RechercheRobohub 14 août 2026

Ce qu'il faut à un robot pour dialoguer avec toute une pièce, pas seulement une personne

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Imperial College London a accueilli, du 20 au 24 juillet, la Imperial Robotics Summer School, un programme intensif réunissant chercheurs en début de carrière, académiques et professionnels de l'industrie robotique. Parmi les participants figurait Umar Farooq, dont la place a été financée par le programme britannique UK RAS STEPS, qui a sélectionné cinq jeunes chercheurs (RTP) pour y assister, avec le soutien de Marie Daniels pour le processus de candidature. Le programme combinait cours magistraux sur la cinématique, la dynamique, la perception et le contrôle des robots, sessions spécialisées sur la robotique aérienne, l'intelligence robotique, la vision en chirurgie robotique, la perception et le contrôle bio-inspirés, ainsi que la robotique d'assistance personnelle. Les participants ont aussi visité les laboratoires d'Imperial dédiés à la robotique adaptative et intelligente, à la robotique aérienne, à la chirurgie robotique, à la manipulation tactile et à l'assistance. Le projet de groupe d'Umar Farooq portait sur l'interaction homme-robot multi-personnes: détection de l'interlocuteur actif en temps réel, suivi de l'identité de chaque personne au fil de l'échange, et génération de comportements naturels de regard et de rotation de tête pour que le robot paraisse attentif à l'ensemble du groupe plutôt qu'à un seul individu.

Ce projet illustre un angle mort fréquent de la robotique sociale actuelle: la plupart des robots conversationnels sont conçus pour une interaction un-à-un, alors que les usages réels, accueil, assistance en entreprise, environnements de soin, impliquent souvent plusieurs interlocuteurs simultanés. L'exercice a aussi permis de dérouler concrètement la chaîne technique complète reliant le langage au mouvement: un LLM traduit une intention exprimée en langage naturel en commandes structurées, celles-ci sont converties en fonctions robotiques de haut niveau, la cinématique inverse les transforme en trajectoires articulaires, qui sont enfin exécutées par la pile de contrôle jusqu'aux actionneurs. Loin d'un produit commercial ou d'une démonstration marketing, ce travail de formation souligne la difficulté réelle de l'interaction homme-robot multi-partie et la nécessité d'une approche interdisciplinaire, mêlant traitement du langage, perception, planification et contrôle moteur, pour qu'un robot social fonctionne au-delà du cas d'usage scripté à deux.

Ce stage s'inscrit dans l'action plus large de UK RAS STEPS, le réseau britannique de robotique et systèmes autonomes, qui multiplie les ateliers de formation pour les chercheurs en début de carrière au-delà de cette seule summer school. Aucun produit ni déploiement commercial n'est annoncé ici: il s'agit d'un exercice académique destiné à structurer la prochaine génération de chercheurs britanniques en robotique, sur des thématiques allant de la locomotion quadrupède à l'apprentissage par vision, en passant par la robotique chirurgicale et la robotique d'assistance. Les suites concrètes évoquées restent la poursuite de la participation aux ateliers UK RAS STEPS et l'approfondissement des recherches menées dans les laboratoires d'Imperial College.

Impact France/UE

Programme de formation britannique (hors UE), sans impact direct sur la France ou l'Union europeenne.

À lire aussi

1arXiv cs.RO

La diversité est-elle tout ce qu'il faut pour la manipulation robotique à grande échelle ?

Une équipe de chercheurs publie sur arXiv (référence 2507.06219) une étude systématique sur le rôle de la diversité des données dans l'apprentissage de la manipulation robotique, remettant en cause l'intuition du "plus c'est divers, mieux c'est". Trois dimensions sont examinées indépendamment. La diversité des tâches s'avère plus critique que le volume de démonstrations par tâche pour le transfert vers de nouveaux scénarios. L'entraînement multi-robots (multi-embodiment) n'est pas nécessaire au transfert inter-plateformes : un modèle entraîné sur un seul type de robot avec des données de haute qualité transfère aussi efficacement, avec de meilleures propriétés de scaling au fine-tuning. Enfin, la diversité des experts humains peut nuire à l'apprentissage via la multimodalité des vitesses d'exécution, chaque opérateur ayant ses propres rythmes et préférences gestuelles. Pour corriger ce biais, les auteurs introduisent une méthode de distribution debiasing appliquée à leur modèle GO-1-Pro, qui gagne 15% de performance, l'équivalent de multiplier par 2,5 le volume de pré-entraînement. Ces résultats ont des implications directes pour les équipes qui conçoivent des pipelines de collecte de données. La conclusion sur le multi-embodiment est particulièrement contre-intuitive : constituer un corpus mono-robot de haute qualité avant de fine-tuner est plus efficace qu'accumuler des datasets disparates multi-robots. Pour un intégrateur ou un décideur industriel, cela redéfinit les priorités de curation : couvrir un maximum de tâches prime sur l'accumulation brute de démonstrations, et standardiser les démonstrations expert devient un levier de performance mesurable. La multimodalité des vitesses est désormais un biais identifiable et corrigeable en amont du pipeline, pas une fatalité inhérente à la collecte humaine. Ce travail s'inscrit dans la dynamique portée par Google DeepMind (RT-2), Physical Intelligence (Pi-0) et les équipes de Berkeley (OpenVLA, Octo), qui cherchent à construire des fondations généralistes pour la manipulation depuis 2023. Contrairement au texte ou aux images, les données de démonstration robotique restent coûteuses à produire, ce qui rend les choix de stratégie de scaling particulièrement stratégiques. Les conclusions orientent directement les acteurs comme Figure AI (Figure 03), Agility Robotics ou, en France, Enchanted Tools (Mirokaï), qui investissent dans de larges datasets de manipulation. Ce travail est purement académique : aucun déploiement ni partenariat commercial n'est annoncé.

UEEnchanted Tools (Mirokaï) est explicitement citée comme acteur concerné par ces stratégies de scaling des données de manipulation, rendant les conclusions directement applicables à leur R&D en France.

RecherchePaper

1 source

2Interesting Engineering

Automatisation sans code : un seul guide vidéo pour piloter trois robots complètement différents

Des chercheurs du Laboratoire d'algorithmes d'apprentissage et de systèmes (LASA) à l'École Polytechnique Fédérale de Lausanne (EPFL) ont présenté un framework de contrôle robotique baptisé Kinematic Intelligence, capable de transférer une compétence apprise à partir d'une seule démonstration humaine vers des robots de morphologies entièrement différentes, sans réécrire une ligne de code. Dans une expérience sur ligne d'assemblage, une personne a démontré une séquence en trois étapes : pousser un bloc en bois d'un tapis roulant vers un établi, le placer sur une table, puis le jeter dans un panier. Trois robots commerciaux distincts ont ensuite reproduit cette séquence de manière fiable, chacun prenant en charge des étapes différentes. Le système a fonctionné même lorsque la répartition des tâches entre les robots a été modifiée en cours d'expérience, comme l'a précisé Sthithpragya Gupta, doctorant et co-premier auteur : "Chaque robot interprète la même compétence à sa façon, mais toujours dans des limites sûres et faisables." L'enjeu industriel est direct. Aujourd'hui, intégrer un nouveau modèle de robot dans une ligne de production existante implique souvent une reprogrammation complète des tâches, même si le robot entrant est fonctionnellement similaire au précédent. Chaque configuration articulaire différente, chaque amplitude de mouvement propre à un constructeur, exige un travail d'adaptation coûteux en temps et en expertise. Kinematic Intelligence adresse ce goulet d'étranglement en abstrayant la tâche démontrée non pas dans les coordonnées articulaires d'un robot spécifique, mais dans une représentation géométrique universelle ancrée sur la position et la trajectoire de l'effecteur terminal dans l'espace. Cette représentation est ensuite réexprimée dans les termes cinématiques du robot cible, avec une vérification explicite que chaque instruction traduite reste dans l'enveloppe physiquement et sûrement exécutable par la machine. Ce n'est donc pas une simple transposition de mouvements : c'est une garantie de faisabilité avant exécution, ce qui distingue le système d'approches par imitation directe souvent fragiles hors contexte de démonstration. Le LASA, dirigé par la professeure Aude Billard, travaille depuis plusieurs années sur l'apprentissage par démonstration et les systèmes dynamiques pour la robotique. Le framework s'inscrit dans un contexte de marché humanoïde en pleine accélération, où Figure, Agility Robotics, 1X ou Apptronik itèrent leurs plateformes matérielles tous les six à dix-huit mois, rendant la portabilité des compétences entre générations de hardware critique pour la viabilité économique des déploiements. Les chercheurs annoncent vouloir étendre Kinematic Intelligence à la collaboration homme-robot et à l'interaction en langage naturel, permettant à terme à un utilisateur non-technicien d'instruire un robot par commandes simples. Le papier complet n'était pas encore publié au moment de l'annonce : les résultats restent pour l'instant à valider par la communauté en dehors du cadre contrôlé de la démonstration EPFL.

UELe LASA de l'EPFL, institution de recherche européenne de premier rang, produit un framework directement applicable aux intégrateurs robotiques européens confrontés au coût de reprogrammation lors du remplacement de robots en ligne de production.

RecherchePaper

1 source

3arXiv cs.RO

Follow-Bench : un benchmark unifié de planification de mouvement pour la poursuite sociale de personnes par robot

Une équipe de chercheurs a publié sur arXiv (référence arXiv:2509.10796v4) Follow-Bench, le premier benchmark unifié consacré au "robot person following" (RPF), c'est-à-dire des robots mobiles capables de suivre et d'assister une personne cible dans un environnement peuplé. L'étude couvre les scénarios représentatifs identifiés dans la littérature (assistance personnelle, patrouille de sécurité, aide aux personnes âgées, logistique), propose un environnement de simulation standardisé reproduisant des configurations variées comme des trajectoires cibles multiples, des dynamiques de foule et des agencements spatiaux différents, et réimplémente huit planificateurs de mouvement RPF issus de travaux existants dans ce cadre commun. Les deux planificateurs les plus performants en simulation ont ensuite été déployés sur un robot réel à entraînement différentiel pour valider les résultats en conditions concrètes. L'absence d'un benchmark partagé rendait jusqu'ici toute comparaison rigoureuse entre méthodes RPF quasiment impossible : chaque équipe évaluait ses planificateurs sur ses propres scénarios avec ses propres métriques, rendant les comparaisons inter-équipes peu fiables. Follow-Bench comble ce vide en standardisant simultanément les scénarios, les métriques de sécurité et de confort, et les planificateurs de référence. Le résultat le plus instructif est la quantification du compromis sécurité-confort : les expériences montrent qu'optimiser la distance de sécurité vis-à-vis des piétons tend à dégrader le confort de la personne suivie, et inversement. Cette tension, souvent évoquée qualitativement dans la littérature, dispose désormais d'une base quantitative reproductible. Pour les intégrateurs travaillant sur des robots d'assistance ou de logistique en milieu humain, cela fournit enfin un cadre commun pour comparer des solutions et cibler des axes d'amélioration précis. Le RPF s'inscrit dans le domaine plus large de la navigation socialement acceptable (social robot navigation), en expansion rapide sous l'effet du vieillissement démographique et de la croissance des entrepôts automatisés. Des plateformes comme celles de Labrador Systems, Ohmni Labs ou certains AMR de Boston Dynamics intègrent des capacités de suivi de personne, mais sans référentiel objectif partagé. Follow-Bench ne livre pas de solution clé en main : les auteurs identifient des défis ouverts non résolus, notamment la robustesse en foule dense et la gestion des occlusions prolongées, qui restent des freins au déploiement industriel à grande échelle.

RecherchePaper

1 source

4Interesting Engineering

Robot-araignée à quatre pattes conçu pour repérer et récupérer des personnes dans l'eau

Des chercheurs de l'AIRS (Shenzhen Institute of Artificial Intelligence and Robotics for Society) en Chine et du Stevens Institute of Technology aux Etats-Unis ont développe QuadBoat, un robot de sauvetage aquatique a quatre pattes inspire des araignées pêcheuses, capable de suivre et de récupérer physiquement une personne en détresse dans l'eau. Contrairement aux araignées pêcheuses qui exploitent la tension de surface, QuadBoat repose sur une flottabilité classique tandis que ses quatre pattes indépendantes assurent la propulsion et la maniabilité grâce a un contrôleur en cinématique inverse. Le pilotage combine une commande prédictive de modèle (MPC) en cascade avec un régulateur PID pour stabiliser et diriger l'engin. L'équipe, menée par Lianxin Zhang, Yihan Huang et Huihuan Qian, a teste le robot en piscine pour vérifier sa capacité a suivre des trajectoires planifiées, puis en environnements intérieur et extérieur pour des expériences de suivi visuel et de récupération d'objets flottants. Les essais montrent que QuadBoat parvient a suivre une cible sur l'eau et a exécuter des taches de récupération pertinentes pour une mission de sauvetage. L'étude a été publiée sur le serveur de preprints arXiv. La plupart des véhicules de surface sans pilote (USV) actuellement utilises en recherche et sauvetage se limitent a localiser ou approcher une personne en difficulté, sans pouvoir la sortir de l'eau. QuadBoat cible précisément cet angle mort : l'extraction physique de la victime, une étape critique quand l'hypothermie, l'épuisement ou une mer agitée réduisent les chances de survie. Pour les intégrateurs et décideurs du secteur maritime et de la sécurité civile, ce type de plateforme ouvre une piste distincte de celle des drones aériens ou des USV classiques a coque rigide, en misant sur une agilité de posture proche de celle d'un robot quadrupède terrestre plutôt que sur la seule vitesse de déplacement. Le papier reste toutefois prudent : les démonstrations ont eu lieu en bassin contrôle, sans vagues, courants ni conditions météo dégradées, ce qui laisse un écart important entre la preuve de concept en laboratoire et un déploiement opérationnel réel. QuadBoat s'inscrit dans un mouvement plus large de transfert des architectures de locomotion quadrupède, déjà éprouvées a terre par des robots comme ceux de Boston Dynamics ou Unitree, vers des environnements aquatiques ou aériens. Les auteurs soulignent que la recherche sur les robots de sauvetage a jusqu'ici peu traite la phase de récupération proprement dite, se concentrant surtout sur la détection et le repérage. Les prochaines étapes annoncées par l'équipe consistent a faire évoluer le prototype vers un outil pratique pour les équipes de secours, en le testant dans des conditions plus proches du réel : vagues, courants et scenarios d'accidents maritimes ou de naufrages. Aucun calendrier de déploiement ni partenariat industriel n'est pour l'instant précise.

RecherchePaper

1 source