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

SHARE : vers une réalité augmentée montée sur casque avec SLAM centré utilisateur en espace de travail humain-robot partagé

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

Une équipe de recherche présente SHARE, un système de cartographie et localisation simultanées (SLAM) conçu pour la collaboration homme-robot en espace partagé via des interfaces de réalité augmentée (RA) portées sur la tête. Publié sur arXiv fin juillet 2026, le système s'attaque à un problème concret des architectures SLAM multi-agents actuelles : les serveurs en périphérie de réseau (edge) traitent tous les agents de façon uniforme, sans distinguer les besoins de latence très différents entre un robot et un humain équipé d'un casque RA. SHARE introduit un modèle de priorisation adaptatif qui ajuste dynamiquement les priorités de transmission selon le profil de chaque agent, et réduit le temps de calcul côté edge en exploitant la redondance des données visuelles captées par plusieurs agents dans un même espace. Déployé en conditions réelles avec des casques RA commerciaux et un robot terrestre, le système atteint une latence moyenne de 13,22 millisecondes pour les utilisateurs RA, soit une réduction de 43,3% par rapport à une architecture de référence, tout en conservant une précision de suivi inférieure à 2 centimètres. Des études utilisateurs rapportent une amélioration statistiquement significative de la perception du système par les porteurs de casque.

L'enjeu dépasse la prouesse technique : la latence est le facteur limitant historique des interfaces RA en environnement industriel partagé avec des robots, un décalage de quelques dizaines de millisecondes suffisant à provoquer inconfort, désynchronisation visuelle ou erreurs de manipulation. En démontrant qu'une priorisation intelligente au niveau du serveur edge, plutôt qu'un simple ajout de puissance de calcul, peut diviser la latence par deux tout en maintenant la précision de localisation des robots, SHARE offre une piste concrète pour les intégrateurs qui cherchent à déployer des postes de travail mixtes humains-robots assistés par RA, un cas d'usage encore largement expérimental.

Il s'agit toutefois d'un travail de recherche académique et non d'un produit commercialisé : l'abstract ne cite aucun partenaire industriel ni feuille de route de déploiement. SHARE s'inscrit dans la lignée des systèmes SLAM multi-agents à architecture edge existants, dont il corrige une limite structurelle identifiée par les auteurs, sans mention explicite de solutions concurrentes ni de calendrier de suite pour ce travail.

Dans nos dossiers

arXiv cs.RO

À lire aussi

Transfert de trajectoires humain-robot centré sur la main à partir de vidéos via localisation de contacts en monde ouvert
1arXiv cs.RO 

Transfert de trajectoires humain-robot centré sur la main à partir de vidéos via localisation de contacts en monde ouvert

Des chercheurs ont publié sur arXiv (arXiv:2606.10743, juin 2026) HOWTransfer, un cadre algorithmique centré sur la main pour transférer des démonstrations humaines filmées en trajectoires exécutables par un bras robotique. Le système fonctionne en trois étapes : reconstruction 3D temporellement cohérente du mouvement du poignet humain, localisation automatique des intervalles de contact main-objet à partir de cues visuels d'interaction, puis génération d'hypothèses de saisie en pince parallèle (parallel-jaw grasp) propagées le long de la trajectoire du poignet. Une phase finale d'édition raffine l'alignement de contact et produit plusieurs variantes exécutables depuis une seule vidéo de démonstration. Sur un ensemble de tâches de manipulation variées, le système atteint 86 % de taux de succès et est préféré aux trajectoires téléopérées dans une étude comparative en aveugle. Ce résultat mérite attention parce qu'il attaque directement le goulot d'étranglement principal du learning from demonstration (LfD) : collecter suffisamment de données de qualité. La téléopération reste coûteuse, lente et non scalable en industrie ; si un système peut extraire des trajectoires robotes directement depuis des vidéos de travailleurs humains filmés sur une chaîne d'assemblage ou en entrepôt, le coût d'entrée pour déployer de la manipulation apprise s'effondre. Fait notable : HOWTransfer ne s'appuie pas sur des descripteurs d'objets prédéfinis ni sur un tracking d'état explicite, ce qui le rend potentiellement généraliste sur des objets non vus. Le 86 % de succès annoncé est encourageant, mais les conditions expérimentales exactes (diversité des objets, profondeur de la caméra, nombre de tâches, robot cible) ne sont pas précisées dans le résumé, ce qui justifie une lecture du papier complet avant toute intégration industrielle. Le transfert de démonstration humaine vers robot via vidéo est un domaine en pleine effervescence depuis 2022-2023, porté par des travaux comme DROID, RoboAgent ou les approches VLA (Vision-Language-Action) de Google DeepMind et Physical Intelligence (Pi-0). HOWTransfer se distingue en adoptant une approche sans modèle de langage ni segmentation objet, ce qui le rend plus léger mais aussi plus fragile sur les scènes encombrées. Aucune affiliation industrielle ni partenariat de déploiement n'est mentionné : il s'agit pour l'instant d'un preprint académique, pas d'un produit. Les prochaines étapes naturelles seraient une validation sur des robots commerciaux (Franka, UR, ou humanoïdes comme Figure 03 ou Unitree G1) et une évaluation sur des benchmarks standardisés comme RLBench ou LIBERO pour situer la performance par rapport à l'état de l'art.

RecherchePaper
1 source
ARTOO-DARTU : étude de la collaboration humain-robot en réalité augmentée avec atténuation des occlusions pour les tâches d'entrepôt
2arXiv cs.RO 

ARTOO-DARTU : étude de la collaboration humain-robot en réalité augmentée avec atténuation des occlusions pour les tâches d'entrepôt

Des chercheurs ont publié sur arXiv (arXiv:2606.25202) un système de réalité augmentée baptisé ARTOO-DARTU, conçu pour améliorer la collaboration humain-robot (HRC) en entrepôt logistique. Le principe : superposer en temps réel des informations sur l'état et les intentions du robot directement dans le champ de vision de l'opérateur via un casque AR, tout en évitant que ces couches graphiques n'occultent des éléments critiques du monde réel. L'équipe a développé pour cela un pipeline ODM (Obstruction Detection and Mitigation) qui repositionne dynamiquement les éléments AR lorsque le robot mobile se déplace. L'évaluation a mobilisé 34 participants sur un scénario gamifié appelé Pocket MonstARs, abstraction contrôlée d'une tâche de picking en entrepôt où des monstres virtuels servent de proxies pour les cibles de prélèvement, tandis que des boîtes étiquetées préservent les contraintes d'identification du monde réel. Résultats : avec l'ODM actif, les participants ont affiché une efficacité globale supérieure de 46 % sur la tâche HRC, et se sont révélés 61 % plus rapides sur les sous-tâches nécessitant une visibilité directe du terrain. Ces chiffres méritent d'être mis en perspective : le gain de 46 % n'est observé que lorsque le pipeline ODM est enclenché, ce qui indique que l'AR sans gestion des obstructions peut dégrader les performances plutôt que les améliorer. Pour les intégrateurs logistiques et les équipes de déploiement d'AMR (autonomous mobile robots), le message est structurant : la valeur des analytics AR situationnels est conditionnelle à la qualité de leur intégration perceptuelle, pas seulement à la richesse des données affichées. Cela valide l'hypothèse que le sim-to-real gap en HRC n'est pas uniquement mécanique, mais aussi cognitif : l'interface compte autant que le robot. Le domaine de l'AR appliquée à la robotique industrielle reste fragmenté. Des travaux antérieurs ont exploré les overlays statiques ou les interfaces sur tablette, mais peu traitent le cas dynamique des robots mobiles où la position de l'annotation change en continu. ARTOO-DARTU s'inscrit dans un effort plus large pour rendre les floors robotisés auditable et sûrs sans mobiliser des opérateurs hautement qualifiés. Côté concurrentiel, des acteurs comme RealWear (casques AR industriels), PTC Vuforia ou encore des startups françaises comme Immersion se positionnent sur des segments adjacents. L'étude reste cependant dans un cadre académique contrôlé et gamifié : aucun déploiement réel en entrepôt n'est annoncé à ce stade, et la robustesse de l'ODM face à des environnements industriels bruités (éclairage variable, occlusions dynamiques multiples) reste à démontrer.

UELa startup française Immersion opère sur un segment adjacent à l'AR industrielle, mais l'étude reste un préprint académique sans déploiement annoncé en France ou en Europe.

RecherchePaper
1 source
Visualiser le contrôle d'impédance en réalité augmentée pour la téléopération : conception et évaluation utilisateur
3arXiv cs.RO 

Visualiser le contrôle d'impédance en réalité augmentée pour la téléopération : conception et évaluation utilisateur

Une équipe de recherche présente une interface de téléopération en réalité augmentée conçue pour compenser l'absence de retour haptique sur les manettes de contrôle bas coût. Le système affiche visuellement la pose cible du contrôleur d'impédance ainsi que son écart par rapport à la position réelle de chaque effecteur du robot, ce qui permet à l'opérateur de visualiser en temps réel les forces générées par le contrôleur sans matériel haptique coûteux. Les chercheurs ont testé cette visualisation lors d'une étude de manipulation bidextre impliquant 17 participants, chargés de repositionner une boîte à plusieurs reprises, avec et sans l'affichage AR. Résultat mesuré : le temps d'exécution baisse de 24% sur les tâches de levage où le contrôle de force est critique, mais aucun effet significatif n'apparaît sur les tâches de glissement, où la précision de force compte moins. Cette étude s'attaque à un problème concret pour l'industrie robotique : la téléopération de tâches riches en contacts (assemblage, manutention, manipulation fine) reste difficile quand l'interface ne renvoie que du mouvement, sans sensation de force. Or l'équipement haptique complet reste cher et peu répandu sur les plateformes de téléopération grand public, notamment les casques et manettes VR utilisés pour la collecte de données d'apprentissage ou le pilotage à distance de bras robotiques. Démontrer qu'un simple retour visuel en AR peut améliorer la performance sur les tâches sensibles à la force, sans capteurs haptiques additionnels, ouvre une voie low-cost pour fiabiliser la téléopération, un enjeu direct pour les entreprises qui collectent des données de démonstration destinées à l'entraînement de modèles de manipulation robotique. Le travail s'inscrit dans un courant de recherche plus large sur l'interaction homme-robot en téléopération, où la question du retour de force sans haptique reste ouverte depuis des années, notamment pour les architectures à contrôle d'impédance largement utilisées en manipulation à deux bras. En l'absence de details sur une application industrielle immédiate, il s'agit ici d'un résultat de recherche évalué en laboratoire, pas d'un produit déployé, mais qui fournit une piste méthodologique exploitable par les équipes développant des interfaces de téléopération pour la collecte de données ou l'opération à distance de robots manipulateurs.

RecherchePaper
1 source
Vers une adaptation en ligne de l'interaction robotique aux déficiences de mobilité du membre supérieur en contexte de retour au travail
4arXiv cs.RO 

Vers une adaptation en ligne de l'interaction robotique aux déficiences de mobilité du membre supérieur en contexte de retour au travail

Une équipe de recherche propose un nouveau cadre d'interaction homme-robot en ligne conçu pour s'adapter aux limitations de mobilité du membre supérieur, dans la perspective de faciliter le retour au travail de personnes en situation de handicap. Contrairement aux approches classiques de collaboration homme-robot qui supposent un utilisateur valide, ce framework intègre un modèle de mobilité spécifique à certaines limitations articulaires directement dans un contrôleur optimal hiérarchique, permettant au robot de générer un comportement réactif et adapté en temps réel. Le système a été testé sur des tâches de remise d'objet (handover) avec un manipulateur mobile, en simulant plusieurs types de déficiences: arthrite du coude, arthrite de l'épaule et blocage du poignet, dans des configurations debout et assise avec contraintes de tâche. Les auteurs ont comparé quantitativement et qualitativement leur méthode à des approches ergonomiques de pointe déjà établies dans le domaine de l'interaction homme-robot. Les résultats préliminaires montrent que le framework parvient à personnaliser l'interaction selon l'amplitude de mouvement réellement disponible de l'utilisateur, tout en encourageant l'usage des articulations en fonction de la sévérité de leurs limitations fonctionnelles. Pour les intégrateurs et les décideurs industriels, ce travail touche à un angle mort réel de la robotique collaborative: la quasi-totalité des cobots et bras manipulateurs déployés en usine ou en entrepôt sont calibrés pour des corps valides, ce qui exclut de fait une partie de la main-d'œuvre après un accident du travail ou une maladie chronique. Un contrôleur capable d'ajuster dynamiquement sa trajectoire et son rythme à la mobilité résiduelle d'un opérateur ouvre la voie à des postes de travail réellement inclusifs, plutôt qu'à des aménagements génériques. Cela s'inscrit aussi dans une tendance plus large de l'HRI vers la personnalisation en ligne, par opposition aux profils utilisateurs figés définis à l'avance. Ce papier, republié en v2 sur arXiv, s'appuie sur la littérature existante de l'interaction ergonomique homme-robot, qu'il cherche explicitement à dépasser via des comparaisons directes. Il ne s'agit pour l'instant que de résultats préliminaires en conditions de laboratoire avec des déficiences émulées plutôt que des sujets réellement atteints, une étape de validation clinique restant nécessaire avant tout déploiement en environnement de travail réel.

RecherchePaper
1 source