RecherchearXiv cs.RO 3 août 2026

Balancing d'un humanoïde avec la masse d'un objet : analyses de compromis et contrôle du levage

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Un groupe de chercheurs propose dans un nouvel article arXiv (2607.29625v1) une analyse rigoureuse de l'effet de la masse d'un objet porté sur l'équilibre d'un robot humanoïde en loco-manipulation. Contrairement aux méthodes actuelles, majoritairement fondées sur des heuristiques ou de l'apprentissage automatique, les auteurs formulent explicitement les paramètres de masse de l'objet dans la dynamique du corps entier, avec les torseurs de contact distribués et les centres de pression aux points d'appui. Cette formulation permet de construire ce qu'ils appellent le "balanced state basin/boundary" (BSB), une partition de l'espace des états du centre de masse définissant les configurations où le robot bipède peut conserver son équilibre. Le BSB est testé sur un robot humanoïde réel ainsi que sur un mécanisme réduit analytiquement tractable, sous différentes conditions de base d'appui, de capacité d'actionnement et de posture. L'étude aboutit à deux notions clés : la masse critique, où la capacité d'équilibrage du système est maximale, et la masse de transition, qui fait basculer le système d'un facteur limitant à un autre. Ces seuils sont ensuite intégrés comme contraintes explicites dans une optimisation de trajectoire du corps entier, validée par des tâches de lever-et-maintien et de lever-et-relâche en simulation et en expérimentation.

L'intérêt pratique est direct pour les intégrateurs et les équipes de contrôle travaillant sur des humanoïdes destinés à la manutention : disposer d'un modèle analytique explicite, plutôt que d'un contrôleur appris en boîte noire, permet de prédire à l'avance les limites de charge et de posture avant qu'un robot ne bascule, un enjeu critique pour toute déploiement industriel où la sécurité et la prévisibilité priment sur la performance brute en démonstration.

Le papier s'inscrit dans une littérature de contrôle d'équilibre bipède qui, jusqu'ici, s'appuyait largement sur des règles empiriques ou des réseaux entraînés en simulation, avec peu de garanties formelles sur les cas limites de charge. En formalisant le rôle de la masse portée dans la dynamique de contact, cette approche ouvre la voie à des contrôleurs de levage certifiables plutôt que simplement performants en moyenne, une direction que d'autres laboratoires travaillant sur la loco-manipulation humanoïde pourraient chercher à reproduire ou étendre à des objets de forme et de répartition de masse plus complexes.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

HAIC : contrôle agile d'interaction humanoïde avec les objets via un modèle du monde intégrant la dynamique

Des chercheurs ont publié sur arXiv (référence 2602.11758v2) un framework baptisé HAIC, Humanoid Agile Object Interaction Control, destiné à doter les robots humanoïdes d'une capacité de manipulation d'objets à dynamique indépendante, sans recours à des capteurs externes d'état. Le système repose sur un prédicteur de dynamique qui estime la vitesse et l'accélération d'un objet en contact uniquement à partir de l'historique proprioceptif du robot, c'est-à-dire ses propres données articulaires, sans caméra ni lidar dédié à l'objet. Ces estimations sont projetées sur des priors géométriques statiques pour générer une carte d'occupation dynamique spatialement ancrée, permettant au contrôleur d'inférer les limites de collision et les affordances de contact même dans les zones de l'espace occultées. Les tâches validées expérimentalement sur robot humanoïde incluent le skateboard, la poussée et traction de chariot sous charges variables, et le transport d'un carton sur terrain irrégulier avec plusieurs objets en interaction simultanée. L'apport industriel de HAIC est de combler un angle mort structurel de la robotique humanoïde actuelle : la quasi-totalité des méthodes d'interaction humain-objet (HOI) supposent que l'objet est rigidement couplé au robot et entièrement actionné. Cette hypothèse exclut les objets sous-actionnés à dynamique propre, roues, chariots, caisses sur sol glissant, qui sont précisément les objets courants en entrepôt logistique ou en atelier industriel. En gérant les forces de couplage et les perturbations inertielles de façon proactive, HAIC réduit la dépendance aux capteurs périphériques coûteux et améliore la robustesse aux variations de charge. Le mécanisme d'apprentissage asymétrique (asymmetric fine-tuning), où le world model s'adapte en continu à la politique apprise, adresse directement le problème de distribution shift, un point de fragilité classique des pipelines sim-to-real. La publication s'inscrit dans une course ouverte autour du contrôle whole-body pour humanoïdes, dominée par des approches VLA (Vision-Language-Action) comme pi0 de Physical Intelligence, GR00T N2 de NVIDIA, ou les travaux internes de Figure AI et Agility Robotics. HAIC se distingue en privilégiant une architecture model-based compacte plutôt qu'un grand modèle fondation, un choix de conception qui favorise la latence basse et l'embarquabilité. Le papier ne mentionne pas de partenaire industriel ni de timeline de déploiement ; il reste à ce stade une démonstration en laboratoire sur humanoïde non nommé, sans benchmark standardisé externe, ce qui rend la comparaison directe avec d'autres systèmes difficile à établir.

RechercheActu

1 source

2arXiv cs.RO

VAIC : contrôle humanoïde agile d'interaction avec des objets par vision et commandes découplées

Des chercheurs ont publié en juin 2026 sur arXiv (référence 2606.09286) VAIC, un cadre de contrôle unifié pour robots humanoïdes capable d'interagir avec des objets en milieu non structuré. La contribution principale est l'élimination de deux hypothèses restrictives qui limitent la transposition terrain des contrôleurs existants : les trajectoires de référence denses et l'observabilité complète de l'état. VAIC opère exclusivement à partir d'un flux de profondeur embarqué et de la proprioception historique, via une interface de commandes découplées composée de cibles de vitesse multi-axes et d'un indicateur d'interaction par segment corporel. L'apprentissage suit un paradigme de distillation en deux étapes : une politique "enseignant" privilégiée, entraînée avec accès complet à la cinématique des objets et à l'état environnemental exact, transfère ses compétences à une politique "étudiant" déployable qui reconstruit implicitement la dynamique des objets depuis le flux de profondeur brut via un module d'adaptation récurrent. Sur robot humanoïde (non nommé dans le preprint), cette politique unique exécute en conditions réelles trois familles de tâches dynamiques : transport de carton, interaction avec un chariot, et skateboard, surpassant selon les auteurs les approches baseline comparées. Ce résultat, s'il se confirme à plus grande échelle, adresse directement le "deployment gap" qui freine la commercialisation des humanoïdes : la quasi-totalité des démos publiques repose encore sur des systèmes de capture de mouvement externe ou sur des objets instrumentés avec tracking précis. Proposer une politique unique généraliste, sans trajectoires de référence et fonctionnant sur capteurs embarqués bas coût, réduirait significativement la friction d'intégration pour les opérateurs industriels et les intégrateurs robotiques. La distillation enseignant-étudiant avec module d'adaptation récurrent n'est pas une architecture inédite, mais son application à des tâches aussi hétérogènes sur un humanoïde réel constitue un pas mesurable vers la généralisation. À noter que le preprint ne fournit ni métriques de cycle time par tâche, ni taux de succès quantifiés, ni spécification du robot utilisé, ce qui limite l'évaluation indépendante des performances annoncées. Ce travail s'inscrit dans une course aux contrôleurs généralisés qui oppose des équipes académiques (Berkeley, CMU, ETH Zurich) aux acteurs commerciaux : Figure Robotics avec son pipeline VLA sur Figure 02/03, Physical Intelligence et sa politique Pi-0, 1X Technologies et Unitree, tous actifs simultanément sur le sim-to-real et les architectures polyvalentes. L'approche de VAIC, centrée sur la profondeur et la proprioception plutôt que sur les vision-language models à grande échelle, constitue un positionnement différenciant en termes de coût de calcul embarqué et de simplicité sensorielle. Aucun partenariat industriel ni calendrier de déploiement n'est annoncé dans ce preprint : il s'agit à ce stade d'une démonstration de recherche, dont la validation sur plusieurs plateformes robotiques et environnements variés reste entièrement à mener.

RecherchePaper

1 source

3arXiv cs.RO

ContactMimic : interaction avec des objets par un robot humanoïde grâce au contrôle des contacts

Wiping a board, sitting on a chair ou pousser un meuble : ces tâches semblent réussies dès que le robot atteint la bonne posture, mais sans contact physique réel avec l'objet, elles échouent en pratique. C'est le constat de départ de CONTACTMIMIC, un framework d'apprentissage présenté dans un article publié le 10 juillet sur arXiv (2607.08742). L'équipe y ajoute aux trajectoires de points-clés classiques (keypoint tracking) des commandes de contact binaires, définies au niveau de chaque partie du corps. La politique résultante s'appuie sur deux ingrédients : des récompenses qui suivent explicitement le contact et un schéma d'augmentation de trajectoires conçu pour casser la corrélation entre géométrie des points-clés et étiquettes de contact. Résultat, le robot peut produire ou supprimer un contact à la demande, indépendamment de sa pose. Sur 10 mouvements d'interaction homme-objet testés en simulation, CONTACTMIMIC dépasse les trackers uniquement basés sur les points-clés, sans recourir à des récompenses spécifiques à chaque tâche. Le transfert sim-to-real a été validé sur 5 mouvements réels. L'enjeu dépasse la démonstration technique : la plupart des pipelines d'imitation de mouvement pour humanoïdes optimisent la fidélité cinématique, pas l'interaction physique effective, un angle mort qui limite l'utilité pratique des politiques de manipulation whole-body déployées sur des plateformes comme Figure 03, Optimus ou des architectures VLA type GR00T N2, Pi-0 ou Helix. Découpler contact et géométrie ouvre la voie à des contrôleurs capables d'exécuter des tâches ménagères ou industrielles réelles (essuyer, pousser, s'asseoir) sans réentraînement par tâche, un prérequis pour que les humanoïdes sortent de la démonstration scriptée. Le travail s'inscrit dans la lignée des méthodes de suivi de points-clés pour le contrôle corps entier des humanoïdes, dont il expose les limites via des ablations confirmant la nécessité de l'augmentation de trajectoires. Aucun partenaire industriel n'est mentionné : il s'agit pour l'instant d'une contribution de recherche en simulation et validation restreinte en réel, dont les vidéos sont disponibles en ligne, sans calendrier de déploiement annoncé.

RecherchePaper

1 source

4arXiv cs.RO

LAC : compliance linéaire et angulaire pour le contrôle corporel complet des humanoïdes

Un article publie sur arXiv (2608.25405) présente LAC, un contrôleur de corps entier pour humanoïdes qui traite simultanément les forces linéaires et les couples angulaires appliques sur le haut du corps. La méthode entraine, via apprentissage par renforcement en schéma enseignant-élevé, une politique unique a suivre des mouvements de conformité calcules par un modèle d'admittance virtuelle, a partir d'un jeu de données augmente ou des forces et couples sont appliques sur des points de contact extraits d'interactions humaines réelles. Simulations et essais sur robot réel montrent une réponse conforme sur tout le haut du corps, une modulation continue de la raideur commandée, et une application a la loco-manipulation téléopérée ; le projet est documente sur lac-humanoid.github.io. La plupart des contrôleurs humanoïdes actuels traitent les forces externes comme des perturbations a rejeter pour garder l'équilibre, ou ne tolèrent la conformité que sur quelques liaisons, sans tenir compte des couples. En unifiant conformité linéaire et angulaire sur tout le haut du corps avec une seule politique, LAC vise des interactions physiques plus sures avec des objets ou des humains, utiles pour l'assistance au geste, le guidage physique ou la manipulation collaborative. Pour les intégrateurs, ce travail illustre le passage de contrôleurs rigides orientes stabilité vers des architectures apprises a raideur réglable, un ingrédient recherche pour rapprocher les humanoïdes d'une téléopération ou d'une autonomie exploitables en usine ou en logistique. LAC s'inscrit dans la lignée des travaux sur le contrôle en impédance et en admittance pour humanoïdes, un champ transforme ces dernières années par l'apprentissage par renforcement sim-to-real, une approche aussi explorée par des acteurs comme Figure, Unitree ou Boston Dynamics, sans qu'aucun ne soit associe a cette publication académique. Il s'agit d'une contribution de recherche validée en simulation et sur robot réel en laboratoire, non d'un produit commercialise ni d'un déploiement industriel : les démonstrations doivent donc être lues comme une preuve de concept. Aucun calendrier de transfert commercial n'est communique, mais le site du projet met les résultats a disposition, en vue d'extensions vers le contrôle du bas du corps ou l'intégration a des piles logicielles humanoïdes existantes.

RecherchePaper

1 source