Aller au contenu principal
Tac4Loco : représentations spatiotemporelles de pression plantaire pour la locomotion des robots humanoïdesIllustration générée par IA
RecherchearXiv cs.RO 

Tac4Loco : représentations spatiotemporelles de pression plantaire pour la locomotion des robots humanoïdes

1 source couvre ce sujet·Source originale ↗·

Compilé et résumé par IA · sources vérifiables en un clic · publié sans lecture humaine préalable · méthodologie

Résumé IASource unique

Des chercheurs présentent Tac4Loco, un framework d'apprentissage intégrant la pression plantaire multi-capteurs comme retour direct pour la locomotion des robots humanoïdes, décrit dans un article publie sur arXiv (référence 2608.15766v1). Le système repose sur une représentation ordinale préservant la topologie spatiale de la pression sous le pied, capable de faire correspondre les signaux simules et les signaux physiques dans un même espace d'observation. Un encodeur a deux branches extrait séparément les caractéristiques spatiales et temporelles de ces signaux tactiles, qui sont ensuite combinées a une proprioception augmentée incluant des indices d'estimation du terrain, avant d'être transmises a une architecture actor-critic asymétrique pour l'apprentissage de la politique de marche. Les expériences, menées a la fois en simulation et sur robot réel, portent sur des terrains inclines, a appui partiel, asymétrique ou changeant, et le système est également teste en zero-shot sur des surfaces non structurées et compliantes inédites, notamment une plateforme en mousse et une route de gravier. Les auteurs annoncent la publication en open source du code et des configurations expérimentales, sans préciser de calendrier.

Ce travail cible un angle mort connu des politiques de locomotion actuelles: la plupart des humanoïdes s'appuient soit sur la seule proprioception, qui ne donne qu'une preuve indirecte de l'appui réel au sol, soit sur une perception extéroceptive du terrain qui anticipe le contact avant la pose du pied mais ne peut pas observer en temps réel l'appui effectivement réalisé. Les rares travaux intégrant des capteurs de pression plantaire se contentaient jusqu'ici de statistiques résumées comme la force totale ou le centre de pression, en ignorant la topologie spatiale complète du signal, pourtant plus informative sur l'état de contact réel. Pour un intégrateur ou un ingénieur robotique, l'enjeu est concret: la robustesse sur terrain non prépare reste l'un des principaux freins au déploiement des humanoïdes hors des environnements d'usine contrôles, et une meilleure exploitation du retour tactile plantaire pourrait réduire les chutes et les échecs d'équilibre sans dépendre uniquement de la vision du terrain.

Le papier s'inscrit dans une tendance plus large de la recherche en locomotion humanoïde, ou l'apprentissage par renforcement en simulation domine l'écriture des contrôleurs de marche, le transfert sim-to-real restant le principal goulot d'étranglement, en particulier pour des capteurs tactiles dont le comportement physique est difficile a modéliser fidèlement en simulation. C'est précisément ce que vise la représentation ordinale proposée par les auteurs, censée réduire l'écart entre signaux simules et signaux de capteurs réels. L'article ne précise ni la plateforme robotique utilisée pour les essais, ni l'affiliation institutionnelle des auteurs au-delà de la référence arXiv, et reste a ce stade une contribution de recherche plutôt qu'un produit déployé chez un client. Les prochaines étapes annoncées se limitent a la publication du code source, sans mention de partenariat industriel ou de pilote sur site.

Dans nos dossiers

À lire aussi

Attention au pas : perception anticipée pour la locomotion des robots humanoïdes
Illustration générée par IA
1arXiv cs.RO 

Attention au pas : perception anticipée pour la locomotion des robots humanoïdes

Des chercheurs proposent, dans un preprint arXiv (2610.29612), une méthode de perception « anticipée » pour la locomotion de robots humanoïdes. Les politiques de locomotion perceptive observent en général une carte d'élévation dense centrée sur le robot, alors que seul le terrain sous et autour des prochains pas compte pour la décision. Les auteurs filtrent donc l'entrée avant que la politique ne la voie. Un modèle léger de prédiction des points d'appui (FPM) estime les futurs appuis à partir de la seule proprioception et de la commande de vitesse. La carte d'élévation n'est échantillonnée que dans de petites zones autour de ces points. Le FPM est entraîné en même temps que la politique et réentraîné périodiquement sur de nouveaux déroulements, au fur et à mesure que la marche se stabilise. Selon les auteurs, la politique atteint une difficulté de terrain donnée en environ un tiers des itérations d'entraînement nécessaires avec la carte complète. Elle transfère aussi sans réglage supplémentaire (zero-shot) vers un Unitree G1. L'intérêt est d'abord économique. Apprendre en même temps quoi regarder et comment marcher ralentit l'entraînement. Les encodeurs à mécanisme d'attention, qui résolvent ce problème, coûtent cher en calcul. Ici, un simple prétraitement atteint, d'après les auteurs, les performances d'un encodeur à attention entraîné pour plusieurs fois le coût. Il fait mieux que la carte complète quand les points d'appui sont rares, par exemple dans des couloirs étroits à parois, et sur des terrains jamais vus. Les essais sur le G1 couvrent obstacles, escaliers, trous et descentes de marches, au-delà de la distribution d'entraînement, en intérieur comme en extérieur. Pour les équipes qui entraînent des politiques en simulation, le gain d'efficacité en échantillons est donc substantiel. Il faut toutefois rester prudent. Il s'agit d'un preprint, sans relecture par les pairs. Les chiffres viennent des auteurs, et le résumé ne donne ni nombre d'essais, ni taux de réussite, ni comparaison avec d'autres méthodes de perception que celles citées. Il s'agit d'un résultat de recherche, sans produit ni déploiement industriel. Ce travail s'inscrit dans le courant de la locomotion perceptive apprise par apprentissage par renforcement, qui repose depuis plusieurs années sur des cartes d'élévation denses ou sur des encodeurs appris, parfois à base d'attention. Il s'applique à une plateforme devenue standard en recherche, le G1 d'Unitree, ce qui facilite la reproduction par d'autres laboratoires. La limite probable est la dépendance à la qualité de la prédiction des appuis. Celle-ci repose uniquement sur la proprioception et la commande, donc une erreur de prédiction peut priver la politique du terrain utile. Le résumé ne dit pas comment la méthode se comporte avec une cartographie bruitée. Les suites naturelles seraient des tests sur d'autres morphologies et une intégration avec des commandes de plus haut niveau. Aucune échéance n'est annoncée.

RecherchePaper
1 source
Retargeting de mouvement avec préférences spatio-temporelles pour la loco-manipulation humanoïde
Illustration générée par IA
2arXiv cs.RO 

Retargeting de mouvement avec préférences spatio-temporelles pour la loco-manipulation humanoïde

Une équipe de chercheurs propose Spatiotemporal Retargeting (STR), une méthode de retargeting de mouvement humain vers robot humanoïde, publiée sur arXiv (2610.30540). Le retargeting convertit des démonstrations humaines en trajectoires de référence pour le contrôle du corps entier et la loco-manipulation. STR part d'un constat: les budgets d'itérations par image sont uniformes, alors que seuls certains instants exigent une précision élevée sur les relations corps-objet. Un modèle vision-langage (VLM) sélectionne les signaux de mouvement et les parties du corps pertinents. Les images clés sont détectées à partir des variations de ces signaux. Le solveur reçoit alors des itérations supplémentaires sur ces images clés, et les parties sélectionnées reçoivent des poids d'interaction plus élevés. Un module nommé Mechanics-Aware Contact Anchoring (MCA) affine les positions de contact sur la surface de l'objet grâce à un modèle approximatif de torseur d'efforts (wrench), en conservant les directions de surface retenues. Les auteurs y ajoutent Spatiotemporal Reinforcement Learning (STRL), qui combine un échantillonnage adaptatif des étapes clés et une récompense de contact fondée sur la proximité à la cible et sur les forces de contact. Les tests en simulation utilisent un Unitree G1, et les essais réels un Unitree R1. L'intérêt tient à l'efficacité de calcul. Les pipelines de retargeting représentent souvent un coût caché dans la production de données pour humanoïdes, et concentrer l'effort là où la manipulation se joue (saisie, dépose, contact prolongé) est une piste pragmatique. Les auteurs annoncent une meilleure couverture et continuité des contacts à moindre coût, ainsi qu'un meilleur taux de réussite des tâches en aval. Cela va dans le sens d'un contrôle qui exploite des références de meilleure qualité plutôt que de simples trajectoires cinématiquement plausibles. Il faut toutefois rester prudent. Le résumé ne donne ni gain chiffré, ni nombre de tâches, ni durée des essais réels. Il ne précise pas non plus la dépendance au VLM, dont les choix de signaux et de parties du corps pourraient varier d'une requête à l'autre. Les essais sur R1 restent un résultat de laboratoire, sans lien avec un déploiement industriel. Ce travail s'inscrit dans la lignée des méthodes de retargeting par optimisation et des politiques de suivi de mouvement par apprentissage par renforcement, devenues courantes sur les plateformes Unitree à bas coût, très répandues dans la recherche. Il rejoint la tendance qui consiste à utiliser des modèles de fondation pour guider les étapes de la chaîne de données, et pas seulement l'exécution. Les acteurs industriels comme Figure, Tesla ou Agility mènent des efforts comparables, mais en grande partie fermés. Il n'est donc pas possible de comparer directement leurs résultats à cette approche. La suite logique serait une validation sur des objets plus variés, avec des comparaisons chiffrées face aux méthodes de retargeting existantes, puis une démonstration sur des tâches longues, avant tout transfert vers des usages en entrepôt ou en usine.

RecherchePaper
1 source
Apprentissage d'une locomotion adaptative à la pente pour robots humanoïdes sur chantiers de couverture
Illustration générée par IA
3arXiv cs.RO 

Apprentissage d'une locomotion adaptative à la pente pour robots humanoïdes sur chantiers de couverture

Un article publié sur arXiv (référence 2609.20558v1) présente un cadre logiciel permettant à un robot humanoïde Unitree G1 d'exécuter des tâches de couvreur sur toitures en pente : marche en montée, utilisation d'une cloueuse pneumatique, martelage et mouvements de flexion. La méthode capture des démonstrations humaines par un système de suivi de mouvement, les retranscrit sur le robot, puis s'appuie sur un modèle métrique 3D du toit pour ancrer précisément les points de contact des pieds et des mains ainsi que les relations de travail (distance à l'outil, zones de dégagement) à la surface réelle. Une optimisation au niveau de la trajectoire fixe ces contraintes, tandis qu'un apprentissage par renforcement sensible à l'exécution maintient ces relations malgré les erreurs de suivi en conditions dynamiques. Les auteurs évaluent l'approche via une étude de suivi multi-mouvements, une matrice couvrant différentes pentes de toit, une ablation à cinq configurations sur la tâche de cloueuse, des tests croisés sur le martelage et la poussée latérale, ainsi que des comparaisons avec un apprentissage par renforcement pur et une téléopération sans apprentissage préalable. Résultats obtenus : des erreurs de dégagement de travail comprises entre 0,256 et 0,531 cm, un taux de réussite de 3 sur 3 pour chaque tâche testée, et des erreurs moyennes de position du tronc inférieures à 80 mm lors des expériences physiques. L'intérêt de ces travaux tient au problème qu'ils ciblent : les surfaces inclinées et irrégulières du bâtiment restent l'un des terrains les plus difficiles pour les humanoïdes, bien plus exigeants que les sols plats des entrepôts où la plupart des démonstrations commerciales sont tournées. L'étude illustre aussi un écueil classique de l'apprentissage par imitation : retranscrire fidèlement un geste humain capturé ne garantit pas un placement correct des appuis par rapport à l'environnement réel, d'où l'ajout d'un ancrage explicite à un modèle de scène. Pour les intégrateurs et décideurs du BTP, ce résultat reste un signal de recherche amont plutôt qu'une preuve de déploiement : il indique une piste méthodologique crédible pour doter les humanoïdes de compétences de chantier extérieur, sans annoncer de produit ni de pilote commercial. Le travail s'appuie sur le Unitree G1, plateforme humanoïde chinoise largement utilisée par les laboratoires de recherche en robotique incarnée pour son coût réduit face à des concurrents comme Boston Dynamics ou Tesla Optimus. Il s'inscrit dans une vague plus large de recherches combinant apprentissage par imitation et renforcement pour le contrôle corps entier des humanoïdes, dans la lignée conceptuelle de projets industriels comme Helix de Figure AI ou GR00T N2 de NVIDIA, sans toutefois émaner d'un acteur commercial identifié : il s'agit d'une prépublication arXiv non encore validée par relecture par les pairs. Les auteurs présentent leur approche comme une base pour de futures primitives de mouvement humanoïde dédiées au bâtiment, sans calendrier de pilote ni partenariat annoncé à ce stade.

RecherchePaper
1 source
PHUMA : un jeu de données pour la locomotion fiable des robots humanoïdes
Illustration générée par IA
4arXiv 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