RecherchearXiv cs.RO 18 août 2026

Un robot humanoïde lance une spirale parfaite au football américain

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

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.

Dans nos dossiers

Boston Dynamics Unitree arXiv cs.RO

À lire aussi

1arXiv cs.RO

ContactMimic : interaction avec des objets par un robot humanoïde grâce au contrôle des contacts

Wiping a board, sitting on a chair ou pousser un meuble : ces tâches semblent réussies dès que le robot atteint la bonne posture, mais sans contact physique réel avec l'objet, elles échouent en pratique. C'est le constat de départ de CONTACTMIMIC, un framework d'apprentissage présenté dans un article publié le 10 juillet sur arXiv (2607.08742). L'équipe y ajoute aux trajectoires de points-clés classiques (keypoint tracking) des commandes de contact binaires, définies au niveau de chaque partie du corps. La politique résultante s'appuie sur deux ingrédients : des récompenses qui suivent explicitement le contact et un schéma d'augmentation de trajectoires conçu pour casser la corrélation entre géométrie des points-clés et étiquettes de contact. Résultat, le robot peut produire ou supprimer un contact à la demande, indépendamment de sa pose. Sur 10 mouvements d'interaction homme-objet testés en simulation, CONTACTMIMIC dépasse les trackers uniquement basés sur les points-clés, sans recourir à des récompenses spécifiques à chaque tâche. Le transfert sim-to-real a été validé sur 5 mouvements réels. L'enjeu dépasse la démonstration technique : la plupart des pipelines d'imitation de mouvement pour humanoïdes optimisent la fidélité cinématique, pas l'interaction physique effective, un angle mort qui limite l'utilité pratique des politiques de manipulation whole-body déployées sur des plateformes comme Figure 03, Optimus ou des architectures VLA type GR00T N2, Pi-0 ou Helix. Découpler contact et géométrie ouvre la voie à des contrôleurs capables d'exécuter des tâches ménagères ou industrielles réelles (essuyer, pousser, s'asseoir) sans réentraînement par tâche, un prérequis pour que les humanoïdes sortent de la démonstration scriptée. Le travail s'inscrit dans la lignée des méthodes de suivi de points-clés pour le contrôle corps entier des humanoïdes, dont il expose les limites via des ablations confirmant la nécessité de l'augmentation de trajectoires. Aucun partenaire industriel n'est mentionné : il s'agit pour l'instant d'une contribution de recherche en simulation et validation restreinte en réel, dont les vidéos sont disponibles en ligne, sans calendrier de déploiement annoncé.

RecherchePaper

1 source

2arXiv cs.RO

Apprentissage de compétences d'attaquant agile pour robots humanoïdes footballeurs à partir de capteurs bruités

Des chercheurs ont publié sur arXiv (réf. 2512.06571, troisième révision) un système d'apprentissage par renforcement permettant à des robots humanoïdes d'exécuter des frappes de balle précises et répétées, même face à des capteurs bruités et des perturbations extérieures simulant des adversaires. L'entraînement se structure en quatre étapes : une phase de poursuite longue distance, puis de frappe directionnelle, conduites par une politique dite "enseignant" alimentée en données d'état parfaites ; ensuite une distillation de cette politique vers un agent "étudiant" fonctionnant avec des capteurs imparfaits ; enfin une adaptation par RL contraint. Les expériences ont été conduites en simulation et sur un vrai robot humanoïde, avec des résultats solides en précision de frappe et en taux de buts sur des configurations balle-but variées. Ce qui distingue ces travaux, c'est la rigueur avec laquelle le fossé sim-to-real est traité. Le bruit de perception est modélisé explicitement pendant l'entraînement, et l'étape de RL contraint permet de raffiner le comportement de l'agent sans dégrader ses acquis antérieurs. Maintenir l'équilibre sur un seul appui pendant une frappe rapide constitue un défi de contrôle entier-corps que les approches classiques peinent souvent à transférer du simulateur au hardware. Le fait que le système fonctionne sur robot réel, et pas uniquement en simulation sélectionnée, est un indicateur de maturité non négligeable pour les équipes R&D travaillant sur des plateformes comme l'Unitree H1 ou le Fourier GR-1. Ce travail s'inscrit dans l'essor des compétitions de football humanoïde, notamment le RoboCup Humanoid League, où le passage de démonstrations contrôlées à des comportements robustes face à l'adversité reste le principal verrou. Le cadre enseignant-étudiant est une approche bien établie dans la littérature du contrôle locomoteur, portée par de nombreux travaux sur la locomotion quadrupède et humanoïde ces cinq dernières années. Ce qui singularise cette contribution est l'ajout d'une étape d'adaptation par RL contraint et la modélisation réaliste du bruit de perception dans la boucle d'entraînement, deux éléments que les études d'ablation de l'article identifient comme critiques pour la performance finale. Les auteurs proposent ce système comme benchmark de référence pour les compétences visuomotrices en contrôle entier-corps humanoïde, un angle encore peu formalisé dans un domaine dominé par la locomotion et la manipulation statique.

RecherchePaper

1 source

3arXiv cs.RO

Robots humanoïdes : la planification de trajectoire diversifiée par inférence de Stein contrainte globalisée

Des chercheurs viennent de publier sur arXiv (référence 2607.12732v1) une nouvelle méthode baptisée SteinSQP, pour Stein Variational Sequential Quadratic Programming, destinée à la planification de mouvement robotique. Le constat de départ est simple: les planificateurs classiques ne renvoient généralement qu'une seule trajectoire, alors que le problème est par nature multimodal, avec plusieurs solutions à faible coût possibles. Les approches probabilistes existantes tentent de maintenir une distribution de mouvements plutôt qu'une trajectoire unique, mais peinent à garantir que chaque échantillon respecte les contraintes strictes propres à la robotique: évitement de collisions, limites articulaires, conditions de contact et cohérence dynamique. SteinSQP fait évoluer un ensemble de particules en interaction, à la manière des méthodes Stein variationnelles classiques, tout en intégrant directement ces contraintes dans un sous-problème de programmation quadratique séquentielle en espace noyau. Ce sous-problème contraint de type Stein-Newton est résolu via un algorithme primal-dual sans matrice explicite, optimisé pour le GPU, ce qui permet des mises à jour groupées de l'ensemble de particules. Sur cinq tâches de planification sous contraintes, la méthode produit des ensembles entièrement faisables tout en conservant des alternatives de mouvement diversifiées. L'enjeu dépasse la seule performance algorithmique. Pour les intégrateurs et les équipes de recherche en robotique, disposer de plusieurs trajectoires faisables plutôt que d'une seule change la donne pour le replanning en temps réel, la gestion des échecs d'exécution ou l'arbitrage entre plusieurs stratégies de mouvement selon le contexte. La méthode s'attaque frontalement à un écart connu du secteur: beaucoup de techniques d'échantillonnage diversifié fonctionnent bien sans contraintes, mais s'effondrent dès qu'il faut garantir la faisabilité physique de chaque particule à l'échelle du robot. Les auteurs affirment une convergence plus rapide et plus robuste, une meilleure faisabilité par particule, et un temps de résolution par lot inférieur à celui obtenu avec des bases Stein de premier ordre ou du multistart séquentiel en programmation non linéaire. Ce travail s'inscrit dans la lignée des méthodes d'inférence variationnelle de Stein (SVGD) appliquées à la planification de mouvement, un champ qui cherche à dépasser les limites des planificateurs mono-solution historiques comme CHOMP ou TrajOpt. Il s'agit ici d'une publication de recherche, sans déploiement matériel ni partenaire industriel annoncé; les auteurs comparent leur approche à des méthodes concurrentes de premier ordre et à des solveurs NLP classiques, sans préciser de calendrier vers une intégration en conditions réelles.

RecherchePaper

1 source

4Interesting Engineering

Robots humanoïdes réussissent un jeu complet de corde à sauter longue sans aide humaine

Des chercheurs de l'Universite de Nanjing ont développe un système baptise Marope qui permet a des robots humanoïdes de jouer ensemble a la corde a sauter longue, sans intervention humaine : deux robots font tourner une corde partagée pendant qu'un troisième saute en rythme. Les résultats figurent dans un preprint accompagne de vidéos publiées sur une page projet dédiée. L'approche compte trois étages : une politique décentralisée, apprise par renforcement multi-agent, coordonne le mouvement de la corde entre les deux tourneurs ; une politique d'ordonnancement ajuste ensuite ces commandes en temps réel pour synchroniser la rotation avec le rythme du sauteur et éviter les collisions ; le robot sauteur a lui été entraine sur plusieurs styles de saut pour généraliser a différents partenaires. En simulation, Marope réduit les erreurs de suivi de la corde et le glissement des pieds face a des approches de référence, dont une version a agent unique pilotant les deux tourneurs. L'équipe a déployé le système sur des robots Unitree G1 réels, coordonnant avec succès des rotations humanoïde-humanoïde et humanoïde-humain, ainsi que des sauts mêlant participants humains et robotiques. L'équipe présente ce travail comme une première : la coordination réussie de plusieurs robots humanoïdes sur une tache physique partagée aussi précise. Contrairement aux précédents projets de sport robotique (tennis de table, danse, course a pied), généralement portes par un seul robot agissant seul ou réagissant a un objet extérieur, la corde a sauter longue impose une véritable coopération entre deux agents qui manipulent un objet souple et imprévisible tout en gardant leur équilibre, et qui doivent en plus se synchroniser avec un troisième agent au rythme variable. Pour les chercheurs et intégrateurs en robotique, la démonstration illustre les progrès de l'apprentissage par renforcement multi-agent sur des taches ou plusieurs robots partagent le contrôle d'un objet physique instable, un scenario pertinent au-delà du jeu pour la manipulation collaborative en environnement industriel. Il s'agit néanmoins d'une preuve de concept de laboratoire, pas d'un produit commercial ni d'un déploiement en conditions réelles. Le système tourne sur la plateforme humanoïde Unitree G1, du fabricant chinois Unitree Robotics, déjà largement utilisée comme banc d'essai par les laboratoires de recherche en robotique. Les chercheurs reconnaissent plusieurs limites : le cadre est conçu spécifiquement pour la corde a sauter longue et ne se généralisé pas automatiquement a d'autres taches coopératives entre humanoïdes ; le système actuel ne gère qu'un seul sauteur a la fois, et des formats plus complexes comme le double dutch restent non résolus. Surtout, l'ensemble repose sur un système de capture de mouvement externe pour suivre la corde et les participants, un dispositif qu'il faudrait remplacer par des capteurs embarques avant d'envisager une coordination réaliste entre humanoïdes et humains au quotidien, une piste que l'équipe présente comme un axe de travail futur.

RecherchePaper

1 source