Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
IA humanoïde : PFM-HR, un modèle de flow matching pour la posture des robots
RecherchearXiv cs.RO 

IA humanoïde : PFM-HR, un modèle de flow matching pour la posture des robots

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

Des chercheurs publient sur arXiv (arXiv:2608.03227, 3 août 2026) PFM-HR, Pose Flow Matching for Humanoid Robots, un nouveau prior de mouvement pour l'apprentissage par renforcement appliqué au suivi de mouvement de robots humanoïdes basé sur la physique. Contrairement aux priors temporels classiques, qui exigent des clips de mouvement ordonnés, PFM-HR entraîne un flow matching réutilisable directement sur de grands volumes de données de poses non ordonnées. Les auteurs introduisent le Pose Geometry Score (PGS), une métrique qui vérifie si les changements de coordonnées articulaires observés pendant l'entraînement suivent la géométrie locale de variation de pose apprise par le prior, et l'utilisent pour moduler la récompense de suivi tout en gardant le prior figé. Résultat : des gains sur le suivi d'un mouvement isolé comme sur le suivi général, plus marqués sur les mouvements très dynamiques.

Pour la recherche en robotique humanoïde, ce travail cible un vrai goulot d'étranglement de l'apprentissage par renforcement : le choix actuel entre un guidage temporel rigide, peu adapté aux imprévus, et un guidage de pose statique qui ne dit rien sur la façon de passer d'une posture à l'autre. Un prior réutilisable, découplé des clips séquencés et des tâches d'entraînement, faciliterait la conception de contrôleurs plus robustes pour des mouvements rapides (course, sauts, réactions à un déséquilibre), un point faible récurrent des démonstrations de robots humanoïdes, où l'écart entre vidéo soignée et comportement stable en conditions réelles reste important. Il s'agit ici d'une contribution méthodologique destinée aux équipes qui développent des politiques de contrôle bas niveau, pas d'un produit ou d'un déploiement commercial.

PFM-HR s'inscrit dans une lignée de recherches sur les priors de mouvement pour le contrôle physique de personnages et de robots, un champ qui s'appuie largement sur des données de capture de mouvement humain pour guider l'apprentissage de politiques réalistes. Le recours au flow matching, technique de génération continue déjà adoptée par plusieurs modèles de politiques robotiques généralistes de type VLA (Pi-0, GR00T N2), traduit un rapprochement entre les outils de génération d'images et vidéo et le contrôle de robots humanoïdes. Le papier ne fournit ni comparaison chiffrée à des méthodes nommées ni calendrier de test sur robot physique : à ce stade, PFM-HR reste validé en simulation, et son intérêt pour l'industrie dépendra de sa reproduction sur du matériel réel et de son intégration dans des pipelines d'entraînement existants.

Dans nos dossiers

NVIDIA GR00TarXiv cs.RO

À lire aussi

Being-M0.7 : un modèle du monde et de l'action latent pour robots humanoïdes
1arXiv cs.RO 

Being-M0.7 : un modèle du monde et de l'action latent pour robots humanoïdes

Being-M0.7 est un modèle monde-action latent pour robots humanoïdes, présenté dans un preprint arXiv (2610.11283v1). Il vise la loco-manipulation, c'est-à-dire la coordination de la marche et de la manipulation en anticipant l'évolution de la scène et les mouvements du corps entier. Ses auteurs s'appuient sur un corpus constitué à partir de plus de 10 000 heures de données brutes centrées sur l'humain. Ce corpus mêle trois types de flux: vidéo seule, mouvement seul, et paires vidéo-mouvement. L'entraînement se fait en trois temps. Un pré-entraînement apprend la dynamique visuelle et la structure cinématique du corps entier. Un « mid-training » robot adapte ensuite ce prior aux points de vue et à la dynamique corporelle des robots. Enfin, un post-entraînement d'action greffe un « action expert » qui combine les représentations prédictives du prior figé avec les images courantes et la proprioception, par attention croisée à portes (gated cross-attention), pour produire des commandes corps entier exécutables. Les auteurs annoncent le meilleur taux de succès agrégé parmi les baselines comparées sur le benchmark SIMPLE. Sur des tâches réelles de loco-manipulation avec un Unitree G1, le modèle égale la meilleure baseline sans la dépasser. Le résumé ne donne ni chiffres de succès, ni liste des tâches, ni nombre d'essais. L'intérêt tient à l'attaque d'un goulot d'étranglement connu: les démonstrations robot sont rares et coûteuses, alors que la vidéo et la capture de mouvement humaines abondent. Leur exploitation se heurte à deux obstacles. Beaucoup de jeux de données n'ont qu'une modalité, et le mouvement humain ne se traduit pas directement en actions robot. Prédire conjointement les états visuels latents futurs et le mouvement pousse les représentations visuelles à encoder la cinématique à venir. L'étape intermédiaire robot et l'action expert servent de pont vers l'exécution. Le résultat réel reste nuancé. L'avantage est net en simulation, mais il disparaît sur le matériel: la parité avec la meilleure baseline sur G1 suggère que l'écart simulation-réel n'est pas résolu et que le gain du pré-entraînement sur données humaines reste à démontrer au-delà de benchmarks maîtrisés. Les intégrateurs doivent y voir une piste de recherche prometteuse pour réduire la dépendance à la téléopération, et non une capacité prête pour le déploiement. Il s'agit d'une publication académique, sans produit, sans pilote industriel ni calendrier de commercialisation. Ce travail s'inscrit dans la vague des modèles monde-action et des VLA (vision-langage-action) appliqués aux humanoïdes, où plusieurs acteurs cherchent à exploiter la vidéo humaine à grande échelle. On y trouve des modèles généralistes de type Pi-0, GR00T ou Helix, et des approches qui prédisent le futur visuel pour guider l'action. Le Unitree G1, humanoïde abordable très répandu dans les laboratoires, sert de plateforme de validation commune, ce qui facilite la comparaison entre équipes. La version «0.7» laisse penser à une série de modèles Being, dont les itérations précédentes ne sont pas détaillées ici. Les suites à surveiller sont la publication du code, des poids et des protocoles d'évaluation, ainsi que des tests sur des plateformes plus variées et des tâches plus longues. Une confirmation indépendante sur matériel réel dira si l'avantage observé en simulation se maintient.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
Modèle fondation à l'échelle pour robots humanoïdes
2arXiv cs.RO 

Modèle fondation à l'échelle pour robots humanoïdes

Une nouvelle publication arXiv (2607.15163v1, soumission de type "new") propose un modèle de fondation comportemental (Behavior Foundation Model, BFM) pour le contrôle de robots humanoïdes, baptisé Humanoid Transformer. Les auteurs affirment avoir identifié la recette manquante pour faire monter en puissance ces modèles, en coordonnant trois leviers : un nouveau paradigme d'apprentissage qui reformule le contrôle humanoïde comme la reproduction de comportements corporels intégrés dans le référentiel global plutôt que local ; un équilibrage stratégique entre le volume de déploiements en ligne (on-policy rollouts) et la diversité des mouvements de référence utilisés à l'entraînement ; et l'architecture Humanoid Transformer elle-même, conçue pour faire émerger naturellement des représentations structurées du comportement. Testée à la fois en simulation et en conditions réelles, l'approche réduit l'erreur moyenne par point clé (Mean Per-Keypoint Position Error, MPKPE) de plus de 10% en mode local et de 82% en mode global par rapport aux contrôleurs humanoïdes existants. Ce travail répond à un flou méthodologique réel du secteur : malgré l'engouement croissant pour les BFM comme brique de base des agents incarnés généralistes, personne n'avait jusqu'ici établi de façon rigoureuse comment coordonner données, architecture et paradigme d'entraînement pour obtenir un gain de performance qui tienne la route au passage à l'échelle. Le saut de 82% en mode global est le chiffre qui compte vraiment pour les intégrateurs : c'est la capacité à maintenir une cohérence corporelle dans le référentiel monde, condition nécessaire pour des tâches où le robot doit coordonner déplacement et manipulation sans dérive, un point faible classique des contrôleurs entraînés uniquement en référentiel local. Si les résultats se confirment à plus grande échelle, ils renforcent l'hypothèse que le contrôle humanoïde généraliste peut suivre une trajectoire de scaling comparable à celle des grands modèles de langage, plutôt que de rester cantonné à des politiques spécialisées par tâche. L'article s'inscrit dans la vague de recherche académique qui a suivi l'essor des politiques vision-langage-action (VLA) et des BFM ces deux dernières années, sans rattacher la méthode à un robot ou un laboratoire commercial précis : il s'agit d'une contribution méthodologique comparée à des "contrôleurs humanoïdes existants" pris comme référence, sans nommer de plateforme physique spécifique. La suite logique serait une validation sur du matériel humanoïde tiers et à plus grande échelle de données, pour confirmer que le gain en mode global se maintient hors du cadre expérimental des auteurs.

RechercheActu
1 source
PHUMA : un jeu de données pour la locomotion fiable des robots humanoïdes
3arXiv cs.RO 

PHUMA : un jeu de données pour la locomotion fiable des robots humanoïdes

Une équipe de chercheurs du laboratoire DAVIAN a publié en juin 2026 PHUMA (Physically Reliable HUMAnoid locomotion dataset), un corpus de 73 heures de données de locomotion humanoide produit via un pipeline en deux étapes : une curation physiquement consciente suivie d'un retargeting contraint par des lois physiques. La base de données agrège à la fois des données de motion capture traditionnelles et des vidéos issues d'internet, les deux étant traitées pour éliminer les artefacts physiques récurrents dans les datasets existants, notamment le flottement, la pénétration géométrique et le foot skating. Entraînées sur PHUMA, les politiques de contrôle obtiennent des taux de succès supérieurs à ceux obtenus avec AMASS et Humanoid-X sur les benchmarks de motion tracking standards, et transfèrent en zero-shot vers un Unitree G1 réel. Le code et les données sont disponibles publiquement via davian-robotics.github.io/PHUMA. Le principal verrou que PHUMA prétend lever est la qualité physique des données d'entraînement pour l'imitation de mouvement humanoide. Les approches par imitation sont attractives parce qu'elles permettent d'acquérir des comportements naturels sans reward engineering fastidieux, mais leur efficacité dépend directement de la cohérence physique des données sources. Les artefacts présents dans les datasets basés sur des vidéos internet (comme Humanoid-X) se propagent dans les politiques entraînées, produisant des robots qui glissent ou oscillent de façon instable. La démonstration de transfert zero-shot sur un Unitree G1 physique est le point le plus concret : elle suggère que le filtrage physique en amont réduit effectivement le sim-to-real gap, sans fine-tuning additionnel sur hardware. Reste à qualifier l'ampleur du gain : les métriques de benchmarks internes ne se substituent pas à des comparaisons en conditions réelles standardisées. AMASS, publié en 2019, est resté longtemps la référence en motion capture humanoide, mais sa taille limitée et son coût d'acquisition ont freiné la scalabilité des approches data-driven. Humanoid-X a tenté de combler ce vide en exploitant des vidéos YouTube à grande échelle, au prix d'une dégradation qualitative. PHUMA s'inscrit dans une dynamique plus large où plusieurs équipes cherchent à constituer des datasets de locomotion humanoide à la fois volumineux et physiquement valides, en parallèle des travaux de Figure AI (Figure 03), Boston Dynamics, et des équipes derrière GR00T N2 chez NVIDIA. La prochaine étape logique serait de tester PHUMA sur d'autres plateformes humanoïdes commerciales (H1, Digit) et d'élargir les tâches au-delà de la locomotion simple vers la manipulation en déplacement.

UELe dataset PHUMA étant en accès libre, les équipes de recherche européennes en locomotion humanoïde (INRIA, CEA-List, LAAS-CNRS) peuvent l'intégrer directement dans leurs pipelines d'entraînement sans coût d'acquisition.

RecherchePaper
1 source
MOSS : façonnage de la source par modes pour les politiques de robot à flow matching
4arXiv cs.RO 

MOSS : façonnage de la source par modes pour les politiques de robot à flow matching

Des chercheurs proposent MOSS (Mode-Oriented Source Shaping), une méthode publiée sur arXiv (2610.22193) qui permet de choisir quel comportement une politique robotique générative va exécuter, au lieu de le laisser au hasard de l'échantillonnage. Le point de départ est un constat courant en manipulation : une même observation admet souvent plusieurs actions valables (contourner un obstacle par la gauche ou par la droite, par exemple). Les politiques par diffusion ou par flow matching capturent bien cette multimodalité, mais le mode exécuté dépend du bruit initial tiré aléatoirement. MOSS construit des sources gaussiennes propres à chaque mode, qui encodent l'identité du comportement dans ce bruit de départ. Un estimateur de « force de modalité » prédit localement le degré de multimodalité : il rapproche les sources d'une gaussienne commune quand les comportements se ressemblent, et les écarte près des points de bifurcation. Au déploiement, il suffit d'échantillonner dans la composante voulue. Les auteurs annoncent, sur 6 tâches simulées et 3 tâches réelles, un guidage vers le mode cible allant jusqu'à 100 % avec un taux de succès élevé, plus de 90 % de récupération des modes minoritaires avec un jeu de données déséquilibré à 10:90, et un gain de 43,3 points de taux de guidage sur robots réels face à une politique de flow matching conditionnée par le mode. L'intérêt tient à la contrôlabilité. Pour un intégrateur, une politique multimodale qui choisit son comportement au hasard est difficile à valider, à certifier et à superviser : l'opérateur ne peut pas demander « prends la voie de gauche » sans réentraîner ni ajouter de conditionnement explicite. Piloter le mode par le seul choix de la source de bruit, sans modifier l'architecture ni multiplier les inférences, ouvre la voie à des politiques VLA et à des politiques de diffusion plus prévisibles, ou orientables par un planificateur de haut niveau. La récupération des modes rares sous déséquilibre de données répond aussi à un problème concret : les démonstrations collectées en téléopération sont souvent dominées par un style unique, et les comportements minoritaires, parfois les plus sûrs, disparaissent. Il faut toutefois rester prudent. Il s'agit d'un préprint de la phase d'annonce, sans relecture par les pairs. Les tâches, le matériel et les politiques de référence ne sont pas détaillés dans le résumé. Le taux de guidage mesure la fidélité au mode demandé, pas la performance industrielle, et rien n'indique de test en cadence de production. Ce travail s'inscrit dans la lignée du flow matching et des politiques de diffusion (Diffusion Policy, famille Pi-0 et successeurs), devenus la base de nombreux modèles de manipulation. Leur limite connue est que la multimodalité, présentée comme un atout, devient un défaut de contrôle une fois le système déployé. Les approches concurrentes passent en général par le conditionnement explicite (étiquettes de mode, langage, objectifs), que MOSS prend ici comme référence, ou par un filtrage a posteriori d'échantillons multiples, plus coûteux en calcul. Les auteurs soulignent aussi que les erreurs d'approximation, le déséquilibre des données, la capacité limitée du modèle et le faible nombre d'étapes d'inférence brouillent la séparation des modes dans l'espace source, ce qui explique les écarts hors conditions idéales. La suite logique serait un test sur de grands modèles généralistes et sur des tâches longues, où le choix du mode doit rester cohérent d'une étape à l'autre. Le code et les détails expérimentaux seront déterminants pour juger de la reproductibilité.

RecherchePaper
1 source