Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Reactivité physiquement réalisable pour la locomotion adaptative au terrain
RecherchearXiv cs.RO 

Reactivité physiquement réalisable pour la locomotion adaptative au terrain

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

Voici l'article traduit et résumé selon les consignes.

Une équipe de recherche présente un nouveau cadre de planification pour la locomotion des robots quadrupèdes sur des terrains changeants et imprévisibles, détaillé dans un article arXiv (2509.23185v2, version révisée). Le système combine deux briques technique distinctes : une synthèse réactive qui génère des contrôleurs symboliques "corrects par construction" pour décider quelle action prendre à chaque instant, et une programmation convexe en nombres mixtes (MICP) qui calcule en temps réel des placements de pas dynamiquement faisables. Pour éviter de recalculer sans cesse des problèmes MICP coûteux en ressources, et pour gérer les cas où une spécification devient physiquement impossible à tenir, les chercheurs ajoutent un mécanisme de réparation symbolique qui ne régénère que les transitions strictement nécessaires. Le tout a été validé en simulation puis sur robot physique, avec des scénarios volontairement difficiles : pierres de gué dispersées et terrains jonchés de barres d'armature (rebar), deux configurations classiques pour tester la robustesse du contact pied-sol.

L'enjeu dépasse la simple démonstration académique. La marche sur terrain accidenté reste l'un des points faibles récurrents des plateformes quadrupèdes et humanoïdes commerciales, où les méthodes actuelles reposent soit sur des heuristiques de sélection d'appui limitant la fiabilité, soit sur une optimisation de trajectoire trop lourde pour tourner en temps réel sur de longs horizons. En montrant qu'un système peut identifier lui-même les "compétences de locomotion manquantes" et réagir en environnement critique, les auteurs adressent directement un doute répandu chez les intégrateurs industriels : la capacité réelle des robots à gérer l'imprévu hors des sols plats de laboratoire, condition clé pour un déploiement en logistique, construction ou inspection.

Ce travail s'inscrit dans une lignée de recherches académiques en synthèse formelle et planification de mouvement pour la robotique legged, un domaine où les grands noms commerciaux (Boston Dynamics, Unitree) restent discrets sur leurs méthodes internes. La publication étant une "replace" d'une version arXiv antérieure, il s'agit d'un travail de recherche affiné plutôt que d'une annonce produit, sans calendrier de transfert industriel communiqué à ce stade.

Dans nos dossiers

Boston DynamicsUnitreearXiv cs.RO

À lire aussi

LatentMimic : locomotion adaptative au terrain par imitation dans l'espace latent
1arXiv cs.RO 

LatentMimic : locomotion adaptative au terrain par imitation dans l'espace latent

Des chercheurs ont publié le 22 avril 2026 un préprint sur arXiv (arXiv:2604.16440) présentant LatentMimic, un cadre d'apprentissage de la locomotion pour robots quadrupèdes conçu pour concilier deux objectifs jusqu'ici antagonistes : reproduire fidèlement le style de marche issu de données de capture de mouvement (mocap) et s'adapter dynamiquement à des terrains irréguliers. L'approche repose sur une imitation dans l'espace latent : plutôt que de contraindre le robot à répliquer exactement les poses géométriques enregistrées, LatentMimic minimise la divergence marginale entre la distribution état-action de la politique apprise et un prior mocap entraîné séparément. Le système intègre également un module d'adaptation au terrain équipé d'un buffer de replay dynamique, destiné à corriger les dérives de distribution lorsque le robot passe d'un type de sol à un autre. Les évaluations portent sur quatre styles locomoteurs et quatre types de terrain, démontrant des taux de franchissement supérieurs aux méthodes de suivi de mouvement actuelles tout en conservant une haute fidélité stylistique. Ce travail s'attaque à un compromis fondamental qui freine le déploiement des robots quadrupèdes dans des environnements non structurés : les méthodes d'imitation stricte bloquent l'adaptabilité terrain, tandis que les politiques terrain-centriques sacrifient la naturalité du mouvement. En découplant la topologie de la foulée des contraintes géométriques d'extrémité, LatentMimic suggère qu'il est possible d'obtenir les deux à la fois. Pour les intégrateurs industriels et les équipes robotique, cela ouvre la voie à des contrôleurs plus robustes sur sols accidentés, escaliers ou surfaces déformables, sans devoir re-collecter des données mocap spécifiques à chaque terrain. La locomotion quadrupède par imitation est un axe de recherche actif depuis plusieurs années, avec des travaux notables comme AMP (Adversarial Motion Priors, Berkeley 2021) ou les méthodes sim-to-real de DeepMind sur ANYmal et Spot. LatentMimic s'inscrit dans cette lignée en proposant une relaxation conditionnelle plus fine du suivi de pose. Le paper est pour l'instant un préprint non relu par les pairs, et les résultats sont présentés uniquement en simulation et environnements contrôlés, le gap sim-to-real reste à valider sur hardware réel. Aucun partenariat industriel ni timeline de déploiement n'est mentionné. Les prochaines étapes naturelles seraient une validation sur plateformes physiques (Unitree, Boston Dynamics Spot) et une extension à des styles locomoteurs plus complexes comme le trot ou le galop en terrain extrême.

RecherchePaper
1 source
CTS-MoE : adaptation implicite au terrain par mélange d'experts pour la locomotion perceptive
2arXiv cs.RO 

CTS-MoE : adaptation implicite au terrain par mélange d'experts pour la locomotion perceptive

Une équipe de recherche a publié en juin 2026 sur arXiv (ref. 2606.19633) une architecture baptisée CTS-MoE, conçue pour permettre à des robots quadrupèdes de traverser des terrains discontinus -- escaliers, trouées, obstacles -- sans recourir à un classifieur de terrain explicite. Le système repose sur un acteur à mélange dense d'experts (Mixture-of-Experts, MoE) dont le routage est piloté par la perception sensorielle, couplé à un multi-critique avec têtes de valeur spécifiques à chaque tâche pour éviter les interférences lors de l'entraînement. L'apprentissage s'effectue en bout-en-bout via un schéma enseignant-étudiant concurrent en une seule étape, sans distillation séquentielle, et les étiquettes de tâche ne sont utilisées qu'à l'entraînement. Les expériences ont été conduites sur un Unitree Go1 en simulation et sur matériel réel, sur des terrains vus et inédits. Ce travail s'attaque à une tension fondamentale du reinforcement learning multi-tâche appliqué à la locomotion : partager les comportements communs tout en évitant que des récompenses conflictuelles n'effacent la spécialisation acquise. Les approches monolithiques classiques sacrifient la spécialisation par terrain, tandis que les hiérarchies de sous-politiques peinent à généraliser lors des transitions entre environnements. CTS-MoE contourne les deux écueils en composant dynamiquement des experts partagés au runtime, guidé uniquement par la perception, sans sélecteur de haut niveau. Les résultats montrent une réduction de l'erreur de suivi de trajectoire et des taux de succès supérieurs aux baselines monolithiques -- bien que, s'agissant d'un preprint non encore évalué par les pairs, ces métriques restent à confirmer sur des benchmarks indépendants. La locomotion perceptive sur terrain complexe est un sous-domaine actif depuis les travaux d'ETH Zurich sur ANYmal (2020-2023) et ceux de CMU et Berkeley sur les quadrupèdes Unitree. L'usage des architectures MoE en robotique reste marginal par rapport à leur adoption massive en LLM (DeepSeek-MoE, Mixtral), et CTS-MoE est l'une des premières applications directes à la politique de locomotion avec validation hardware. Unitree, fabricant chinois du Go1, propose cette plateforme comme référence académique à moins de 3 500 USD, ce qui élargit la reproductibilité. Les concurrents directs en navigation sur terrain difficile incluent Boston Dynamics (Spot), ANYbotics et les laboratoires universitaires équipés d'ANYmal. Un site projet est disponible à cts-moe.github.io ; aucune timeline de déploiement industriel n'est annoncée.

RecherchePaper
1 source
Adaptation biomécanique guidée par la physique de la démarche pour la locomotion humanoïde sur terrains extrêmement pentus
3arXiv cs.RO 

Adaptation biomécanique guidée par la physique de la démarche pour la locomotion humanoïde sur terrains extrêmement pentus

Des chercheurs présentent HumoSlope, un framework d'apprentissage par renforcement en deux étapes conçu pour la locomotion humanoïde sur pentes raides, détaillé dans un article publié sur arXiv (référence 2607.07830v1). Le constat de départ : avec des formulations de récompense génériques, les politiques de RL convergent souvent vers des démarches lentes et prudentes, en position accroupie et centre de masse abaissé, pour compenser le biais gravitationnel constant imposé par un terrain incliné. La première étape du framework introduit un régularisateur ZMP (Zero Moment Point) adapté à la pente, évalué directement sur le plan de support incliné local plutôt que sur une référence horizontale globale, ce qui établit un a priori d'équilibre cohérent avec le terrain. La seconde étape, baptisée Biomechanical Slope Gait Adapter (BSGA), exploite des descripteurs macroscopiques du terrain comme signaux privilégiés, disponibles uniquement à l'entraînement, pour moduler dynamiquement la hauteur du centre de masse et la coordination des membres inférieurs selon la géométrie de pente estimée, favorisant une propulsion dominée par la hanche en montée et un freinage piloté par le genou en descente. Point notable : l'acteur finalement déployé reste entièrement proprioceptif, sans capteur extéroceptif embarqué. Les essais sim-to-real ont permis une traversée aveugle et continue de pentes herbeuses extérieures atteignant 62,7 % d'inclinaison, soit 32,1 degrés. L'intérêt principal tient à la démonstration qu'un contrôle purement proprioceptif, sans vision ni LiDAR embarqués, peut gérer des pentes extrêmes en conditions réelles extérieures, réduisant la dépendance à une perception embarquée coûteuse et fragile hors environnement contrôlé. Le résultat contredit aussi l'idée qu'un RL générique suffit : sans priors physiques et biomécaniques explicites, les politiques dégénèrent vers des démarches accroupies sous-optimales. Pour les acteurs de l'humanoïde, dont la plupart des déploiements actuels restent cantonnés aux sols plats d'usine ou d'entrepôt, ce travail pointe une voie concrète pour élargir la robustesse en terrain extérieur non structuré, une faiblesse encore largement non résolue du secteur. La locomotion humanoïde par apprentissage par renforcement a fortement progressé ces dernières années sur terrains plats ou discrets, marches et escaliers notamment, mais les pentes raides restent un axe peu exploré comparé à d'autres défis comme les obstacles ou les terrains accidentés. Aucune plateforme robotique commerciale n'est nommée dans l'article, qui reste à ce stade une contribution de recherche validée en simulation puis en conditions réelles. Les suites naturelles évoquées incluent l'intégration à des piles de contrôle plus larges et des tests sur d'autres surfaces comme la neige, le gravier ou la boue.

RecherchePaper
1 source
Modèles adaptatifs continus sur le terrain (CFAM) pour l'IA physique après déploiement
4arXiv cs.RO 

Modèles adaptatifs continus sur le terrain (CFAM) pour l'IA physique après déploiement

Des chercheurs présentent sur arXiv, dans un article intitulé "Continual Field-Adaptive Models (CFAMs) for Post-Deployment Physical AI" (identifiant 2609.04552, soumission de type "new", donc non encore validée par les pairs), un système permettant à un robot de continuer à apprendre après son déploiement, sans réentraînement classique par descente de gradient et avec le seul calcul embarqué. L'architecture repose sur un module "lent" figé, découpé en trois cortex, Sensor pour transformer les entrées multimodales en géométrie 3D, Reasoning pour décomposer les tâches en compétences et évaluer les résultats, et Action pour exécuter ces compétences géométriques, couplé à un module "rapide" nommé Capsule Field qui mémorise de nouvelles compétences en un seul exemple, sans gradient, sous forme de "Competence Capsules". Le système a été évalué sur cinq plateformes physiques : bras manipulateur, quadrupède, humanoïde, quadrirotor et véhicule tout-terrain, face à trois modèles de référence, pi0, CogACT et SpatialVLA, entraînés sur le même jeu de données interne multi-embodiment. CFAM atteint le niveau d'une politique classique entraînée sur l'ensemble des données avec seulement 40% du volume, soit 2,5 fois moins de trajectoires, et gagne 13,9 points de pourcentage de réussite en capturant de façon autonome des cas quasi hors distribution vérifiés en test. En simulation séquentielle, l'oubli de compétences antérieures reste limité à 0,5 point, contre 11,4 points pour un ajustement par LoRA. Ce travail cible un angle mort du secteur : la plupart des modèles vision-langage-action démontrent leurs performances en conditions contrôlées, mais oublient des compétences déjà acquises dès qu'on les ajuste sur de nouvelles données terrain, un phénomène critique pour les opérations en environnement dangereux ou isolé où les données d'entraînement sont rares et la connectivité absente. En limitant cet oubli catastrophique tout en réduisant le volume de données nécessaire, CFAM s'attaque directement à l'un des freins à la commercialisation des robots autonomes en mission critique, un argument qui intéressera les intégrateurs cherchant à réduire le coût de collecte de données et les décideurs évaluant la fiabilité à long terme des flottes déployées. L'abstract ne précise ni le laboratoire ni l'entreprise à l'origine du projet, et aucun acteur français ou européen n'y est mentionné. Le périmètre reste volontairement borné : les auteurs excluent explicitement la nouveauté "en monde ouvert", limitant l'apprentissage continu aux cas proches de la distribution déjà connue. Aucun pilote industriel ni calendrier de déploiement n'est annoncé ; il s'agit à ce stade d'un résultat de recherche comparé à des bases comme pi0, CogACT et SpatialVLA, sans validation indépendante ni déploiement réel rapporté.

RechercheOpinion
1 source