RecherchearXiv cs.RO 5 août 2026

Robot humanoïde industriel : combler l'écart de sécurité fonctionnelle certifiée par une approche fail-passive, étude de faisabilité

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Un preprint arXiv (2608.02809) documente un verrou dans la certification de sécurité fonctionnelle des robots humanoïdes industriels : l'état de sécurité d'un robot a pattes est activement contrôle, ce qui contredit l'hypothèse fail-passive des normes ISO 13849-1 et EN 60204-1. Couper l'alimentation d'un bipède en marche provoque une chute incontrôlée, la mise hors tension classique devenant elle-même un danger. Les auteurs nomment ce problème le "fail-passive gap" et le localisent via une chaine de sécurité externe certifiée (rideau lumineux, arrêt d'urgence, entrée fail-safe, automate Siemens S7-1500, liaison sans fil PROFIsafe), quantifiable avec les méthodes PFHD, DC, CCF et PL/SILCL. Le sous-système de réaction certifiable de cette référence repose sur une coupure de puissance par contacteur, catégorie d'arrêt 0, exactement ce qu'un humanoïde en équilibre ne peut pas avoir. Sans revendiquer de certification PL e / SIL 3 complète, l'étude est validée sur une cellule de prise-dépose équipée d'un Unitree G1 EDU, dans un espace de travail semi-clos de 3 mètres sur 1,5 mètre.

Le travail met en évidence un frein souvent occulte par les démonstrations de robots humanoïdes : marcher ou manipuler n'est plus le facteur limitant pour un déploiement en usine, c'est l'absence de cadre de certification adapte aux plateformes a pattes. Pour les intégrateurs et décideurs industriels qui envisagent d'installer des humanoïdes sur une ligne de production, l'étude rappelle qu'aucune solution actuelle ne garantit formellement la sécurité d'un robot devant rester en équilibre actif, contrairement a un bras robotique classique qu'on peut arrêter net. Elle souligne aussi l'écart entre les annonces de robots "prêts pour l'usine" et la réalité technique de la certification, un angle mort récurrent du secteur. Meme une architecture de contrôle industrielle standardisée, avec interface IEC 61131-3, ne résout pas le problème puisque le calculateur embarque du G1 n'est pas un matériel certifie pour la sécurité : elle deplace simplement le problème vers l'interface entre l'automate d'automatisation et la politique d'équilibre du robot.

Cette étude s'inscrit dans un examen académique croissant de la maturité réelle des humanoïdes industriels, alors que Figure, Tesla avec Optimus, Agility Robotics ou Unitree multiplient les annonces de pilotes en usine. Le choix du G1, plateforme commerciale relativement accessible, comme banc d'essai illustre une tendance a utiliser des robots grand public pour des études de faisabilité en environnement quasi industriel, faute de plateformes déjà certifiées pour cet usage. Les auteurs livrent une analyse spécifique aux humanoïdes de l'état de sécurité actif (la chute comme danger, les limites d'arrêt en appui simple, le risque résiduel lie a la politique d'équilibre, la distance de séparation selon ISO 13855) ainsi qu'un budget temporel documente par source. La suite logique serait l'élaboration de normes dédiées aux plateformes a pattes, un chantier que les organismes de normalisation n'ont pas encore engage, laissant intégrateurs et fabricants sans référence formelle pour déployer des humanoïdes dans des zones partagées avec des opérateurs humains.

Impact France/UE

L'étude s'appuie sur les normes de sécurité européennes ISO 13849-1, EN 60204-1 et IEC 61131-3 ainsi que sur un automate Siemens S7-1500, révélant l'absence de cadre de certification adapté aux humanoïdes pour les industriels européens envisageant un déploiement en usine.

Dans nos dossiers

Unitree Agility Robotics — Digit arXiv cs.RO

À lire aussi

1arXiv cs.RO

Robot humanoïde : apprendre des interventions de sécurité personnalisées pour le contrôle partagé haptique humain-robot

Traduction de l'article demandée. Un système de retour haptique personnalisé permet désormais aux robots partagés en téléopération d'apprendre les préférences de sécurité individuelles d'un utilisateur à partir de démonstrations limitées, plutôt que d'imposer des réglages génériques prédéfinis. L'approche, baptisée Learning from Haptics (LfH), s'appuie sur une couche d'optimisation différentiable fondée sur des fonctions de barrière de contrôle (Control Barrier Function, CBF), un outil mathématique classique pour garantir qu'un système reste dans une zone d'état sûre. Concrètement, l'opérateur n'a plus besoin de régler manuellement les paramètres du contrôleur par essais-erreurs: il montre au système comment il souhaite que celui-ci intervienne pendant la téléopération, et l'algorithme ajuste automatiquement les paramètres de sécurité sous-jacents pour reproduire ce comportement démontré. Les auteurs ont validé le cadre à la fois en simulation et sur un banc matériel réel, montrant que le système apprend des interventions personnalisées à partir de peu de données utilisateur et réduit l'écart entre le retour haptique généré et les préférences réellement démontrées. Cette avancée s'attaque à une limite connue des systèmes de guidage haptique en contrôle partagé humain-robot: les stratégies d'intervention prédéfinies ne s'adaptent ni aux préférences individuelles des opérateurs, ni aux spécificités de chaque scénario applicatif (chirurgie assistée, téléopération industrielle, exosquelettes, manipulation à distance). Pour les intégrateurs et concepteurs de systèmes à contrôle partagé, cela signifie potentiellement moins de temps de calibration terrain et une meilleure acceptabilité utilisateur, un facteur souvent négligé mais déterminant dans l'adoption réelle de ces interfaces. Le résultat conforte aussi une tendance plus large en robotique interactive: remplacer le réglage manuel de paramètres de contrôle par de l'apprentissage à partir de démonstrations éparses, une approche qui gagne du terrain face aux méthodes classiques de tuning expert. Le travail s'inscrit dans la lignée des recherches sur le contrôle partagé haptique et les CBF, deux domaines matures séparément mais rarement combinés de façon apprenante. Les CBF sont largement utilisés en robotique de sécurité (véhicules autonomes, manipulateurs collaboratifs) pour garantir formellement l'évitement de zones dangereuses, mais leurs paramètres restent généralement fixés à la main par des experts. En les rendant différentiables et ajustables par apprentissage, les auteurs ouvrent la voie à des systèmes de téléopération qui s'adaptent utilisateur par utilisateur. L'article, publié sur arXiv fin juillet 2026, ne précise pas de partenaire industriel ni de calendrier de déploiement au-delà des expériences en laboratoire, ce qui en fait pour l'instant un travail de recherche fondamentale plutôt qu'une solution prête à l'intégration.

RecherchePaper

1 source

2arXiv cs.RO

MaCoPlanner : planification de tâches assistée par LLM à partir de manuels, avec vérification proactive de la sécurité pour l'opération de panneaux industriels par des robots

Des chercheurs présentent MaCoPlanner, un framework de planification de taches pour l'opération robotique de panneaux de contrôle industriels, combinant grands modèles de langage et vérification de sécurité proactive. Le système compile des manuels d'équipement hétérogènes en une représentation intermédiaire typée, récupère les preuves pertinentes pour chaque tache et chaque état du dispositif, puis s'en sert pour générer des plans d'action. Avant toute actuation physique, les plans candidats sont simules symboliquement et confrontes aux contraintes procédurales et de transition d'état; les violations détectées sont localisées et renvoyées pour correction ciblée, tandis que les plans non résolus sont rejetés. Une interface d'exécution distincte traduit ensuite les actions symboliques validées en commandes physiques et met a jour l'état de l'appareil. Sous un oracle d'évaluation indépendant, MaCoPlanner atteint un taux de violation final de 2,7%, et 26,3% des exécutions analysées en correction sont rejetées après épuisement du budget de raffinement. Compare a une base "Raw-Manual" (lecture brute des manuels sans structuration), le taux de réussite des taches passe de 62,8% a 84,4% sur les taches de niveau 2, et de 25,9% a 43,2% sur celles de niveau 3, avec des essais menés sur un simulateur de panneau de contrôle, sans charge industrielle réelle attachée. Ce résultat parle directement aux intégrateurs et responsables d'usine confrontes a un problème récurrent: les grands modèles de langage produisent des plans d'action plausibles mais souvent non conformes aux procédures de sécurité réelles, surtout quand les instructions sont dispersées dans des manuels hétérogènes et mal structures. En rendant la vérification proactive plutôt que corrective a posteriori, MaCoPlanner propose une piste concrète pour réduire l'écart, largement documente dans le secteur, entre démonstrations de planification par IA générative et fiabilité en conditions industrielles. Le quasi-doublement du taux de réussite sur les taches complexes de niveau 3 montre toutefois que la marge de progression reste large des que la complexité augmente, et le taux de rejet de plus d'un quart des exécutions rappelle que le système est conçu pour refuser plutôt qu'exécuter une action non vérifiée, un choix pertinent en environnement a risque mais qui limite la couverture opérationnelle. Ce travail s'inscrit dans la recherche plus large sur les agents LLM appliques a la robotique industrielle, ou plusieurs équipes cherchent a exploiter les modèles de langage pour interpréter la documentation technique et générer des séquences d'opération sans reprogrammation manuelle exhaustive. Contrairement aux approches purement génératives, MaCoPlanner introduit une étape de compilation formelle et de vérification symbolique avant exécution, rapprochant la planification LLM des méthodes de vérification utilisées en robotique de sécurité critique. Les auteurs précisent explicitement que leurs expériences, menées sur simulateur sans charge industrielle réelle, démontrent une faisabilité d'exécution intégrée dans des conditions représentatives, sans revendiquer une maturité suffisante pour un déploiement industriel effectif. Les suites logiques évoquées pour ce type de recherche incluent des essais sur panneaux réels sous charge opérationnelle et une extension a d'autres classes d'équipements au-delà des panneaux de contrôle.

RecherchePaper

1 source

3arXiv cs.RO

Rester assis : apprentissage de la locomotion omnidirectionnelle d'un humanoïde sur une chaise mobile passive à roulettes

Une équipe de recherche a publié le 28 août 2026 sur arXiv (2608.28090) une étude sur la locomotion omnidirectionnelle d'un robot humanoïde assis sur une chaise mobile passive à roulettes. Contrairement aux humanoïdes debout, dont les actionneurs quasi-direct-drive génèrent en continu du couple articulaire, la position assise délègue le maintien du poids à la chaise. La politique de contrôle, entraînée par apprentissage par renforcement sans récompense d'imitation de mouvement, ne reçoit que la proprioception du robot et les commandes de vitesse, sans capteur de contact ni information sur l'état de la chaise. Lors d'essais à commandes aléatoires, elle a suivi les trajectoires demandées pendant la quasi-totalité de séquences de 20 secondes, dépassant même une politique de référence en position debout sur la précision de suivi. Une analyse factorielle menée sur quatre graines d'entraînement montre qu'une régularisation du glissement du pied réduit le coût de transport mais peut figer le robot dans un optimum stationnaire, un défaut corrigé en la combinant à une régularisation de symétrie ou à un curriculum de commandes. Le coût de transport se classe, du plus bas au plus élevé, marche arrière, déplacement latéral, puis marche avant. Transférée sans réentraînement sur un robot réel Unitree G1, la politique a produit une locomotion assise omnidirectionnelle. Ce travail s'attaque à un angle mort de la course aux humanoïdes, focalisée jusqu'ici sur la marche et la manipulation en position debout pour des tâches d'usine ou de logistique. Une grande partie du travail de bureau ou d'établi se fait pourtant assis, et maintenir un humanoïde debout en continu sollicite inutilement ses actionneurs et son énergie. En montrant qu'une politique entraînée uniquement par récompense de suivi de vitesse, sans imitation de mouvement ni capteurs de contact, transfère en zero-shot vers un robot réel, l'étude conforte l'idée que l'apprentissage par renforcement en simulation franchit l'écart sim-to-real sur des tâches de locomotion toujours plus spécialisées. L'étude reste un travail de recherche académique en prépublication, sans partenaire industriel ni calendrier de commercialisation annoncé, qui étend l'environnement standard de suivi de vitesse en position debout déjà utilisé dans la communauté robotique, avec un modèle de chaise passive et des récompenses propres à l'état assis. Le choix du Unitree G1, plateforme largement diffusée dans la recherche en contrôle moteur, en fait une base accessible plutôt qu'une vitrine commerciale, à la différence des plateformes propriétaires comme Figure ou Optimus. Les auteurs présentent ce résultat comme une première étape vers une locomanipulation assise complète, avant l'ajout probable de tâches de manipulation des bras pendant le déplacement sur la chaise.

RecherchePaper

1 source

4arXiv cs.RO

Robot de sécurité pour l'inspection industrielle : un benchmark multimodal

Un consortium de recherche a publié InspecSafe-V1, présenté comme le premier benchmark multimodal dédié à l'évaluation de la sécurité pour l'inspection industrielle construit à partir de données réelles plutôt que simulées. Le jeu de données a été collecté auprès de 41 robots d'inspection, à roues ou montés sur rail, opérant sur 2 239 sites d'inspection valides, pour un total de 5 013 instances d'inspection. Cinq environnements industriels sont couverts : tunnels, installations électriques, équipements de frittage, sites pétrochimiques et gaziers, et convoyeurs à charbon sur chevalets. Chaque instance comprend une annotation de segmentation au pixel près des objets clés dans les images en lumière visible, une description sémantique de la scène, ainsi qu'un label de niveau de sécurité correspondant à des tâches d'inspection réelles. Le dataset intègre en outre sept modalités de capteurs synchronisées : vidéo infrarouge, audio, nuages de points de profondeur, nuages de points radar, mesures de gaz, température et humidité. Pour l'industrie de la maintenance prédictive et de l'inspection autonome, ce type de ressource comble un manque documenté : la plupart des jeux de données publics existants reposent sur des environnements simulés ou une seule modalité de capture, ce qui limite l'entraînement de modèles capables de raisonner de façon robuste sur des scènes industrielles complexes et dynamiques. En fournissant des annotations fines multi-capteurs issues de conditions opérationnelles réelles, InspecSafe-V1 vise à permettre l'entraînement et l'évaluation de modèles de fondation appliqués à l'industrie, avec des tâches de reconnaissance d'anomalies multimodale et de fusion cross-modale, un enjeu clé pour les intégrateurs qui cherchent à fiabiliser des systèmes de perception déployés sur des sites à risque (tunnels, sites pétrochimiques) où l'erreur de détection a un coût opérationnel élevé. Cette publication correspond à une nouvelle version (replace) d'un article déjà déposé sur arXiv, signe d'un travail de consolidation méthodologique plutôt que d'une annonce inédite. Le texte ne précise pas l'organisme ou l'entreprise à l'origine du déploiement des robots, ni si le dataset et son code seront rendus publics, deux éléments qui conditionneront son adoption effective par la communauté robotique et vision industrielle.

RecherchePaper

1 source