Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
RecherchearXiv cs.RO 

Robot mou inspiré du poulpe : commande distribuée par réseau de neurones sur graphe avec attention et interaction environnementale

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

Des chercheurs proposent SoftGM, une architecture de contrôle distribué inspirée du bras de la pieuvre pour piloter des bras robotiques souples segmentés dans des environnements riches en contacts. Chaque section du bras est traitée comme un agent coopératif autonome, et l'interaction entre le bras et son environnement est modélisée sous forme de graphe. Le système repose sur un mécanisme de passage de messages à deux étages avec attention par graphe, suivant le paradigme CTDE (entraînement centralisé, exécution décentralisée) avec un critique centralisé et des acteurs décentralisés. Particularité notable : SoftGM découvre les obstacles en ligne, sans connaître leur géométrie complète au début de chaque épisode. L'équipe l'a testé dans un simulateur de tiges de Cosserat (PyElastica) sur trois scénarios de complexité croissante : espace libre, obstacles structurés, et un mur percé d'un trou. Comparé à six méthodes MARL de référence (IDDPG, IPPO, ISAC, MADDPG, MAPPO, MASAC) dans des conditions d'entraînement identiques, SoftGM égale les meilleures approches CTDE sur les tâches simples et les surpasse toutes sur le scénario du mur avec trou, le plus contraint des trois.

Pour la robotique souple, ce résultat cible un problème encore mal résolu : coordonner de nombreuses sections déformables sans supposer une connaissance parfaite de l'environnement, contrainte réaliste pour des applications en espace confiné ou en présence d'obstacles mobiles. Les tests de robustesse, ajout de bruit d'observation, panne d'actionnement sur une section, perturbations transitoires, montrent que SoftGM conserve des performances comparables tout en gardant l'effort de commande borné. L'hypothèse défendue est qu'un routage sélectif de l'information liée aux contacts améliore la résilience du système, un argument utile pour les architectures multi-agents appliquées à des structures continues.

Le travail s'inscrit dans la lignée des recherches bio-inspirées sur les bras de pieuvre, dont la distribution neuronale et la souplesse mécanique servent régulièrement de modèle pour la robotique souple, et dans le champ plus large du MARL appliqué au contrôle de systèmes continus. La validation reste pour l'instant entièrement simulée : aucun test sur bras physique n'est mentionné, ce qui laisse ouverte la question du transfert sim-to-real, point de vigilance classique pour ce type d'architecture d'apprentissage.

À lire aussi

Planification par réseau de neurones en graphe et contrôle prédictif pour la planification de mouvement multi-robots sans étiquettes sous contraintes de communication
1arXiv cs.RO 

Planification par réseau de neurones en graphe et contrôle prédictif pour la planification de mouvement multi-robots sans étiquettes sous contraintes de communication

Une équipe de chercheurs propose, dans un preprint déposé sur arXiv le 25 mai 2026 (arXiv:2605.19209), un framework hiérarchique pour résoudre le problème de planification de mouvement multi-robots sans étiquetage, c'est-à-dire l'assignation simultanée de robots à des objectifs et la génération de trajectoires sûres dans des environnements partagés. Le système combine deux composants : un Graph ATtention Planner (GATP), fondé sur des réseaux de neurones à graphes avec mécanisme d'attention, qui génère des sous-objectifs intermédiaires par coopération entre agents, et un contrôleur NMPC (Nonlinear Model Predictive Controller) décentralisé, exécuté en embarqué sur chaque robot, qui garantit la faisabilité des trajectoires sous dynamiques non-linéaires et contraintes d'actuation réelles. Le framework a été évalué à la fois en simulation et sur des quadrotors physiques. Les auteurs rapportent une tolérance aux délais de communication allant jusqu'à 200 ms, une inférence entièrement décentralisée à bord, et une meilleure généralisation à des équipes de taille croissante. Ce travail s'attaque directement au gouffre sim-to-real qui mine la plupart des approches GNN appliquées à la robotique multi-agents : les méthodes existantes supposent des dynamiques simplifiées et un environnement de simulation idéalisé, ce qui les rend fragiles en conditions réelles. En couplant un planificateur neuronal décentralisé à un contrôleur à modèle prédictif, le framework maintient les propriétés de scalabilité des GNN tout en imposant des garanties de sécurité physiques que les approches purement apprises ne fournissent pas. La robustesse aux délais de communication est particulièrement significative pour les déploiements en entrepôts ou en milieu industriel, où les réseaux sans fil ne sont jamais idéaux. Cette contribution s'inscrit dans un corpus actif de recherche sur les GNN pour la coordination multi-robots, aux côtés de travaux comme MAGAT ou DAN, qui visent à remplacer les solveurs centralisés classiques (MILP, CBS) par des approches distribuées passant à l'échelle. Le preprint n'est pas encore soumis à une revue avec comité de lecture, et aucun déploiement industriel ni partenariat n'est annoncé : il s'agit d'une validation expérimentale académique sur quadrotors, prometteuse mais à consolider. Les prochaines étapes naturelles seraient des expériences sur flottes plus larges et des robots à dynamiques plus complexes, comme des manipulateurs mobiles ou des AMR en environnement entrepôt.

RecherchePaper
1 source
SuReNav : navigation par graphe de superpixels avec relaxation de contraintes en environnements sur-contraints
2arXiv cs.RO 

SuReNav : navigation par graphe de superpixels avec relaxation de contraintes en environnements sur-contraints

Des chercheurs ont publié sur arXiv (identifiant 2602.06807) SuReNav, une méthode de navigation robotique conçue pour les environnements dits "sur-contraints", où aucun chemin ne permet d'éviter l'intégralité des obstacles. Le problème visé est concret : dans des espaces semi-statiques (couloirs partiellement encombrés, zones urbaines, campus), les planificateurs classiques échouent ou bloquent faute de solution "parfaite". SuReNav repose sur trois composantes : une carte en graphe de superpixels encodant des contraintes régionales hiérarchisées, un réseau de neurones sur graphe (GNN) entraîné sur des démonstrations humaines pour relâcher sélectivement ces contraintes, et un mécanisme d'entrelacement entre relaxation, planification et exécution en temps réel. La méthode a été évaluée sur des cartes sémantiques 2D et des environnements 3D issus d'OpenStreetMap, obtenant le meilleur score de "ressemblance humaine" parmi les baselines testées. Une démonstration en navigation urbaine réelle a été réalisée avec un quadrupède Spot de Boston Dynamics. L'apport principal est de dépasser les limites des planificateurs à coûts prédéfinis, peu transférables à des environnements inédits. En s'appuyant sur des démonstrations humaines, le GNN apprend à distinguer les zones passables "en dernier recours" des zones strictement interdites, une nuance que les heuristiques fixes peinent à capturer sans sur-estimation systématique. Pour les intégrateurs déployant des robots mobiles en milieux semi-statiques, l'enjeu est direct : le robot cesse de bloquer face à une impasse et produit une solution "best-effort" minimisant le risque traversé. La généralisation sans reconfiguration manuelle des coûts est particulièrement pertinente pour des déploiements à grande échelle. Il convient toutefois de noter que les métriques de "human-likeness" restent auto-définies par les auteurs, et que les vidéos disponibles ne couvrent qu'un sous-ensemble de scénarios. SuReNav s'inscrit dans la tendance à l'apprentissage par imitation pour la navigation mobile, un axe activement exploré par des équipes comme ETH Zurich, CMU Robotics Institute ou dans le cadre de projets EU sur la robotique en espace public. La méthode se distingue des approches VLA (Vision-Language-Action) pures par son ancrage dans une représentation spatiale structurée plutôt que dans un modèle de langage génératif, ce qui la rend plus interprétable et plus légère computationnellement. Les principaux concurrents sur ce créneau incluent des planificateurs à champ de potentiel augmentés et des méthodes de navigation par apprentissage par renforcement. Aucun déploiement commercial n'est annoncé : il s'agit d'un résultat de recherche avec validation expérimentale sur Spot, dont le code est publié sur sure-nav.github.io, ouvrant la voie à des reproductions et pilotes industriels.

UELa méthode est directement pertinente pour les projets européens déployant des robots mobiles en espaces publics semi-statiques (couloirs, campus, zones urbaines), un axe exploré par ETH Zurich et plusieurs consortiums EU, et le code ouvert facilite des pilotes industriels sur le Vieux Continent.

RecherchePaper
1 source
Robustesse des interactions robot-environnement grâce à des degrés de liberté passifs compliants : une approche hybride position-force avec linéarisation par retour d'état
3arXiv cs.RO 

Robustesse des interactions robot-environnement grâce à des degrés de liberté passifs compliants : une approche hybride position-force avec linéarisation par retour d'état

Traduction/synthèse de l'article : Une équipe de recherche propose une nouvelle architecture de contrôle hybride position-force pour bras robotiques, décrite dans un article publié sur arXiv (2607.00571v1). Contrairement aux approches classiques qui reposent uniquement sur la rétroaction active, les capteurs de force et le réglage de gains, cette méthode combine une linéarisation par retour d'état avec un degré de liberté passif compliant intégré à l'effecteur terminal, sous forme d'une interface physique ressort-amortisseur. Cette interface stocke et dissipe l'énergie d'impact directement au point de contact, avant que les chocs haute fréquence ne se propagent vers les articulations actionnées et la boucle de contrôle en force. L'approche a été évaluée sous MATLAB/Simulink sur un manipulateur planaire à 2 degrés de liberté, avec trois configurations d'effecteur comparées : rigide, ressort seul, et ressort-amortisseur. En environnement fixe, la configuration ressort-amortisseur réduit l'écart-type de l'erreur de force tangentielle de 36,5%. En environnement variable, elle réduit l'écart-type de l'erreur de force normale de 25,4% et celui de l'erreur de vitesse normale de 41,1%, avec une réponse de couple articulaire plus lisse. L'enjeu dépasse le simple exercice académique : les interactions robot-environnement en milieu dynamique ou non structuré, chocs, vibrations, incertitudes de géométrie de contact, restent un point faible des architectures de contrôle en force purement actives, qui peinent à absorber les transitoires avant qu'ils ne perturbent la boucle de commande. En ramenant une part de l'amortissement au niveau mécanique plutôt que purement logiciel, cette approche s'inscrit dans une tendance de fond de la robotique de manipulation : compenser les limites de la rétroaction pure par de la compliance physique, moins coûteuse en calcul et plus robuste aux incertitudes de modèle. Pour les intégrateurs travaillant sur des tâches de contact (assemblage, ébavurage, manipulation en environnement incertain), cela ouvre une piste de conception hybride matériel-logiciel plutôt qu'un simple ajustement des gains de commande. Ce travail s'inscrit dans la lignée des recherches en contrôle d'impédance et en compliance passive, qui cherchent depuis plusieurs décennies à concilier précision de positionnement et sécurité des interactions physiques. Ici, la validation reste limitée à la simulation, sur un bras plan à seulement deux degrés de liberté, ce qui est loin des manipulateurs industriels à six axes ou des bras humanoïdes multi-DOF utilisés en conditions réelles. Les auteurs ne précisent pas de calendrier de validation expérimentale sur banc physique, étape généralement nécessaire avant tout transfert vers l'industrie, ni de comparaison directe avec les architectures de contrôle d'impédance déjà déployées commercialement.

RecherchePaper
1 source
HA-VLN 2.0 : un benchmark ouvert pour la navigation humain-robot en environnements discrets et continus avec interactions multi-personnes dynamiques
4arXiv cs.RO 

HA-VLN 2.0 : un benchmark ouvert pour la navigation humain-robot en environnements discrets et continus avec interactions multi-personnes dynamiques

Une équipe de chercheurs a publié HA-VLN 2.0, un benchmark unifié pour évaluer la navigation guidée par le langage et la vision (VLN) dans des environnements peuplés d'humains en mouvement. Le jeu de données associé, HAPS 2.0, couvre 16 844 instructions socialement contextualisées et modélise des interactions multi-humains en intérieur comme en extérieur, dans des espaces discrets et continus. Le système introduit des métriques explicites mesurant simultanément la précision de navigation vers l'objectif et le respect de l'espace personnel des personnes croisées. Des expériences en conditions réelles sur robot physique ont complété l'évaluation simulée, et un leaderboard ouvert permet des comparaisons reproductibles entre équipes. Les résultats sont sans appel pour les agents VLN actuels : dès que des humains dynamiques et une observabilité partielle entrent en jeu, leurs performances chutent significativement. Ce constat remet en question une hypothèse répandue dans la recherche VLN, à savoir que les agents entraînés en environnements statiques généraliseraient correctement au monde réel. Les expériences sim-to-real confirment en revanche que la modélisation explicite des contraintes sociales améliore la robustesse de navigation et réduit les collisions, ce qui valide l'approche. Pour les intégrateurs déployant des robots mobiles en milieu professionnel (entrepôts partagés, hôpitaux, espaces de bureau), cela signifie que les benchmarks sans humains surestiment substantiellement les capacités réelles des systèmes. La navigation guidée par langage est un champ actif depuis les travaux fondateurs sur R2R (Room-to-Room, 2018), mais la majorité des benchmarks existants, dont R2R, REVERIE ou SOON, supposent des environnements vides ou quasi-statiques. HA-VLN 2.0 s'inscrit dans une tendance récente incluant les travaux sur SocNavBench et HuNavSim, qui cherchent à intégrer la dynamique humaine dans l'évaluation de la navigation sociale. Le benchmark est entièrement open-source (datasets, simulateurs, baselines, protocoles). Les prochaines étapes probables incluent l'intégration de modèles VLA (Vision-Language-Action) plus récents comme pi-0 ou RT-2 dans le leaderboard, ainsi que des évaluations dans des scènes extérieures plus complexes.

RecherchePaper
1 source