RecherchearXiv cs.RO 4 août 2026

Push-Wiper : vers un nettoyage robotique universel, sur taches et surfaces variées, par trajectoires de poussée segmentées

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Le nettoyage robotique de taches visqueuses fait l'objet d'un nouveau framework baptisé Push-Wiper, décrit dans une préimpression déposée sur arXiv début août 2026 (arXiv:2608.00730). Plutôt que d'essuyer, ce qui a tendance à étaler la tache, ou de frotter, ce qui risque d'abîmer la surface, les auteurs reformulent le problème comme une tâche d'agrégation: une éponge pousse progressivement la matière visqueuse selon des trajectoires segmentées, puis une phase de post-traitement détache l'amas formé et permet à l'éponge de s'auto-nettoyer. Le système génère ses séquences de poussée adaptatives via une Diffusion Policy, exécutées grâce à un interpolateur de pose baptisé ASPI (Arbitrary Surface Pose Interpolator) couplé à un contrôleur hybride force-position. Sur le score de nettoyage (CS, pourcentage de surface de tache retirée), Push-Wiper dépasse les méthodes de référence jusqu'à 130%, et transfère sans réentraînement vers des résidus solides, des liquides renversés, des taches visqueuses inédites et des surfaces courbes de géométries variées.

L'intérêt pour l'industrie robotique tient à la généralisation démontrée sans réentraînement, un point sensible pour les intégrateurs qui cherchent des politiques d'apprentissage transférables plutôt que des solutions ajustées tache par tache. Le nettoyage de substances visqueuses (graisses industrielles, résidus alimentaires, peintures) reste un angle mort des bras robotiques de service, souvent cantonnés à l'aspiration ou au lavage de surfaces sèches. À noter toutefois: le score de 130% est mesuré face à des baselines choisies par les auteurs en conditions de laboratoire, et la démonstration zero-shot, bien que notable, reste à confirmer sur des déploiements réels hors des surfaces et taches testées en interne.

Cette approche s'inscrit dans la vague plus large des politiques d'apprentissage par diffusion appliquées à la manipulation robotique, une famille de méthodes déjà utilisée dans des systèmes de manipulation fine à travers l'industrie. Le nettoyage automatisé de taches complexes est un problème ancien en robotique, généralement contourné plutôt que résolu directement, ce qui explique l'angle "agrégation plutôt qu'essuyage" retenu ici. Les auteurs mettent à disposition un site de projet (push-wiper.github.io) avec vidéos de démonstration, mais ne communiquent ni sur une date de publication en conférence ni sur un calendrier de test en conditions industrielles réelles.

Dans nos dossiers

Manipulation robotique arXiv cs.RO

À lire aussi

1arXiv cs.RO

SegDiff : diffusion de trajectoires segmentées pour une manipulation robotique cohérente et adaptative

SegDiff, présenté dans un article déposé sur arXiv (2607.11027v1), est une nouvelle politique visuomotrice en boucle fermée pour l'apprentissage par imitation en robotique manipulation. La méthode découpe les démonstrations humaines en segments de mouvement délimités par des keyposes (poses clés), puis apprend à prédire la trajectoire continue reliant l'état courant à la prochaine keypose. Elle s'appuie sur des modèles de diffusion combinés à l'inversion DDIM pour introduire un mécanisme appelé Dynamic Temporal Ensembling, conçu pour répondre efficacement aux environnements dynamiques et lisser les discontinuités provoquées par un échantillonnage multi-modal incohérent. Les auteurs rapportent des gains de performance significatifs par rapport aux approches existantes, testés à la fois en simulation et sur des scénarios réels de manipulation robotique. L'enjeu technique visé est concret : les méthodes actuelles d'apprentissage par imitation doivent choisir entre deux limites. La prédiction continue à court horizon accumule des erreurs qui se propagent au fil de l'exécution et gère mal les distributions d'actions multi-modales (plusieurs façons valides d'atteindre un objectif). Les méthodes par keyposes évitent ce problème mais nécessitent un planificateur externe pour relier les points clés, ce qui casse le temps réel. SegDiff prétend combiner les deux avantages, hypothèse centrale pour l'industrie : produire une politique robotique capable de raisonner sur des horizons temporels longs tout en restant réactive et stable, sans dépendance à un module de planification séparé, un point clé pour les intégrateurs qui cherchent des politiques déployables directement sur du matériel. Le travail s'inscrit dans la lignée des politiques de diffusion appliquées à la robotique (type Diffusion Policy), déjà largement adoptées comme alternative aux transformeurs d'action classiques. Il ne s'agit pas ici d'un produit commercial ni d'un déploiement industriel : c'est un article de recherche fraîchement publié, sans affiliation industrielle mentionnée dans l'abstract, et ses résultats restent à confirmer par la communauté et par des essais indépendants avant toute reprise en conditions de production.

RecherchePaper

1 source

2arXiv cs.RO

Apprentissage de corrections de trajectoire sensibles aux interactions à partir de trajectoires non étiquetées : un cadre GNN sim-vers-réel par LiDAR pour les robots de chantier

Des chercheurs proposent un cadre de navigation sociale fonctionnant uniquement avec un LiDAR, destiné aux robots de chantier qui évoluent à proximité d'ouvriers. Le système apprend des corrections de trajectoire sensibles aux interactions à partir de démonstrations non étiquetées. Une extrapolation à vitesse constante génère les cibles d'apprentissage résiduelles, et un réseau de neurones sur graphes (GNN) modélise les relations entre le robot, les piétons et le contexte de l'objectif. En déploiement, un filtre de Kalman étendu suit les détections LiDAR pour construire des graphes dynamiques. Le GNN décale ensuite les points de passage produits par le planificateur, via une interface indépendante du planificateur. Dans un essai de pose de briques, le modèle réduit l'irrégularité du chemin de 39,2 % et augmente le temps minimal avant collision (TTC). Sur les séquences du jeu de données Dynablox, le TTC minimal progresse de 38,3 %, avec des trajectoires plus courtes et plus lisses que les méthodes de référence. Les ablations retiennent un intervalle de prédiction de 1,0 s et confirment l'utilité du contexte de l'objectif, de l'augmentation par réflexion et de la normalisation des caractéristiques. L'intérêt tient à ce que ce travail s'attaque à trois freins connus de la navigation sociale sur chantier. Les règles d'interaction écrites à la main passent mal à l'échelle, les démonstrations étiquetées coûtent cher à produire, et les politiques de contrôle propres à un robot se transfèrent difficilement d'une plateforme à l'autre. Une couche de correction qui s'ajoute à n'importe quel planificateur existant intéresse directement les intégrateurs, car elle évite de remplacer la pile de navigation en place. Le choix du LiDAR seul, sans caméra, répond aussi à la poussière, aux variations de lumière et aux contraintes de confidentialité des sites. Il faut toutefois relativiser la portée des résultats : ils reposent sur un essai de pose de briques et sur un jeu de données public, sans déploiement prolongé sur un chantier réel. Le comportement face à des groupes denses, à des engins ou à des occlusions fortes n'est pas documenté dans ce résumé. Les gains en TTC et en régularité restent des gains relatifs face à des références dont la nature précise n'est pas détaillée, et aucune donnée de cycle ou de productivité n'est fournie. Ce travail s'inscrit dans la lignée des méthodes de navigation sociale à base de forces sociales, d'apprentissage par imitation ou de renforcement, souvent validées en simulation ou dans des espaces de bureau plutôt que sur chantier. Le robot de pose de briques évoque les systèmes de maçonnerie robotisée déjà testés par plusieurs acteurs du secteur, mais l'étude ne désigne pas de produit commercial. L'étape suivante logique consiste à valider le cadre sur des sites réels, avec des plateformes variées, et à tester sa transférabilité d'un planificateur à l'autre. Il s'agit pour l'instant d'une publication académique sur arXiv, sans produit, sans pilote annoncé et sans calendrier de commercialisation.

RecherchePaper

1 source

3arXiv cs.RO

WestWorld : un modèle du monde de trajectoires évolutif intégrant des connaissances pour systèmes robotiques variés

Une équipe de chercheurs a publié WestWorld (arXiv:2603.14392), un modèle de monde trajectoire conçu pour opérer sur des systèmes robotiques hétérogènes. Préentraîné sur 89 environnements complexes couvrant une large variété de morphologies en simulation et en conditions réelles, le modèle cible deux lacunes récurrentes dans la littérature : la difficulté de passer à l'échelle face à un grand nombre de dynamiques système distinctes, et l'absence d'intégration des connaissances sur les structures physiques des robots. La validation réelle a été conduite sur un quadrupède Unitree Go1, où WestWorld a démontré des performances stables en locomotion. Le code source est disponible sur GitHub. L'architecture repose sur un mécanisme baptisé Sys-MoE (system-aware Mixture-of-Experts), qui route dynamiquement des experts spécialisés selon le système robotique fourni en entrée, via un embedding système appris. Un embedding structurel complémentaire aligne les représentations de trajectoires avec les informations morphologiques du robot, permettant au modèle de tenir compte du fait qu'un bras articulé, un quadrupède et une plateforme mobile n'obéissent pas aux mêmes contraintes physiques. Les résultats affichent des gains significatifs en prédiction de trajectoire zero-shot et few-shot face aux baselines compétitives, ainsi qu'une amélioration des performances sur le contrôle model-based downstream pour différentes plateformes robotiques. La scalabilité tient sur un spectre large d'environnements, ce qui constitue l'argument central de la contribution. La publication s'inscrit dans une tendance forte : appliquer aux robots les world models issus du monde des agents RL et des LLMs multimodaux, à l'image de Dreamer, UniSim, ou des frameworks VLA (Vision-Language-Action) orientés manipulation. WestWorld se distingue par son ambition généraliste multi-morphologie, là où la majorité des approches concurrentes restent spécialisées sur une famille de robots. L'usage du Unitree Go1 comme banc de test réel est pertinent mais reste un cas relativement balisé dans la littérature, ce qui nuance la portée de la démonstration sim-to-real. Les prochaines étapes logiques seront d'évaluer le transfert sur des morphologies plus complexes, humanoïdes notamment, là où les défis de généralisation sont encore ouverts.

RecherchePaper

1 source

4arXiv cs.RO

Apprentissage automatique de programme d'entraînement au niveau des trajectoires pour la locomotion de robots à pattes sur terrain non structuré

Des chercheurs ont mis en ligne le 18 août 2026 un article sur arXiv (référence 2608.16164, soumission croisée) présentant une méthode d'apprentissage par curriculum automatique au niveau des trajectoires pour entraîner des politiques de locomotion de robots à pattes sur terrain non structuré. Contrairement aux approches existantes, qui imposent des curriculums heuristiques sur des terrains paramétrés artificiellement (pentes, marches ou obstacles générés selon des règles fixes), la méthode génère directement les tâches d'entraînement à partir de cartes de terrain réel non structuré. Le système fonctionne en boucle fermée avec deux composants: un évaluateur qui apprend, à chaque mise à jour du curriculum, une fonction de difficulté associant à une trajectoire donnée un score adapté au niveau actuel de la politique, et un échantillonneur qui propose de nouvelles trajectoires guidées par cet évaluateur pour l'entraînement suivant. Les auteurs rapportent un gain de 56,3% du taux de réussite des trajectoires par rapport à un entraînement sans curriculum, de 18,5% par rapport à un curriculum conçu manuellement sur les terrains les plus difficiles, et jusqu'à 39,74% lorsque le robot doit franchir un même obstacle depuis des directions d'approche variées. Le problème visé, la conception du curriculum d'entraînement, reste un goulot d'étranglement concret pour les équipes qui développent des robots à pattes destinés à des environnements réels non standardisés: chantiers, sites logistiques extérieurs, interventions post-catastrophe. Les curriculums heuristiques actuels risquent de faire surapprendre les politiques sur des motifs perceptifs quasi fixes, ce qui limite leur généralisation une fois confrontées à un terrain véritablement irrégulier. En automatisant la génération de trajectoires au bon niveau de difficulté et en la faisant évoluer avec la politique, cette approche réduit potentiellement le travail d'ingénierie manuelle et améliore la robustesse hors distribution, un enjeu central pour tout intégrateur cherchant à passer de la démonstration en simulation à un déploiement fiable. L'article s'inscrit dans la lignée des travaux sur l'apprentissage par curriculum en apprentissage par renforcement, technique connue pour éviter les échecs d'exploration précoce lors de l'entraînement de politiques complexes. Aucun nom d'entreprise, de laboratoire ni de plateforme robotique spécifique n'apparaît dans le résumé, et les résultats communiqués semblent reposer sur des expériences quantitatives et qualitatives sans précision explicite d'un déploiement sur matériel réel, ce qui invite à la prudence avant d'extrapoler ces gains à des conditions de terrain hors simulation.

RecherchePaper

1 source