Aller au contenu principal
Un robot humanoïde lance une spirale parfaite au football américainIllustration générée par IA
RecherchearXiv cs.RO 

Un robot humanoïde lance une spirale parfaite au football américain

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

Une équipe de recherche publie sur arXiv (arXiv:2608.16642v1) une démonstration de lancer de ballon de football américain en spirale serrée par un robot humanoïde. Le système utilise un Unitree G1 a 29 degrés de liberté (DoF), équipe d'une pince a trois doigts Dex3-1 a 7 DoF. Le mouvement de lancer complet s'exécuté en environ une demi-seconde de mouvements a haut DoF, avec une phase de relâchement critique de moins de 100 millisecondes durant laquelle le ballon glisse de manière partiellement incontrôlée sur les doigts. Le contrôle repose sur une stratégie de commande corps entier couplée : le bas du corps stabilise la posture pendant que le haut du corps opère en deux phases, une phase de lancer par optimisation et suivi de trajectoire, puis une phase de suivi par commande prédictive (MPC) sur le poignet et les doigts encore en contact. Resultats mesures : jusqu'a 93,6% d'efficacité de spin, une erreur d'alignement du nez du ballon de 0,286 radian par rapport a la vitesse linéaire (contre 0 radian pour une spirale idéale a 100% d'efficacité), pour une vitesse linéaire allant jusqu'a 5,35 m/s et une vitesse angulaire de 14,5 rad/s.

Contrairement a l'essentiel des travaux antérieurs sur le lancer robotique, centres sur la génération de vitesses de relâchement dynamiquement réalisables avec des pinces ouvertes simples, cette étude s'attaque explicitement au contrôle de l'injection de spin au moment du détachement, un problème largement néglige pour des objets aérodynamiquement anisotropes comme un ballon ovale. Pour un secteur qui cherche a démontrer une dextérité fine et une gestion fiable des contacts transitoires sur des humanoïdes, ce résultat illustre un progrès technique réel sur un cas d'usage très spécifique plutôt qu'une preuve générale de maturité commerciale : il s'agit d'une validation empirique en laboratoire sur un seul type d'objet, pas d'un produit déployé. Il confirme néanmoins que des architectures combinant optimisation de trajectoire et commande prédictive peuvent gérer des dynamiques de contact sous-actionnées en quelques dizaines de millisecondes, un enjeu directement transférable a des taches industrielles exigeant un relâchement précis d'objets, comme le tri ou l'emballage a cadence rapide.

Le Unitree G1, plateforme chinoise abordable et largement adoptée par les laboratoires de recherche en robotique, sert ici de banc d'essai, dans la lignée d'autres travaux acrobatiques ou sportifs utilises comme benchmarks de dextérité dynamique, face a des plateformes plus onéreuses comme l'Atlas de Boston Dynamics ou l'Optimus de Tesla. Le résume disponible ne précise ni affiliation institutionnelle ni calendrier de suite, et le travail se présente comme une preuve de concept technique plutôt qu'une annonce produit. Il s'inscrit dans une tendance plus large de la recherche en manipulation dextérité, ou des taches ludiques ou sportives comme le lancer, la jonglerie ou l'attrape servent de bancs d'essai intermédiaires avant des applications industrielles a fort enjeu de timing et de précision de contact.

À lire aussi

Apprentissage de compétences réactives de football par vision pour robots humanoïdes
Illustration générée par IA
1arXiv cs.RO 

Apprentissage de compétences réactives de football par vision pour robots humanoïdes

Une équipe de recherche présente, dans une version mise à jour d'un preprint arXiv (2511.03996v2), un contrôleur basé sur l'apprentissage par renforcement qui permet à des robots humanoïdes d'acquérir des réflexes de football pilotés par la vision, en couplant directement perception visuelle et contrôle locomoteur plutôt que de séparer les deux étapes dans un pipeline modulaire. Entraîné en simulation avec des "adversarial motion priors" pour produire des mouvements naturels, le système repose sur une architecture encodeur-décodeur et un module de perception virtuelle reproduisant le bruit et les échecs de détection d'une caméra embarquée. Le robot exécute ainsi, avec la seule vision embarquée, la recherche du ballon, sa poursuite et des frappes multidirectionnelles. Face à une méthode de référence basée sur des règles fixes, l'erreur d'estimation de la position du ballon chute de 46%, le temps avant frappe diminue jusqu'à 64%, et le taux de réussite atteint environ 90% en zone offensive, testé lors de compétitions RoboCup réelles. Ce résultat contredit une pratique répandue en robotique humanoïde, qui consiste à séparer perception et contrôle ou à supposer une détection quasi parfaite. En intégrant l'incertitude visuelle directement dans l'apprentissage de la politique, les auteurs montrent qu'un contrôleur de bout en bout peut rester réactif malgré un bruit de détection réaliste, fréquent dès la sortie du laboratoire. Pour les équipes travaillant sur des humanoïdes destinés à des environnements dynamiques, au-delà du seul football, cette boucle fermée perception-contrôle suggère une piste généralisable à des tâches de manipulation ou de navigation exigeant une adaptation continue sous perception dégradée, un enjeu clé pour combler l'écart entre simulation et conditions réelles. Il s'agit d'une contribution académique publiée sur arXiv en version révisée, non d'une annonce de produit commercial: aucune entreprise ni modèle de robot n'est nommé, la validation s'appuyant sur une plateforme générique testée dans le cadre de la RoboCup Humanoid League, compétition où plusieurs équipes universitaires confrontent depuis des années leurs algorithmes de locomotion et de perception. Aucun acteur français ou européen n'apparaît dans cette publication. Les auteurs n'annoncent ni calendrier de déploiement industriel ni partenariat, se limitant à évoquer la poursuite des tests en conditions de compétition réelle.

RecherchePaper
1 source
ForPC : contrôle du corps entier sensible aux forces pour une poussée précise de chariot par un robot humanoïde
Illustration générée par IA
2arXiv cs.RO 

ForPC : contrôle du corps entier sensible aux forces pour une poussée précise de chariot par un robot humanoïde

ForPC, un cadre de contrôle du corps entier sensible aux forces, vise à permettre à un humanoïde de pousser précisément un chariot. Il a été validé en simulation, puis sur un Unitree G1 réel, qui pousse un chariot chargé jusqu'à 30 kg à 0,5 m/s. Les auteurs l'ont posté sur arXiv (2611.08664). Le système repose sur un apprentissage par renforcement en deux étapes. Une politique de locomotion de base est d'abord entraînée sous des charges variables aux mains et des postures de haut du corps différentes, afin d'assurer l'équilibre. Un latent de force et un latent d'état sont ensuite inférés à partir des seules observations embarquées, sans capteur de force externe. Ils alimentent une politique résiduelle qui coordonne des ajustements bornés des bras, de la taille et des jambes avec les commandes de vitesse de la base. Les récompenses multi-objectifs pénalisent l'opposition interne entre les deux mains, le glissement de la prise et la saturation des actionneurs. La politique applique ainsi la force de contact à la demande, sans démonstrations humaines. En simulation à simulation, ForPC réduit l'erreur RMSE de vitesse du chariot jusqu'à 68,2 % par rapport à une base de locomotion seule, et l'erreur transversale jusqu'à 74,2 % sur un parcours à virages multiples. La politique, entraînée uniquement en simulation, est transférée au G1 sans entraînement réel ni réglage fin, et sans ajustement propre à la charge. L'intérêt tient au problème traité. Pousser un chariot à deux mains ferme une boucle couplée en force : les efforts de contact qui font avancer le chariot perturbent aussi l'équilibre du robot, et toute variation de charge modifie cette dynamique. Un contrôleur de marche classique, qui traite ces efforts comme des perturbations, atteint vite ses limites, ce que reflète l'écart mesuré avec la base de locomotion seule. Pour les intégrateurs et les responsables logistiques, la promesse est de manipuler des charges lourdes avec des chariots à roues existants, sans réaménager le site. L'absence de capteur de force externe compte aussi : elle limite le coût et la fragilité matérielle. Le résultat montre qu'un transfert sim-to-real peut fonctionner sur une tâche de contact prolongé, pas seulement sur la marche ou le saut. Il faut toutefois relativiser. Les gains de 68 % et 74 % sont des maxima, obtenus en simulation contre une seule base de comparaison. Les 30 kg à 0,5 m/s, soit 1,8 km/h, restent loin d'un débit industriel. Aucun essai de longue durée, sur sols variés ou en environnement encombré n'est rapporté dans le résumé. Le travail s'inscrit dans la course à la manipulation du corps entier sur humanoïdes, où l'apprentissage par renforcement entraîné en simulation sert de plus en plus de couche de contrôle bas niveau. Le Unitree G1, humanoïde d'entrée de gamme très répandu en recherche, est devenu une plateforme de référence pour ce type de validation, ce qui facilite la reproduction. Les acteurs industriels, Figure, Agility Robotics ou Tesla, ciblent la logistique et la manutention, mais communiquent peu sur le pilotage de chariots. Aucun déploiement ni calendrier commercial n'est annoncé ici : il s'agit d'une preuve de concept académique. Les suites logiques seraient des charges plus élevées, des vitesses supérieures, des trajectoires dynamiques avec obstacles et des essais en conditions réelles d'entrepôt ou d'hôpital.

RecherchePaper
1 source
À la poursuite de la stabilité : course d'un robot humanoïde par apprentissage par renforcement guidé par une fonction de Lyapunov de contrôle
Illustration générée par IA
3arXiv cs.RO 

À la poursuite de la stabilité : course d'un robot humanoïde par apprentissage par renforcement guidé par une fonction de Lyapunov de contrôle

Des chercheurs publient, dans la version 2 d'un preprint arXiv (2509.19573), une méthode baptisée CLF-RL qui permet à un humanoïde Unitree G1 de courir avec une vraie phase de vol, c'est-à-dire avec les deux pieds simultanément décollés du sol. L'approche intègre des fonctions de Lyapunov de commande (CLF, un outil de la théorie du contrôle non linéaire qui certifie la stabilité d'un système) directement dans la fonction de récompense de l'apprentissage par renforcement (RL), en s'appuyant sur des trajectoires de référence optimisées pour la dynamique hybride du robot. Ces références, multi-domaines et dynamiquement faisables, sont produites par une routine d'optimisation de trajectoire qui utilise la dynamique complète du robot plutôt qu'une approximation cinématique, ce qui améliore le suivi de position jusqu'à 1,7 fois. La politique obtenue fonctionne de façon fiable dans des espaces étroits comme un tapis de course, ainsi qu'en extérieur, et résiste à des perturbations appliquées au torse et aux pieds. Elle réalise un suivi global de référence précis en n'utilisant que des capteurs embarqués. Il s'agit de résultats de recherche académique sur un robot du commerce, sans déploiement industriel ni produit associé, et l'abstract ne fournit ni vitesse de course maximale ni taux de réussite chiffré. L'intérêt pratique tient au problème que cette méthode vise à résoudre : l'apprentissage par renforcement sait gérer les dynamiques non linéaires et hybrides de la course, mais exige généralement un long réglage manuel de termes de récompense heuristiques, difficile à reproduire d'un robot à l'autre. Remplacer ces termes par des récompenses « informées par la stabilité », plus simples à régler, réduit ce coût d'ingénierie et rapproche le RL des garanties que recherche la commande classique. Pour les intégrateurs et les équipes R&D, c'est un signal que la locomotion dynamique des humanoïdes peut devenir moins artisanale, ce qui compte si ces plateformes doivent un jour dépasser la marche lente. Le suivi global avec capteurs embarqués seuls est aussi un point notable : il suggère que ces mouvements peuvent s'insérer dans une pile d'autonomie complète, sans dépendre d'un système de capture de mouvement externe. Il faut toutefois rester prudent : la course reste ici une démonstration de laboratoire sur un robot de taille réduite, et rien n'indique encore une transposition à des machines plus lourdes, à des charges utiles réelles ou à des cadences de production. Ce travail s'inscrit dans une course où la locomotion dynamique est devenue un terrain de démonstration entre acteurs comme Boston Dynamics, Unitree, Agility Robotics ou Figure, tandis que la recherche académique oppose depuis des années les approches de commande modèle, héritées de la marche hybride bipède, et les politiques apprises en simulation puis transférées au réel. CLF-RL se place à l'intersection des deux, en reprenant des outils de la commande des systèmes hybrides pour guider l'apprentissage. L'Unitree G1, plateforme relativement abordable, sert de banc d'essai courant dans les laboratoires, ce qui facilite la reproduction. La suite logique, que le résumé ne détaille pas, serait de combiner ces compétences de course avec la perception et la planification pour une autonomie complète, puis de tester la méthode sur d'autres morphologies d'humanoïdes. Cette version 2 du preprint indique que les travaux continuent d'être affinés, sans que l'on sache à ce stade si une publication en revue ou un code ouvert est prévu.

RecherchePaper
1 source
Jouer au football comme les humains : un football humanoïde polyvalent et agile appris grâce à des préalables de mouvement latents
Illustration générée par IA
4arXiv cs.RO 

Jouer au football comme les humains : un football humanoïde polyvalent et agile appris grâce à des préalables de mouvement latents

Des chercheurs présentent soccerbot, un cadre d'apprentissage par renforcement hiérarchique publié sur arXiv (2611.06564) qui permet à un humanoïde Unitree G1 de jouer au football avec une gamme complète de compétences: déplacement, dribble, amorti (trapping) et frappe de balle. Le système repose sur un a priori de mouvement latent, distillé à partir de données de capture de mouvement de football humain à grande échelle. Une seule politique conditionnée par la compétence, c'est-à-dire pilotée par une commande qui sélectionne le geste souhaité, exécute l'ensemble de ces actions. Les auteurs précisent que le transfert de la simulation au robot réel se fait en zero-shot, sans réglage supplémentaire sur la machine, grâce à une conception de simulation orientée robustesse. Le résumé ne donne ni taux de réussite, ni vitesse de balle, ni durée des essais, et les démonstrations en conditions réelles restent à ce stade décrites qualitativement par les auteurs eux-mêmes. L'enjeu dépasse le football. Le jeu combine locomotion agile, manipulation de balle et contacts à fort impact, un régime où les politiques apprises produisent souvent des mouvements saccadés ou peu naturels. Les approches antérieures se répartissaient en deux camps: celles qui couvrent peu de compétences, et celles qui renoncent à tout a priori de mouvement, au prix de comportements peu humains et parfois fragiles pour le matériel. En contraignant l'apprentissage à une variété de mouvements dynamiquement plausibles, soccerbot suggère qu'un a priori latent issu de données humaines peut unifier plusieurs compétences dans une seule politique et assurer des transitions fluides quand on change de geste. Pour les intégrateurs, c'est un signal sur la méthode: la même recette (a priori de mouvement, puis politique de haut niveau) pourrait servir à d'autres tâches riches en contacts, comme la manipulation de charges ou le travail en environnement non structuré. Il faut toutefois rester prudent: le football sur terrain contrôlé reste loin d'un déploiement industriel, et le transfert zero-shot sur un seul robot ne prouve pas la généralité. Ce travail s'inscrit dans une lignée de recherches qui utilisent la capture de mouvement humain pour doter les humanoïdes de comportements naturels, après les approches de type imitation adversariale et de suivi de mouvement. Le Unitree G1, humanoïde relativement abordable, est devenu la plateforme de référence des laboratoires universitaires, ce qui facilite la reproduction et la comparaison. Le football est aussi un terrain d'évaluation traditionnel, notamment via la RoboCup, où les approches modulaires et à compétences limitées dominent encore. La suite logique serait la publication du code et de vidéos complètes, une évaluation quantitative face aux méthodes concurrentes, et une extension vers des scénarios multi-robots ou des adversaires. À ce stade, il s'agit d'un préprint de recherche, non d'un produit ni d'un déploiement commercial.

RecherchePaper
1 source