RecherchearXiv cs.RO 4 août 2026

Première déployable à centre de masse dynamique : un référentiel unifié pour l'équilibre monopode humanoïde

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Une équipe de recherche en robotique humanoïde publie un constat sévère sur arXiv (2608.00500v1) : sur un benchmark dédié à l'équilibre monopode, huit politiques de contrôle unifiées considérées comme état de l'art échouent intégralement, ne tenant une position stable sur une seule jambe pour aucun des 90 mouvements testés. Ces systèmes ne préviennent pas la perte d'équilibre, ils la subissent et compensent en sautillant ou en reposant le pied au sol. Les chercheurs identifient la cause : aucune politique matérielle n'exploite le point de capture (xCoM), une variable dérivée de la vitesse du centre de masse, car son calcul classique nécessite une vitesse linéaire du bassin qu'aucun capteur embarqué ne fournit directement. Leur solution consiste à exprimer cette vitesse par rapport au pied d'appui plutôt qu'à un référentiel absolu, ce qui fait disparaître le terme problématique et rend l'observation reconstructible à partir des seuls encodeurs et de la centrale inertielle. Entraînée avec la méthode FastSAC en configuration asymétrique, avec un critique privilégié et sans distillation, la politique résultante (baptisée FDDC) tient un équilibre monopode propre sur 86 des 90 mouvements de test répartis en neuf classes de postures, et le résultat se transfère à un robot Unitree G1 réel.

Pour l'industrie humanoïde, ce travail documente un angle mort rarement chiffré : la capacité à rester stable est traitée comme acquise dans les démonstrations, alors qu'elle échoue de façon quasi systématique dès qu'on la teste rigoureusement hors des trajectoires d'entraînement habituelles. Cela relativise les vidéos de marche ou de manipulation dynamique diffusées par les fabricants, dont la robustesse posturale reste largement invérifiée en dehors du script filmé. L'étude d'ablation renforce ce point : retirer la seule observation de centre de masse dynamique fait chuter le score de 40 points, ce qui en fait le facteur dominant, davantage qu'un ajustement de récompense ou d'architecture.

Les auteurs situent leur approche dans la lignée du contrôle postural humain, dont ils traduisent terme à terme la logique de récompense, et publient l'ensemble du code ainsi qu'un benchmark sim-à-sim agnostique à la méthode, évalué dans un simulateur différent de celui de l'entraînement pour limiter le biais. L'objectif affiché est de transformer l'équilibre d'une astuce ponctuelle par tâche en une capacité mesurable et comparable à l'échelle du secteur.

Dans nos dossiers

Unitree arXiv cs.RO

À lire aussi

1arXiv cs.RO

TactiDex : un référentiel tactile réel pour la manipulation dextre proche de l'humain

La recherche en manipulation robotique dextre franchit une nouvelle étape avec TactiDex, un benchmark et un jeu de données publiés sur arXiv (référence 2607.09190v1) et dédiés à la manipulation guidée par le toucher. Le projet part d'un constat technique précis: la plupart des méthodes actuelles de transfert humain-robot pour les mains dextres reposent uniquement sur des trajectoires cinématiques, ce qui produit une imitation du mouvement sans véritable ancrage physique dans le contact. TactiDex propose à la place un jeu de données réel qui aligne des signaux tactiles couvrant l'ensemble de la main avec des états cinématiques et des états d'objets à plusieurs niveaux de granularité, accompagné de métriques d'évaluation standardisées. Sur cette base, les auteurs introduisent TactiSkill, un framework de transfert reposant sur une récompense tactile à trois composantes, conçue pour unifier dans un seul objectif le guidage du geste, la ressemblance avec le comportement humain et le respect des contraintes de contact. Les expériences couvrent à la fois des tâches à une main et des tâches bimanuelles, avec une page projet dédiée (tactidex.github.io) pour consulter les données et résultats. Pour l'industrie robotique, ce travail s'attaque directement à un angle mort connu des pipelines d'apprentissage par démonstration: la plupart des systèmes actuels, y compris les architectures VLA les plus médiatisées, valident surtout la trajectoire du geste et non la qualité physique du contact, ce qui laisse un écart entre démonstration réussie en vidéo et manipulation réellement stable en conditions réelles. En intégrant le retour tactile comme signal de supervision structuré plutôt que comme donnée accessoire, TactiDex offre aux équipes de recherche et aux intégrateurs travaillant sur des mains robotiques un cadre d'évaluation plus rigoureux pour juger si un geste appris est simplement copié ou physiquement plausible, ce qui pèse directement sur la fiabilité des déploiements en préhension fine. Le travail s'inscrit dans la lignée des efforts récents visant à dépasser la simple imitation cinématique dans le transfert humain-robot, un problème identifié de longue date dans la littérature sur la téléopération et l'apprentissage par démonstration. Aucune date de publication de code ni de partenariat industriel n'est mentionnée à ce stade; le projet reste au niveau d'un benchmark de recherche, dont l'adoption dépendra de sa reprise par d'autres laboratoires travaillant sur des mains dextres et l'apprentissage tactile.

RecherchePaper

1 source

2arXiv cs.RO

HumanoidNDM : combler l'écart entre entraînement et déploiement du suivi de mouvement grâce à un modèle de dynamique neuronale humanoïde

Des chercheurs présentent HumanoidNDM, un cadre de fine-tuning en ligne pour les politiques de suivi de mouvement (motion tracking) des robots humanoïdes. Il vise l'écart entre l'entraînement en simulation et le déploiement réel, causé par des perturbations physiques externes ou par une modélisation imparfaite du simulateur. La méthode comporte trois étapes. La collecte de données injecte des perturbations basse fréquence dans la référence de mouvement, avec une intensité adaptative qui équilibre faisabilité sur robot réel et efficacité d'exploration. Un modèle de dynamique neuronal, fondé sur l'historique des données proprioceptives, est ensuite entraîné dans l'espace euclidien grâce à une cinématique directe différentiable, ce qui évite la capture de mouvement (MoCap) coûteuse. Enfin, la politique est affinée en rétropropageant directement les gradients de ce modèle. La validation physique repose sur le Unitree G1. L'abstract ne fournit aucun chiffre sur le volume de données, le temps d'adaptation ou le gain de précision de suivi. L'intérêt est pratique. Le suivi de mouvement par apprentissage par renforcement fonctionne bien en démonstration, mais la dernière étape avant un déploiement robuste reste l'adaptation à la dynamique réelle (charges, usure, frottements, erreurs de modèle). Se passer de MoCap lève une contrainte d'infrastructure qui limite le fine-tuning aux laboratoires équipés. Cela rend l'adaptation sur site envisageable pour un intégrateur. Le fine-tuning par gradients d'un modèle appris promet aussi une meilleure efficacité en données que l'apprentissage par renforcement sans modèle, ce qui compte quand chaque essai use un robot fragile. Les réserves sont classiques. Le travail est un preprint (arXiv, v1) non relu par les pairs, validé sur une seule plateforme. La revendication de « première » méthode en ligne sans MoCap est celle des auteurs, et la robustesse face à des perturbations plus variées reste à démontrer. Ce travail s'inscrit dans l'effort pour réduire l'écart sim-to-real des humanoïdes. Les approches dominantes combinent randomisation de domaine, identification de paramètres et modèles résiduels de dynamique appris à partir de données réelles. Le G1 de Unitree est devenu la plateforme de référence des laboratoires académiques, grâce à son prix relativement bas. Cela rend ces résultats comparables et reproductibles, mais ne dit rien de leur transfert vers des humanoïdes industriels plus lourds. Les prochaines étapes à surveiller sont la publication du code, des tests sur d'autres morphologies et des mesures de durabilité en conditions d'usage prolongé.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

3arXiv cs.RO

HandEdit : un référentiel unifié pour l'édition d'images de mains robotiques dextériques du point de vue humain

L'article scientifique publié le 13 août 2026 sur arXiv présente HandEdit, un jeu de données et benchmark d'édition d'images conçu pour transformer des vidéos de mains humaines en représentations de mains robotiques dextres, dans des séquences filmées à la première personne. L'ensemble comprend plus de 200 millions d'instances d'édition, issues de cinq jeux de données sources distincts, couvrant 26 configurations URDF différentes, dont 13 modèles de mains seules et 13 configurations bras-main combinées. Les chercheurs ont mis en place un protocole d'évaluation unifié avec deux volets, "Hand-only" et "Hand-Arm", permettant une évaluation conditionnée par URDF. Onze modèles d'édition d'images de référence ont été testés selon une suite de métriques multidimensionnelle combinant similarité générique, jugement par modèle vision-langage (VLM) et métriques spécifiques à l'incarnation robotique (embodiment-aware). L'enjeu pour l'industrie robotique tient au goulot d'étranglement bien identifié de la téléopération : collecter des données d'entraînement embodiment-aware pour des mains robotiques dextres coûte cher, alors que des vidéos égocentriques de mains humaines existent en abondance sur le web. HandEdit cherche à combler l'écart d'apparence, d'articulation et de point de vue caméra entre données humaines et robotiques, un problème que les modèles d'édition d'images généralistes ne résolvent pas complètement faute de connaissances a priori propres à chaque plateforme robotique. Si l'approche tient ses promesses, elle pourrait permettre aux équipes de recherche en IA incarnée d'entraîner des politiques de manipulation dextre à partir de vidéos humaines à grande échelle plutôt que de dépendre exclusivement de démonstrations téléopérées coûteuses, un levier potentiellement significatif pour accélérer l'apprentissage de tâches de préhension fine chez les mains robotiques multi-doigts. Ce travail s'inscrit dans la lignée des efforts récents visant à exploiter les vidéos humaines comme source de supervision pour l'apprentissage robotique, un axe de recherche actif face à la rareté des données de téléopération pour les mains dextres, distinctes des pinces simples des bras robotiques industriels classiques. En couvrant 26 URDF différents, HandEdit se positionne comme une ressource de référence transversale plutôt que liée à une seule plateforme matérielle, ce qui pourrait faciliter son adoption par différents laboratoires travaillant sur des mains robotiques variées. L'article ne précise pas de calendrier de déploiement industriel ni de partenariat commercial ; il s'agit à ce stade d'une contribution de recherche fondamentale, avec le jeu de données et le benchmark présentés comme ressource ouverte pour la communauté de l'IA incarnée.

RecherchePaper

1 source

4arXiv cs.RO

Booster Lab : un pipeline centré sur les données pour l'apprentissage de politiques de locomotion humanoïde déployables

Des chercheurs de Booster Robotics ont publié le 27 juin 2026 sur arXiv (2606.27813) un article décrivant "Booster Lab", un pipeline de bout en bout pour apprendre et déployer des politiques de locomotion sur des robots humanoïdes. Le système repose sur quatre étapes enchaînées : curation automatisée de données de mouvement, adaptation du modèle robot de l'environnement réel vers la simulation (real-to-sim), apprentissage par renforcement avec la méthode AMP (Adversarial Motion Priors), et transfert simulation-vers-réel (sim-to-real). Le pipeline a été validé sur le robot humanoïde Booster T1, la plateforme principale de l'entreprise, avec des premiers résultats de portabilité obtenus sur le Booster K1. Aucun chiffre de performance brut (temps de cycle, vitesse de marche, taux de succès) n'est disponible dans l'abstract de cette préprint, ce qui limite l'évaluation indépendante des résultats. Le véritable apport de ce travail n'est pas une architecture RL inédite, mais une réponse opérationnelle à un problème concret qui ralentit tout le secteur : la rareté des données de mouvement compatibles avec la morphologie des robots humanoïdes. Les captures humaines brutes sont souvent inutilisables directement, les clips open-source sont hétérogènes en qualité, et même les trajectoires synthétiques issues de simulation nécessitent une vérification de faisabilité physique. En centralisant la curation, l'adaptation de modèle et la vérification dans un même pipeline, Booster Lab propose une infrastructure reproductible plutôt qu'un résultat de labo isolé. La validation croisée sur deux plateformes distinctes (T1 et K1) suggère une ambition de généralisation, mais reste à confirmer sur des benchmarks indépendants. Booster Robotics est une startup chinoise spécialisée dans les humanoïdes à faible coût, positionnée en compétition directe avec Unitree et ses séries H1/G1, ainsi qu'avec Fourier Intelligence. Le T1 est commercialisé comme plateforme de recherche accessible, en opposition aux segments premium occupés par Figure (Figure 02), Agility Robotics (Digit) ou Boston Dynamics (Atlas). L'approche data-centric de ce papier s'inscrit dans la tendance de fond du secteur : après les percées en manipulation portées par des VLA comme pi0 (Physical Intelligence) ou GR00T N2 (NVIDIA), la locomotion naturelle et robuste reste le dernier verrou avant des déploiements industriels crédibles. La suite logique de ce travail serait un benchmark public des politiques apprises et un accès au pipeline de curation pour la communauté.

RecherchePaper

1 source