RecherchearXiv cs.RO 21 août 2026

Vers un style de tennis professionnel pour robots humanoïdes grâce à une planification et un suivi de mouvement adaptatifs

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs ont publié le 21 août 2026 sur arXiv (référence 2608.20087v1) AdaPT, un système de planification et de suivi de mouvement adaptatif qui apprend à des robots humanoïdes à servir et échanger au tennis avec un style proche de celui des joueurs professionnels, directement à partir de vidéos de retransmissions télévisées. L'architecture est hiérarchique : un planificateur génère la trajectoire cinématique stylisée, tandis qu'un module de suivi (tracker) l'exécute en interférant le moins possible avec le plan initial. Validée en simulation, l'approche a ensuite révélé un écart important entre simulation et réel sur le robot Unitree G1, la précision du suivi se dégradant à cause de la planification autorégressive et du bruit de perception ; pour corriger cela, les auteurs ont entraîné le tracker à suivre des vitesses d'exécution randomisées et conditionné le planificateur via un adaptateur de vitesse appris. Les politiques AdaPT ont ensuite été déployées sur le robot humanoïde grand format Dobot Atom (1,7 mètre), capable de servir en conditions réelles sans capture de mouvement, avec vidéos et code publiés sur le site du projet.

Ce résultat illustre concrètement la possibilité de transférer un mouvement stylisé et physiquement exigeant, appris depuis de simples vidéos, vers un robot humanoïde grande taille opérant sans motion capture ni environnement contrôlé, un enjeu central pour l'industrie face au fossé habituel entre démonstrations et performance réelle. Il faut toutefois le lire comme un résultat de recherche académique et non comme un produit commercialisé : aucune annonce de volumes, de prix ni de partenariat industriel n'accompagne la publication, et les essais restent limités en nombre. La méthode elle-même dépasse le seul tennis, puisqu'elle traite un problème plus général, générer des mouvements stylistiques complexes sans sacrifier la performance de la tâche, pertinent pour toute application humanoïde exigeant dextérité et fluidité.

Ce travail s'inscrit dans une vague récente de recherches sur des humanoïdes jouant à des sports de balle, un domaine où plusieurs laboratoires ont récemment montré des frappes ou services au tennis, badminton ou ping-pong, souvent via des architectures de type VLA ou du renforcement pur. AdaPT se distingue par la combinaison d'une imitation de style issue de vidéos de diffusion et d'une architecture planificateur/tracker pensée spécifiquement pour limiter la dégradation lors du transfert simulation-réel. Les tests ont porté sur deux plateformes, le Unitree G1, standard courant en recherche sur la locomotion, et le Dobot Atom, humanoïde grand format du fabricant chinois Dobot. Les auteurs n'annoncent aucun calendrier de pilote commercial, se limitant à publier code et vidéos et à souligner des enseignements algorithmiques et d'ingénierie pour de futurs systèmes humanoïdes sportifs.

Dans nos dossiers

Unitree arXiv cs.RO

À lire aussi

1arXiv cs.RO

Ace ! Planification de mouvement pour des services de tennis de table de niveau professionnel avec un bras robotique

Le laboratoire ayant produit ce travail présente "Ace!", une nouvelle méthode permettant à un bras robotique de générer des services de tennis de table conformes aux règles officielles de la discipline. L'approche combine trois briques techniques : des primitives de mouvement préconçues, une commande prédictive par modèle (Model Predictive Control, MPC) pour l'exécution en temps réel, et une optimisation bayésienne pour ajuster les paramètres du service. Le système parvient à produire des effets (spin) contrôlables allant jusqu'à 550 rad/s et des vitesses de balle atteignant 6,7 m/s, des valeurs qui égalent, voire dépassent, celles observées chez les joueurs de tennis de table de niveau élite. Les travaux sont détaillés dans un article publié sur arXiv (référence 2607.06989v1). Ce résultat comble un angle mort de la robotique sportive : depuis des décennies, la quasi-totalité des recherches sur le tennis de table robotique portait sur la relance, c'est-à-dire la capacité à renvoyer une balle entrante, un problème qui mobilise déjà vision rapide et contrôle en boucle fermée. Le service, lui, restait largement inexploré alors qu'il pose des défis physiques bien plus extrêmes : générer un effet important à partir d'une balle initialement sans rotation, viser avec précision, et arbitrer entre plusieurs objectifs contradictoires (vitesse, spin, placement). Démontrer qu'un bras robotique peut reproduire, voire dépasser, la performance humaine sur cette tâche constitue une preuve de concept significative pour la modélisation physique appliquée à des mouvements dynamiques complexes, au-delà du seul cas du tennis de table. Le tennis de table s'est imposé comme un banc d'essai classique en robotique en raison de sa combinaison unique de vitesse, de précision et d'espace de jeu compact, un terrain propice pour tester vision rapide et planification de trajectoire. Les recherches précédentes s'étaient concentrées presque exclusivement sur la relance ; ce travail ouvre la voie à des systèmes robotiques capables de gérer l'intégralité d'un point, service compris, avec des applications potentielles pour l'entraînement sportif automatisé ou les partenaires de jeu robotisés.

RecherchePaper

1 source

2arXiv cs.RO

Marche, course et récupération unifiées pour robots humanoïdes via des priors de mouvement adversariaux adaptatifs

Une équipe de chercheurs a publié fin mai 2026 sur arXiv (arXiv:2605.18611) un framework d'apprentissage par renforcement unifié permettant à un seul contrôleur de faire marcher, courir et se relever après une chute le robot humanoïde Unitree G1, sans commande explicite de changement de mode au déploiement. L'approche étend les Adversarial Motion Priors (AMP) en remplaçant la distribution de référence globale par un mécanisme de routage conditionné à l'état : un seuil fixe sur la gravité projetée (|gz+1| > 0,6, soit environ 37° d'inclinaison du torse par rapport à la verticale) aiguille chaque transition d'entraînement soit vers un discriminateur dédié à la récupération, soit vers un discriminateur de locomotion conditionné par la vitesse commandée, qui couvre à la fois la marche et la course. Seuls trois clips de motion capture extraits du jeu de données LAFAN1 sont nécessaires pour régulariser l'ensemble du comportement. Sur hardware réel, la politique tourne à 50 Hz sous forme d'un fichier ONNX figé, sans aucune logique de mode à l'exécution, et valide des relevés réussis depuis les positions ventrale et dorsale ainsi que des transitions fluides marche-course. Ce résultat s'attaque directement à un problème d'intégration récurrent dans la robotique humanoïde commerciale : la fragmentation en contrôleurs spécialisés par mode, reliés par des automates à états qui génèrent des zones de transition fragiles et coûteuses à maintenir. Démontrer qu'une politique apprise par RL couvre ces régimes de façon continue sur hardware réel, et non uniquement en simulation, affaiblit l'argument du sim-to-real gap rédhibitoire pour les comportements complexes. Le coût d'annotation est lui aussi remarquablement bas : trois clips de reference suffisent là où d'autres travaux en exigent des dizaines, ce qui rend la méthode potentiellement transférable à d'autres plateformes avec un effort de données limité, qu'il s'agisse du PAL Robotics TALOS, du MIROKAÏ d'Enchanted Tools, ou de tout humanoïde léger à faible budget de motion capture. La publication s'inscrit dans une course dense à la locomotion humanoïde robuste, où Boston Dynamics (Atlas), Figure (Figure 03), Agility Robotics (Digit) et Tesla (Optimus Gen 3) investissent massivement, mais publient peu. Sur le plan académique, des approches concurrentes comme les VLA (Vision-Language-Action models) de Physical Intelligence ou les travaux de Berkeley visent des politiques encore plus générales, mais sacrifient souvent la robustesse physique au profit de la flexibilité sémantique. L'utilisation du Unitree G1, disponible à environ 16 000 dollars et largement répandu dans les laboratoires, confère à ces travaux une reproductibilité pratique supérieure aux publications sur plateformes fermées. L'article ne précise pas de timeline de déploiement industriel, mais la compatibilité ONNX et l'absence de logique embarquée à l'exécution réduisent la barrière à l'intégration pour un OEM ou un intégrateur souhaitant évaluer la méthode sur sa propre plateforme.

UELa méthode, compatible ONNX et nécessitant seulement 3 clips de motion capture, est explicitement identifiée comme transférable au MIROKAÏ d'Enchanted Tools (FR) et au TALOS de PAL Robotics (EU), réduisant le coût d'adaptation pour les équipes de recherche et les intégrateurs européens.

RecherchePaper

1 source

3arXiv cs.RO

RAVEN : planification par graphe de visibilité adaptative par renforcement pour une navigation robuste des humanoïdes avec MPC sans collision

Voici le résumé pour l'article RAVEN. Une équipe de chercheurs présente RAVEN (Reinforcement-Adaptive Visibility-Graph Planning), un cadre hiérarchique combinant apprentissage par renforcement (RL) et commande prédictive par modèle (MPC) pour la navigation de robots humanoïdes en environnement dynamique. Publié le 20 juillet 2026 sur arXiv (2607.15701v1), le système s'attaque à un problème concret des planificateurs classiques par graphe de visibilité couplés à un MPC : leurs performances dépendent de paramètres réglés manuellement et d'une modélisation précise du système, ce qui les rend vulnérables aux délais de contrôle, au bruit d'estimation d'état et aux incertitudes de locomotion réelles. Plutôt que d'utiliser le RL pour ajuster des poids de coût ou remplacer entièrement la planification comme le font d'autres approches, RAVEN l'utilise pour modifier directement la construction géométrique du graphe de visibilité, notamment l'inflation des obstacles, ce qui reconfigure la topologie du chemin global pour compenser les délais et imperfections de suivi. Une couche MPC garantissant l'absence de collision suit ensuite la trajectoire planifiée tout en imposant des contraintes explicites de vitesse et d'évitement d'obstacles. L'intérêt pour l'industrie robotique tient à la démonstration empirique, entraînée sous délais et bruit réalistes, que cette approche réduit les dépassements près des obstacles et améliore la fiabilité dans les passages étroits par rapport à deux références : un planificateur par graphe de visibilité réglé manuellement et une politique de navigation RL pure de bout en bout. Pour les intégrateurs et décideurs, ce résultat pèse dans le débat entre planification géométrique interprétable et apprentissage end-to-end pour la navigation humanoïde : RAVEN conserve l'explicabilité et les garanties de contrainte d'un planificateur classique tout en gagnant la robustesse généralement associée aux méthodes apprises, sans sacrifier l'un pour l'autre. Ce travail s'inscrit dans la lignée des recherches cherchant à combler l'écart entre planification hors ligne optimale et exécution réelle imparfaite sur des plateformes bipèdes, un défi central alors que les humanoïdes commerciaux (Figure, Boston Dynamics, Unitree) visent des déploiements en environnements non structurés. Contrairement aux approches purement end-to-end qui sacrifient l'interprétabilité, ou aux méthodes de réglage de poids de coût déjà explorées dans la littérature, RAVEN se positionne sur l'adaptation directe de la géométrie du graphe, une piste moins explorée. Les auteurs ne précisent pas de calendrier de déploiement sur robot physique ni de partenariat industriel ; l'évaluation reste à ce stade centrée sur des comparaisons en simulation ou banc d'essai contrôlé.

RecherchePaper

1 source

4Interesting Engineering

Robots humanoïdes : ramper, roue et backflips maîtrisés grâce aux données de mouvement et d'animation

Des chercheurs du RAI Institute et de Boston Dynamics ont développé ZEST (Zero-shot Embodied Skill Transfer), un framework d'apprentissage par renforcement permettant à des robots à pattes d'acquérir des mouvements agiles à partir de données de mouvement humain, en une seule phase d'entraînement plutôt qu'un réglage par tâche. Le système apprend depuis trois sources : capture de mouvement haute fidélité, vidéo simple caméra, et animation par images clés, converties en commandes robotiques par retargeting cinématique. Testé sur l'humanoïde Atlas et le quadrupède Spot de Boston Dynamics ainsi que sur le G1 d'Unitree, ZEST a reproduit des mouvements tels que reptation au sol, roulades avant, roue, breakdance, danse, tirs au but et escalade de caisses, plus un salto arrière continu et un tonneau pour Spot à partir de données d'animation. Chaque politique de contrôle a nécessité environ 10 heures d'entraînement, soit près de 7 000 itérations, sur un seul GPU NVIDIA L4, entraînée entièrement en simulation puis transférée sur le matériel réel sans réglage supplémentaire, en s'appuyant uniquement sur des capteurs proprioceptifs embarqués à l'exécution. Pour l'industrie robotique, l'intérêt tient à ce que ZEST élimine plusieurs briques habituelles des pipelines de contrôle : estimateurs d'état, longs historiques d'observation, fenêtres de référence future, calendriers de contact au sol et ingénierie poussée de récompenses propres à chaque tâche. Cela réduit potentiellement le travail d'ingénierie et de réglage requis pour chaque nouvelle compétence, un goulot d'étranglement connu du déploiement de robots humanoïdes et quadrupèdes. Le transfert réussi d'une même architecture entre un humanoïde et un quadrupède illustre une portabilité inter-morphologies rarement démontrée à ce niveau d'agilité. L'équipe reste toutefois prudente : le système n'a été validé que sur sols plats et non glissants, sans généralisation démontrée à des mouvements totalement inédits. Il s'agit donc d'une avancée de recherche publiée sous forme d'étude, avec des démonstrations en environnement contrôlé, et non d'un produit commercial déployé ou d'un pilote industriel annoncé. ZEST s'inscrit dans les travaux du RAI Institute, laboratoire de recherche lié à Boston Dynamics et centré sur le contrôle et l'apprentissage pour robots à pattes, prolongeant des efforts visant à réduire la dépendance à l'ingénierie manuelle des contrôleurs. Le framework se positionne différemment des modèles vision-langage-action comme Pi-0 de Physical Intelligence, GR00T N2 de Nvidia ou Helix de Figure, qui ciblent surtout la manipulation : ZEST vise l'agilité locomotrice et les mouvements corporels complets, du crawl militaire au salto arrière. Il ne nécessite pas d'annotations explicites de contact au sol, ce qui allège la préparation des données de démonstration. Les auteurs indiquent que les prochaines étapes porteront sur l'adaptation zero-shot et few-shot ainsi que sur l'apprentissage continu, sans calendrier ni partenaire de déploiement précisés à ce stade.

RecherchePaper

1 source