ont été menées: l'inspection d'un mockup imprimé en 3D d'un ensemble d'aubes de moteur d'avion, l'intégration à un robot humanoïde pour des tâches quotidiennes, et la conduite d'une expérience de chimie. Ce travail s'inscrit dans un débat central de la robotique humanoïde: faut-il répliquer la forme de la main humaine ou seulement ses fonctions. Les mains anthropomorphes multi-doigts, coûteuses en matériel et en contrôle, restent un goulot d'étranglement pour l'industrie, y compris pour des plateformes commerciales comme Optimus ou Figure. En misant sur la simplicité mécanique plutôt que sur la complexité biomimétique, BioflexBot promet une dextérité élevée à coût réduit, un argument qui parle directement aux intégrateurs industriels et aux décideurs cherchant à déployer de la manipulation robotique en inspection aéronautique, en laboratoire ou en logistique fine. Il faut toutefois noter qu'il s'agit d'un prototype de recherche académique validé en conditions contrôlées, pas d'un produit commercialisé ni déployé en usine, et que les chiffres de performance (rotation, extension, taille d'objets saisis) proviennent des propres essais des auteurs, sans comparaison indépendante standardisée. BioflexBot s'ajoute à une vague de recherches sur des effecteurs terminaux alternatifs, alors que les grands acteurs du secteur humanoïde investissent massivement dans des mains à plusieurs doigts pilotées par des modèles vision-langage-action comme GR00T N2 ou Helix. Les laboratoires chinois, ici la Chinese University of Hong Kong à Shenzhen et l'université de Nanjing, positionnent leur approche comme une alternative à bas coût plutôt qu'une concurrente directe de ces systèmes complexes. Les chercheurs indiquent vouloir transformer leur prototype en une plateforme entièrement automatisée dans de futurs travaux, sans calendrier ni partenaire industriel annoncé à ce stade.

RecherchePaper

1 source

2arXiv cs.RO

Apprentissage du contrôle de mouvement basse fréquence pour une locomotion robotique robuste et dynamique

Des chercheurs du groupe Dynamic Robot Systems de l'université d'Oxford démontrent qu'un contrôleur de locomotion appris peut fonctionner à seulement 8 Hz sur un quadrupède ANYmal C réel, là où la pratique courante pousse la fréquence de commande très haut pour gagner en réactivité. Le robot atteint de façon répétable une vitesse de 1,5 m/s, franchit des terrains irréguliers et résiste à des perturbations externes imprévues. Les auteurs comparent aussi des politiques d'apprentissage par renforcement profond (deep RL) entraînées et exécutées de 5 Hz à 200 Hz. Résultat central : les politiques basses fréquences se montrent moins sensibles aux latences d'actionnement et aux variations de la dynamique du système. Au point qu'un transfert simulation-réel réussit sans randomisation de la dynamique ni modélisation des actionneurs. Le code d'entraînement et de déploiement est publié, avec une analyse étendue, pour permettre la reproduction. Il s'agit d'une version révisée (v3) d'un article déposé en 2022 sur arXiv, et non d'une nouveauté. L'enjeu est d'abord économique et d'ingénierie. Réduire la fréquence de commande allège la charge de calcul embarquée, ce qui ouvre la voie à des processeurs plus modestes, moins énergivores et moins coûteux. Cela compte pour les intégrateurs et les fabricants de robots à pattes, dont les budgets de masse et de batterie sont serrés. Surtout, le résultat s'attaque à l'une des principales difficultés du sim-to-real : la fabrication de simulateurs et de modèles d'actionneurs très fidèles, ainsi que l'ajustement fin de la randomisation de domaine. Si un simple abaissement de la fréquence suffit à absorber une partie de l'écart de réalité, le pipeline de déploiement se simplifie. Il faut toutefois nuancer. La démonstration porte sur un seul robot, l'ANYmal C, et sur une tâche de locomotion aveugle ou proche de celle-ci. Les 1,5 m/s restent modestes face aux records de vitesse des quadrupèdes. Rien ne prouve que la conclusion s'étende à des humanoïdes, plus instables, ni à la manipulation, où des boucles rapides restent souvent nécessaires. Ces travaux contredisent l'idée répandue selon laquelle plus de fréquence signifie plus de robustesse, et ils s'inscrivent dans la recherche sur la locomotion par RL née des travaux d'ETH Zurich et d'ANYbotics, constructeur de l'ANYmal. Aujourd'hui, les politiques de locomotion des quadrupèdes comme des humanoïdes tournent typiquement autour de 50 Hz, avec des contrôleurs bas niveau à plusieurs kHz. Les modèles VLA (vision-langage-action) actuels, eux, produisent des actions à basse fréquence et s'appuient sur des contrôleurs rapides en dessous, ce qui rend cette étude pertinente pour l'architecture hiérarchique de ces systèmes. La suite logique serait de tester l'approche sur d'autres morphologies, notamment bipèdes, et de l'intégrer à des pipelines de déploiement à grande échelle.

RecherchePaper

1 source

3arXiv cs.RO

Primitives de mouvement par le langage : ancrer les modèles de langage dans le mouvement robotique

Des chercheurs du Collaborative Robotics Lab de Virginia Tech ont publié Language Movement Primitives (LMP), un framework qui relie les modèles de vision-langage (VLM) aux Dynamic Movement Primitives (DMP), une famille de contrôleurs de trajectoire établie en robotique depuis les années 2000. Le principe: les DMP définissent des trajectoires continues et stables via un faible nombre de paramètres interprétables, et les VLM configurent ces paramètres directement à partir d'instructions en langage naturel. Testé sur 31 tâches de manipulation de bureau en conditions réelles, LMP atteint un taux de succès de 65%, contre 35% pour le meilleur système de référence évalué. Le pipeline fonctionne en mode zéro-shot, sans fine-tuning spécifique aux tâches cibles. L'article est disponible sur arXiv (2602.02839, troisième révision) et accompagné de vidéos de démonstration. Le vrai problème que LMP cible est le "grounding" moteur: transformer un raisonnement abstrait en commandes physiquement cohérentes. Les VLM comme GPT-4V excellent à décomposer une tâche en étapes logiques, mais produire des trajectoires exécutables reste hors de leur portée native. À l'inverse, les modèles de fondation robotique tels que Pi-0 de Physical Intelligence, GR00T N2 de NVIDIA ou RT-2 de Google génèrent des actions directement, mais nécessitent généralement un fine-tuning coûteux en données in-domain pour s'adapter à de nouvelles tâches. LMP propose une troisième voie: les DMP servent d'interface structurée entre le raisonnement LLM et le contrôle bas niveau, préservant la stabilité dynamique sans apprentissage supplémentaire. Le gain de 30 points de pourcentage en zéro-shot sur des tâches réelles est notable, même si le choix des baselines et les conditions de test précises mériteront une vérification indépendante par la communauté. Les DMP ont été formalisés par Schaal et al. dans les années 2000 et restent un outil de référence pour la manipulation grâce à leur stabilité et leur capacité de généralisation. L'approche de LMP s'inscrit dans la lignée de SayCan (Google) et Code-as-Policies (Liang et al.), mais descend plus bas dans la pile de contrôle sans passer par un réseau de politique intermédiaire. Les concurrents directs sont les VLA bout-en-bout comme OpenVLA ou le récent Helix d'Figure AI, qui offrent plus de flexibilité mais restent tributaires de larges jeux de données de démonstration. Les prochaines étapes probables incluent l'extension à des environnements non-tabulaires et à des robots à plus haute dimensionnalité, notamment la manipulation dextre sur bras 7-DOF.

RechercheOpinion

1 source

4arXiv cs.RO

MotuBrain : un modèle du monde avancé pour le contrôle robotique

MotuBrain est un modèle génératif multimodal unifié pour le contrôle robotique, présenté dans un preprint arXiv (identifiant 2604.27792) publié en avril 2026. Le modèle adopte une formulation UniDiffuser couplée à une architecture Mixture-of-Transformers à trois flux, lui permettant de modéliser conjointement les séquences vidéo et les actions motrices au sein d'un même réseau. Un seul modèle supporte cinq modes d'inférence distincts : apprentissage de politique, modélisation du monde, génération vidéo, dynamique inverse, et prédiction conjointe vidéo-action. Il est conçu pour s'adapter à des données hétérogènes, incluant des vidéos sans annotations d'action et des données issues de plateformes robotiques différentes (cross-embodiment). Sur le plan de l'inférence, les auteurs annoncent un gain de vitesse supérieur à 50x par rapport à des architectures comparables, ouvrant la voie à un déploiement temps réel. L'approche s'attaque à une limitation structurelle bien documentée des VLA purs comme RT-2 ou OpenVLA : leur forte généralisation sémantique masque souvent une modélisation insuffisante des dynamiques physiques fines, ce qui génère des erreurs sur des tâches de manipulation précises. En intégrant la génération vidéo comme supervision implicite des dynamiques du monde, MotuBrain s'inscrit dans la tendance des World Action Models (WAMs), dont l'hypothèse centrale est que prédire ce qui va se passer visuellement améliore la qualité des actions produites. Le support cross-embodiment est particulièrement structurant pour les intégrateurs industriels, car il réduit le coût de réentraînement lors d'un changement de plateforme matérielle. Le speedup annoncé de 50x reste à confirmer sur des benchmarks publics, le preprint ne précisant pas les configurations matérielles de référence utilisées pour cette mesure. Ce travail s'inscrit dans une compétition dense autour des modèles fondationnels pour la robotique généraliste. Physical Intelligence a mis en production Pi-0 début 2025, NVIDIA a présenté GR00T N2 avec support multi-embodiment, et Google DeepMind avance sur ses modèles RT-X et GROOT. L'affiliation institutionnelle des auteurs de MotuBrain n'est pas précisée dans l'abstract du preprint. Comme pour tout travail soumis à arXiv sans revue par les pairs, l'absence d'expériences robotiques réelles documentées en détail invite à la prudence avant d'extrapoler les performances annoncées à un contexte de déploiement industriel.

RechercheOpinion

1 source