Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
RecherchearXiv cs.RO 

Hopping Monopode Alimenté par la Hanche

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

Un article de recherche publié sur arXiv (référence 2608.10387) décrit une nouvelle stratégie de saut pour les monopodes planaires à tangage libre, des robots à une seule jambe dont l'inclinaison avant-arrière n'est pas bloquée mécaniquement. Les couples de réaction produits par le contrôleur PD à anticipation qui stabilise le tangage sont recyclés pour compenser les pertes d'énergie dues au frottement, en déplaçant la position du centre de masse. Une nouvelle politique de pas répartit ensuite cette énergie entre les degrés de liberté radial et angulaire, selon un compromis réglable entre vitesse de croisière et hauteur de rebond. Une analyse mathématique par moyennisation hybride fournit des formules fermées pour les points fixes de la démarche, validées par simulation puis par des essais physiques sur le robot Penn Jerboa, à l'université de Pennsylvanie, avec des vitesses stables de 1,02 à 1,77 m/s (5,10 à 8,85 longueurs de jambe par seconde).

Ce travail s'attaque à un problème rarement explicité dans les vitrines commerciales de robots à pattes : la gestion fine de l'énergie et de la stabilité d'une jambe soumise à des pertes par frottement, hors de tout effet de démonstration. Contrairement aux contrôleurs empiriques ou aux approches par apprentissage qui dominent les démonstrations de locomotion dynamique, l'apport est de fournir des relations analytiques explicites entre paramètres physiques, paramètres de contrôle et performance, facilitant le réglage plutôt que le tâtonnement. Ce cadre intéresse les concepteurs de bipèdes, quadrupèdes et exosquelettes confrontés à l'arbitrage entre vitesse et hauteur de rebond.

Le Penn Jerboa s'inscrit dans une lignée de robots monopodes et bondissants étudiés depuis les hoppers pneumatiques du MIT dans les années 1980, une tradition de recherche en locomotion dynamique aujourd'hui prolongée par des plateformes bipèdes de laboratoire et par les robots à pattes commerciaux de Boston Dynamics ou Unitree. À la différence de ces derniers, cette publication reste un travail de contrôle non linéaire fondamental, sans produit ni calendrier de commercialisation annoncé. Les auteurs présentent leurs résultats comme une base analytique transposable à des architectures bipèdes plus complexes, pour de futurs travaux sur l'intégration de cette gestion d'énergie dans des robots à pattes multiples.

Dans nos dossiers

Boston DynamicsUnitreeExosquelettesarXiv cs.RO

À lire aussi

AnchorD : ancrage métrique de la profondeur monoculaire par graphes de facteurs
1arXiv cs.RO 

AnchorD : ancrage métrique de la profondeur monoculaire par graphes de facteurs

Des chercheurs de l'université de Fribourg-en-Brisgau ont publié AnchorD, un framework d'estimation de profondeur présenté comme entraînement-libre (training-free), capable d'ancrer les prédictions métriques de modèles monoculaires dans des mesures de capteurs réels via une optimisation par graphes de facteurs (factor graphs). La méthode réalise un alignement affine par patches, ce qui permet de recaler localement les estimations monoculaires sur une profondeur métrique réelle tout en préservant les discontinuités géométriques fines. Pour valider l'approche dans des conditions difficiles, l'équipe introduit également un nouveau jeu de données de référence avec vérité terrain dense sur des scènes complètes contenant des objets non-lambertiens (transparents, spéculaires, métalliques), obtenue en combinant une peinture mate réfléchissante en spray sur les surfaces problématiques et une fusion multi-caméras, contournant ainsi la dépendance aux annotations CAD par objet des benchmarks existants. Le code et les données sont publiés en accès libre. L'enjeu pratique est réel pour les intégrateurs de manipulation robotique et de préhension : les capteurs de profondeur structurés (Time-of-Flight, stéréo, LiDAR) décrochent systématiquement sur les surfaces transparentes comme le verre ou spéculaires comme l'inox, des matériaux omniprésents en milieu industriel. Les grands modèles de profondeur monoculaire, Depth Anything V2, UniDepth, ZoeDepth, produisent des priors structurels excellents mais souffrent d'ambiguïté d'échelle métrique, ce qui les rend inutilisables directement pour la planification de trajectoire ou le calcul de prise. AnchorD propose de fusionner les deux sources d'information sans réentraînement, ce qui le rend déployable sur du matériel existant avec n'importe quel modèle fondation de profondeur en entrée. Les auteurs rapportent des améliorations constantes sur des capteurs et domaines variés, sans communiquer de métriques numériques précises dans le résumé, les chiffres restent à consulter dans le papier complet. Ce travail s'inscrit dans un axe actif de recherche qui tente de "métrifier" les modèles de vision de fondation pour les rendre directement exploitables en robotique, sans passer par des pipelines de calibration coûteux. L'université de Fribourg (groupe Robotics and Embedded Systems, liens avec le DFKI) est un acteur reconnu en perception robotique, notamment sur les terrains non structurés. Dans l'espace concurrent, des approches comme Metric3D v2 (Tianjin/Baidu) ou ScaleDepth cherchent le même objectif par voie paramétrique ou de fine-tuning; AnchorD se distingue par son absence totale de phase d'entraînement. L'article est un preprint arXiv (2605.02667, mai 2026), non encore évalué par les pairs: les résultats présentés devront être confirmés lors d'une revue formelle.

UEContribution d'un laboratoire européen (Fribourg/DFKI) publiée en open-source et sans réentraînement, directement exploitable par les intégrateurs EU pour la manipulation d'objets industriels à surfaces transparentes ou spéculaires.

RecherchePaper
1 source
WARL : apprentissage par renforcement augmenté par la clé pour l'apprentissage indépendant de la tâche chez les robots à pattes
2arXiv cs.RO 

WARL : apprentissage par renforcement augmenté par la clé pour l'apprentissage indépendant de la tâche chez les robots à pattes

Il s'agit d'un article de recherche (arXiv), sans annonce commerciale ni acteur industriel identifié. Voici le résumé en trois paragraphes autonomes : Une équipe de recherche présente WARL (Wrench-Augmented Reinforcement Learning), une méthode d'apprentissage par renforcement pour robots à pattes qui ajoute un wrench, c'est-à-dire une force et un couple, à l'espace d'action habituellement limité aux seules commandes articulaires. L'idée centrale consiste à combiner une exploration guidée par ce wrench avec un mécanisme de curriculum basé sur le taux de réussite, afin d'élargir les capacités d'exploration en début d'entraînement, tout en visant à terme des comportements pilotés uniquement par le contrôle articulaire classique. Les expériences ont été menées sur un robot quadrupède, testé sur des terrains variés et plusieurs tâches motrices, sans ajustement de récompense spécifique à chaque terrain ni conception de curriculum complexe. Une étude d'ablation a confirmé l'efficacité du "Switching Curriculum", le mécanisme qui élimine progressivement le wrench au fil de l'apprentissage. Pour le secteur de la robotique à pattes, ce travail s'attaque à un goulot d'étranglement connu de l'apprentissage par renforcement : la difficulté d'explorer efficacement quand l'espace d'action se limite aux articulations, ce qui oblige souvent les équipes à multiplier les réglages de récompense terrain par terrain. En démontrant qu'un espace d'action augmenté par un wrench permet un apprentissage robuste sans cette ingénierie manuelle, WARL propose une piste pour réduire le temps de développement des politiques de locomotion. Mais l'étude apporte aussi un bémol important pour les praticiens : l'introduction du wrench peut favoriser des comportements qui n'exploitent pas pleinement les capacités physiques réelles du robot, un compromis entre facilité d'entraînement et fidélité à l'embodiment mécanique. Ce travail s'inscrit dans la lignée des recherches en RL pour la locomotion des quadrupèdes, où le compromis entre efficacité de l'exploration et réalisme physique reste un défi ouvert. Les auteurs positionnent explicitement leur contribution comme une amélioration de l'efficacité d'apprentissage plutôt qu'une solution définitive, et identifient comme prochaine étape critique la conception d'un espace d'action augmenté qui reste cohérent avec la structure physique du robot. Aucune date de publication de code, aucun partenaire industriel ni déploiement réel n'est mentionné à ce stade : il s'agit d'une contribution méthodologique en amont, destinée à la communauté recherche en robotique et apprentissage par renforcement.

RecherchePaper
1 source
Alignement de sécurité des modèles VLA par apprentissage contraint : le projet SafeVLA
3arXiv cs.RO 

Alignement de sécurité des modèles VLA par apprentissage contraint : le projet SafeVLA

Des chercheurs, vraisemblablement affiliés à l'Université de Pékin (l'URL du projet pointe vers pku-safevla.github.io), ont publié en mars 2025 SafeVLA, une méthode d'alignement sécurisé pour les modèles vision-langage-action (VLA) déployés sur robots physiques. L'approche, baptisée ISA (Integrated Safety Approach), repose sur le paradigme des processus de décision de Markov contraints (CMDP) et combine trois étapes : modélisation formelle des exigences de sécurité, élicitation active de comportements dangereux, puis optimisation min-max de la politique robot via du renforcement contraint. Sur des tâches de manipulation mobile à long horizon, SafeVLA réduit le coût cumulé des violations de sécurité de 83,58 % par rapport à la méthode de référence state-of-the-art, tout en améliorant simultanément le taux de succès des tâches de 3,85 points. Les données, modèles et benchmark associés sont publiés en open source. Ce résultat est notable parce qu'il adresse directement le principal frein à la commercialisation des VLA en environnement industriel : la garantie de comportement sûr hors distribution. Jusqu'ici, les politiques générales de type pi-0 (Physical Intelligence) ou GR00T N2 (NVIDIA) montraient des performances impressionnantes en laboratoire mais offraient peu de garanties formelles sur les scénarios de défaillance extrêmes, les cas limites ou les perturbations inattendues. SafeVLA propose un cadre d'assurance quantifiable, avec une généralisation démontrée aux perturbations out-of-distribution, ce qui intéresse directement les intégrateurs industriels et les COO qui exigent des SLA de sécurité avant tout déploiement en cellule humaine ou en espace partagé. L'amélioration simultanée du taux de succès contredit l'hypothèse courante selon laquelle la sécurité contrainte dégrade nécessairement la performance. Les VLA ont connu une accélération significative depuis 2023 avec des travaux fondateurs comme RT-2 (Google DeepMind) et OpenVLA, mais la question de leur alignement sécurisé pour une utilisation réelle restait largement ouverte, la plupart des équipes se concentrant sur les capacités génératives plutôt que sur les garanties de comportement. SafeVLA s'inscrit dans un mouvement plus large de formalisation de la sécurité robotique, en parallèle des travaux de Physical Intelligence sur pi-0, de 1X Technologies ou de Figure AI avec Figure 03. Aucun partenaire industriel ni calendrier de déploiement n'est mentionné dans la publication : il s'agit d'une contribution académique avec benchmark public, pas d'un produit shipé. Les prochaines étapes naturelles seraient l'intégration de cette approche dans des architectures VLA commerciales et sa validation sur des plateformes humanoïdes à grande échelle.

UELes résultats de SafeVLA pourraient alimenter les travaux de normalisation de la sécurité des VLA en Europe (AI Act, certification robots collaboratifs), mais aucun acteur européen n'est impliqué directement dans cette publication académique.

RechercheOpinion
1 source
Un cadre de conception conjointe pour le saut haute performance d'un monopode à cinq barres avec optimisation des actionneurs
4arXiv cs.RO 

Un cadre de conception conjointe pour le saut haute performance d'un monopode à cinq barres avec optimisation des actionneurs

Des chercheurs présentent un nouveau cadre de co-conception pour optimiser les performances de saut d'un monopode à cinq barres, un mécanisme planaire à chaîne fermée équipé d'une seule jambe. Contrairement aux approches classiques qui se limitent aux dimensions des liaisons et aux ratios de transmission, cette méthode optimise conjointement la géométrie mécanique, les paramètres moteur et réducteur, ainsi que les paramètres de contrôle. Le processus se déroule en deux étapes: une première phase d'optimisation des actionneurs établit une correspondance entre le ratio de réduction et la masse, l'efficacité et le couple de crête de l'actionneur; ces données alimentent ensuite un algorithme d'optimisation CMA-ES qui ajuste simultanément la conception du robot et sa commande. En simulation, le cadre proposé améliore la distance de saut d'environ 30,4% tout en réduisant la consommation d'énergie mécanique de 11,5%, comparé à une conception nominale de référence. Ce travail comble un angle mort des méthodes de co-conception existantes, largement cantonnées aux mécanismes en chaîne ouverte série et négligeant l'optimisation fine des actionneurs. Pour les concepteurs de robots à pattes et de plateformes dynamiques (saut, course, locomotion agile), le résultat démontre qu'intégrer le dimensionnement moteur et réducteur directement dans la boucle d'optimisation, plutôt que de le traiter après coup, produit des gains de performance et d'efficacité énergétique significatifs sans changement d'architecture. Cela renforce l'idée que le potentiel des mécanismes à chaîne fermée, souvent plus compacts et robustes mécaniquement que les architectures série, reste sous-exploité faute d'outils de conception adaptés. Le cadre s'inscrit dans une lignée de recherches sur la co-conception mécatronique des robots légers, où l'enjeu est de sortir du cycle itératif traditionnel séparant conception mécanique et réglage du contrôleur. Les auteurs positionnent leur contribution comme une étape vers des méthodologies génériques applicables à d'autres mécanismes à chaîne fermée, avec des perspectives de validation expérimentale sur prototype physique et d'extension à des tâches locomotrices au-delà du simple saut vertical ou horizontal.

RecherchePaper
1 source