Aller au contenu principal
RechercheHackaday Robots Hacks 

Muscles fibreux pour la robotique humanoïde

1 source couvre ce sujet·Source originale ↗·
Résumé IASource uniqueImpact UE
Muscles fibreux pour la robotique humanoïde
▶ Voir sur YouTube

Des muscles fibreux électrofluidiques pour l'actionnement robotique

Les actionneurs robotiques classiques reposent sur des moteurs couplés à des réducteurs ou des systèmes de liaisons pour transformer un mouvement rotatif en mouvement utile, une approche peu adaptée à la reproduction de mouvements humains fluides. Face à cette limite, plusieurs équipes se sont tournées vers l'actionnement pneumatique, sans obtenir jusqu'ici de résultats vraiment convaincants. Une nouvelle piste, baptisée "Electrofluidic Fiber Muscles" (muscles à fibres électrofluidiques), propose une alternative: un faible courant sous haute tension génère un gradient de pression à l'intérieur d'un long tube, ce qui provoque sa contraction, à la manière d'une fibre musculaire. Ce tube peut être associé à un second, monté en configuration extenseur/fléchisseur, reproduisant ainsi le fonctionnement d'une paire de muscles biologiques antagonistes. Particularité notable: la pompe qui génère la pression motrice peut elle-même être enroulée directement autour des fibres, formant un ensemble compact et intégré, sans nécessiter de source de pression externe volumineuse comme c'est le cas pour les actionneurs pneumatiques classiques.

Cette approche s'inscrit dans une recherche plus large de solutions d'actionnement légères, compactes et compliantes pour la robotique humanoïde, où les moteurs et réducteurs traditionnels restent lourds, rigides et énergivores. Si elle tient ses promesses, l'intégration directe de la pompe dans la structure fibreuse pourrait réduire l'encombrement et le poids des systèmes actionneurs, un enjeu central pour les concepteurs de robots à mouvements humains. Il s'agit toutefois pour l'instant d'un concept au stade expérimental, loin d'un produit commercialisé ou déployé à grande échelle: aucune donnée sur l'endurance, la force générée ou le coût de fabrication n'est encore disponible.

Ce développement s'ajoute à la longue lignée d'expérimentations autour des muscles artificiels, des systèmes pneumatiques de type McKibben aux approches électroactives plus récentes, qui cherchent toutes à s'affranchir des limites mécaniques des moteurs classiques. Les auteurs eux-mêmes tempèrent l'enthousiasme: il faudra encore du temps avant de voir cette technologie équiper des robots grand public ou même des plateformes de hobbyistes.

À lire aussi

PHUMA : un jeu de données pour la locomotion fiable des robots humanoïdes
1arXiv cs.RO 

PHUMA : un jeu de données pour la locomotion fiable des robots humanoïdes

Une équipe de chercheurs du laboratoire DAVIAN a publié en juin 2026 PHUMA (Physically Reliable HUMAnoid locomotion dataset), un corpus de 73 heures de données de locomotion humanoide produit via un pipeline en deux étapes : une curation physiquement consciente suivie d'un retargeting contraint par des lois physiques. La base de données agrège à la fois des données de motion capture traditionnelles et des vidéos issues d'internet, les deux étant traitées pour éliminer les artefacts physiques récurrents dans les datasets existants, notamment le flottement, la pénétration géométrique et le foot skating. Entraînées sur PHUMA, les politiques de contrôle obtiennent des taux de succès supérieurs à ceux obtenus avec AMASS et Humanoid-X sur les benchmarks de motion tracking standards, et transfèrent en zero-shot vers un Unitree G1 réel. Le code et les données sont disponibles publiquement via davian-robotics.github.io/PHUMA. Le principal verrou que PHUMA prétend lever est la qualité physique des données d'entraînement pour l'imitation de mouvement humanoide. Les approches par imitation sont attractives parce qu'elles permettent d'acquérir des comportements naturels sans reward engineering fastidieux, mais leur efficacité dépend directement de la cohérence physique des données sources. Les artefacts présents dans les datasets basés sur des vidéos internet (comme Humanoid-X) se propagent dans les politiques entraînées, produisant des robots qui glissent ou oscillent de façon instable. La démonstration de transfert zero-shot sur un Unitree G1 physique est le point le plus concret : elle suggère que le filtrage physique en amont réduit effectivement le sim-to-real gap, sans fine-tuning additionnel sur hardware. Reste à qualifier l'ampleur du gain : les métriques de benchmarks internes ne se substituent pas à des comparaisons en conditions réelles standardisées. AMASS, publié en 2019, est resté longtemps la référence en motion capture humanoide, mais sa taille limitée et son coût d'acquisition ont freiné la scalabilité des approches data-driven. Humanoid-X a tenté de combler ce vide en exploitant des vidéos YouTube à grande échelle, au prix d'une dégradation qualitative. PHUMA s'inscrit dans une dynamique plus large où plusieurs équipes cherchent à constituer des datasets de locomotion humanoide à la fois volumineux et physiquement valides, en parallèle des travaux de Figure AI (Figure 03), Boston Dynamics, et des équipes derrière GR00T N2 chez NVIDIA. La prochaine étape logique serait de tester PHUMA sur d'autres plateformes humanoïdes commerciales (H1, Digit) et d'élargir les tâches au-delà de la locomotion simple vers la manipulation en déplacement.

UELe dataset PHUMA étant en accès libre, les équipes de recherche européennes en locomotion humanoïde (INRIA, CEA-List, LAAS-CNRS) peuvent l'intégrer directement dans leurs pipelines d'entraînement sans coût d'acquisition.

RecherchePaper
1 source
Modèles du monde pour la manipulation robotique
2arXiv cs.RO 

Modèles du monde pour la manipulation robotique

Des chercheurs ont publié en juin 2026 sur arXiv (2606.24742) un modèle généraliste de valeur pour la manipulation robotique, le WVM (World Value Model). La proposition centrale consiste à substituer les backbones VLM (Vision-Language Model) habituellement utilisés par un modèle de monde, nativement mieux adapté à la modélisation temporelle nécessaire pour évaluer la progression d'une tâche. Sur les benchmarks standards, WVM atteint les meilleures performances connues en Value-Order Correlation (VOC), la métrique de référence pour les modèles de valeur robotiques. L'équipe introduit également Suboptimal-Value-Bench, un benchmark multi-embodiment composé de 800 trajectoires sous-optimales annotées frame par frame par des humains, comblant un angle mort des évaluations existantes qui ne contenaient que des données expertes. L'enjeu est directement opérationnel pour quiconque entraîne des systèmes de manipulation à grande échelle : les données collectées en conditions réelles sont rarement uniformément expertes. Un modèle de valeur précis permet de pondérer ou filtrer ces trajectoires hétérogènes, améliorant la qualité de l'entraînement sans nettoyage manuel coûteux. WVM démontre des gains de performance sur plusieurs approches d'extraction de politique, en simulation comme en déploiement réel, ce qui renforce la thèse que l'estimation de valeur est un composant orthogonal et complémentaire au choix d'architecture de politique. La robustesse maintenue sur données sous-optimales est l'aspect le plus significatif : c'est précisément dans ce régime que les VLMs classiques décrochent, leurs préentraînements sur observations visuelles statiques ne suffisant pas à capturer les dynamiques temporelles longues. La montée en puissance des VLA comme Pi-0 de Physical Intelligence ou GR00T N2 de NVIDIA a rendu critique la question de la qualité des données d'entraînement à grande échelle. L'approche WVM s'inscrit dans une tendance émergente qui consiste à spécialiser les composants : un backbone temporel dédié pour l'évaluation de la valeur, distinct du modèle d'action. Aucun partenariat industriel ni calendrier de déploiement n'est mentionné dans cet article purement académique. Les prochaines étapes naturelles incluent l'intégration du WVM dans des pipelines d'imitation à grande échelle ou en combinaison avec du reinforcement learning offline (IQL, CQL), et une extension à des environnements multi-tâches plus complexes.

RechercheOpinion
1 source
#RoboCup2026 : phases finales de la ligue humanoïde
3Robohub 

#RoboCup2026 : phases finales de la ligue humanoïde

Le tournoi RoboCup 2026 s'est achevé ce week-end à Incheon, en Corée du Sud, avec la conclusion des phases de ligue dans les trois catégories de robots humanoïdes: small, middle et large. Chez les small, l'équipe chinoise Invic (Université de Wuhan) l'emporte devant Hamburg Bit-Bots (Universität Hamburg, Allemagne) et GeoHBots (China University of Geosciences). En middle, B-Human, projet conjoint de l'Universität Bremen et du DFKI allemand, prend la première place devant HTWK Robots (Leipzig University of Applied Sciences) et Rhoban, équipe française de l'Université de Bordeaux, qui avait auparavant éliminé HTWK en demi-finale avant de s'incliner en finale face à B-Human. Chez les large, le podium est entièrement chinois avec Tsinghua Hephaestus (Université Tsinghua) en tête, suivi de CAU Mountain&Sea (China Agricultural University) et Water (Beijing Information Science & Technology University). Cinq prix transversaux ont aussi été décernés: meilleur humanoïde personnalisé pour HERoEHS avec son ALICE 4th version, meilleur logiciel pour B-Human et son Game Controller, prix de la recherche ouverte pour Ruhrbot Devils et sa plateforme caméra IA d'analyse de jeu embarquée, meilleure innovation pour Bahia Robotics Team, et meilleur arbitrage pour Anastasia Prisacaru de Berlin United. Au-delà du classement, RoboCup reste avant tout un banc d'essai académique pour la locomotion bipède, la perception embarquée et la coordination multi-agents en conditions réelles, loin des vidéos soigneusement montées des démonstrateurs commerciaux type Figure ou Optimus. La performance des équipes universitaires allemandes et chinoises confirme la répartition habituelle des forces dans la recherche en robotique humanoïde, tandis que la percée de Rhoban jusqu'en demi-finale de la catégorie middle constitue une des rares vitrines françaises dans une discipline dominée par l'Asie de l'Est et l'Allemagne. Ces compétitions servent historiquement de laboratoire dont les algorithmes de marche, de vision et de stratégie collective irriguent ensuite la recherche académique plus large en robotique. Fondée en 1997 avec l'ambition affichée de produire une équipe de robots capable de battre les champions du monde humains de football d'ici 2050, RoboCup organise ses catégories humanoïdes selon la taille des robots, chacune imposant des contraintes matérielles et logicielles différentes. L'édition d'Incheon ne s'arrête pas aux terrains de jeu: un symposium scientifique se tient dans la foulée, réunissant chercheurs et praticiens du monde entier pour présenter les avancées en robotique et intelligence artificielle, avant la prochaine édition du tournoi.

UEL'équipe française Rhoban (Université de Bordeaux) atteint la demi-finale de la catégorie middle, une des rares vitrines françaises dans une discipline de recherche en robotique humanoïde dominée par l'Asie de l'Est et l'Allemagne.

RecherchePaper
1 source
Apprentissage de politiques par simulation pour la loco-manipulation des robots humanoïdes
4arXiv 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