RecherchearXiv cs.RO 25 août 2026

DELTA : encodeur d'attention terrain local basé sur l'élévation déformable pour la locomotion quadrupède en terrain épars

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Un article publié sur arXiv (référence 2608.22033v1, catégorie "new") présente DELTA (Deformable Elevation-based Local Terrain Attention encoder), un nouvel encodeur de terrain destiné à la locomotion de robots quadrupèdes sur terrain épars et accidenté, comme des pierres espacées ou des marches discontinues. Contrairement aux planificateurs de pose de pied fondés sur des modèles explicites, ou aux méthodes récentes d'encodage de carte par attention (AME) couplées à l'apprentissage par renforcement de bout en bout, DELTA prédit des points d'échantillonnage conditionnés à l'état du robot, construit des jetons de preuve de terrain à partir de patchs d'élévation locaux adaptatifs, puis applique l'attention uniquement sur un ensemble fixe de ces jetons. Résultat concret : le coût de calcul de l'encodeur devient indépendant de la résolution de la carte de terrain, alors que l'AME dense voit son coût croître avec cette résolution. Les auteurs valident l'approche en simulation puis via un transfert sim-to-réel sur le quadrupède RAIBO2.

Ce travail répond à un verrou connu du secteur : les méthodes d'attention denses appliquées à la cartographie de terrain deviennent trop coûteuses dès qu'on augmente la finesse de la carte, ce qui limitait jusqu'ici leur usage sur terrain très fragmenté. En gardant un coût d'encodage fixe, DELTA permet d'exploiter des cartes haute résolution sans supervision explicite de la pose de pied ni annotation d'attention, tout en conservant des performances de franchissement comparables à l'AME classique et une meilleure efficacité d'apprentissage. Pour les équipes travaillant sur la locomotion de quadrupèdes en environnements industriels, d'inspection ou d'exploration accidentée, c'est un argument en faveur de la scalabilité des approches par apprentissage plutôt que par modélisation explicite du terrain.

RAIBO2, plateforme quadrupède déjà connue dans la recherche en locomotion apprise par renforcement, sert ici de banc d'essai pour la validation réelle. Le papier positionne explicitement DELTA face à deux familles concurrentes : les planificateurs de pose de pied basés modèle, plus précis mais rigides, et les encodeurs AME récents, plus flexibles mais coûteux à l'échelle. Il s'agit à ce stade d'une publication de recherche (preprint arXiv), sans annonce de déploiement industriel ni de calendrier de commercialisation ; les auteurs signalent toutefois une généralisation prometteuse à des parcours mixtes combinant terrain continu et discret, jamais vus à l'entraînement.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

MILD : modélisation du terrain pour améliorer la locomotion bipède sur surfaces déformables

Des chercheurs publient MILD, un système combinant simulation physique et apprentissage par renforcement pour la locomotion bipède sur sols meubles (sable, boue, gravats), disponible en prépublication sur arXiv sous la référence 2608.19955, mise en ligne le 21 août 2026. Le composant central est un solveur de contact par éléments discrets, fondé sur la physique, capable de modéliser des interactions pied-terrain qui varient dans l'espace et dans le temps, ce que les simulateurs actuels échoueraient à reproduire faute de représenter l'hétérogénéité spatio-temporelle des substrats déformables. Ce modèle sert de base à l'entraînement, par apprentissage par renforcement profond, d'un contrôleur de marche sensible au terrain, qui combine modulation latente et estimation proprioceptive de l'état du sol. Des essais matériels valident une identification et une adaptation en ligne du terrain sur une large plage de raideurs de surface. L'abstract ne cite ni plateforme robotique précise, ni chiffres de payload, de degrés de liberté ou de temps de cycle : les comparaisons avancées face à l'état de l'art restent qualitatives (« plus diverses et réalistes »), sans taux de réussite chiffré ni benchmark détaillé, ce qui invite à la prudence tant que les données complètes n'ont pas été examinées par les pairs. L'enjeu dépasse l'exercice académique : la marche sur terrain meuble reste l'un des points faibles récurrents des robots bipèdes, la quasi-totalité des démonstrations publiques de marche se déroulant sur sol rigide et plat. Si l'approche par éléments discrets tient ses promesses de transfert simulation vers réel, elle ouvrirait la voie à des déploiements hors des usines et des trottoirs aménagés, vers des terrains d'intervention d'urgence, de chantier ou d'exploration planétaire, un segment que les intégrateurs et les décideurs industriels surveillent car il conditionne l'extension du marché des humanoïdes au-delà de la logistique en environnement contrôlé. Le travail s'inscrit dans un courant de recherche en robotique locomotrice où le goulot d'étranglement identifié depuis plusieurs années est la fidélité des simulateurs de contact, plutôt que les algorithmes de contrôle eux-mêmes. Aucune entreprise ni marque commerciale n'est associée à cette publication, qui reste au stade de prépublication sans révision par les pairs ni code ou jeu de données rendus publics à ce stade ; les auteurs ne mentionnent aucun calendrier de validation sur une plateforme humanoïde commerciale.

RecherchePaper

1 source

2arXiv cs.RO

Décomposition attention globale-locale pour l'encodage du terrain dans la locomotion perceptive des humanoïdes

Des chercheurs ont soumis fin mai 2026 sur arXiv (référence 2606.00637) une méthode baptisée GLAD (Global-Local Attention Decomposition) pour améliorer la locomotion perceptive des robots humanoïdes sur terrain irrégulier. L'approche repose sur un encodeur coarse-to-fine appliqué à une carte d'élévation centrée sur le robot, qui sépare deux branches d'attention : une branche globale utilisant l'attention pooling pour synthétiser le contexte environnemental, et une branche locale conditionnée à l'état du robot pour encoder avec précision la géométrie des surfaces d'appui. La méthode a été validée sur un humanoïde Unitree G1 équipé d'un LiDAR embarqué, sur des terrains à appuis discontinus (gaps, pierres de gué, escaliers) et dans des environnements confinés, avec un transfert sim-to-real zéro-shot sans réentraînement sur données réelles. La décomposition explicite de l'attention perceptive comble un manque identifié dans la littérature : les encodeurs conventionnels tendent à mélanger la perception macroscopique du terrain, utile pour la navigation globale, et la détection fine des surfaces d'appui, utile pour le placement des pieds, ce qui dégrade les performances dans les deux registres. En séparant ces fonctions, GLAD réduit la dilution des signaux spatiaux fins et allège la charge d'entraînement. Plus notable encore : la politique apprise fait émerger des comportements adaptatifs non explicitement supervisés, comme le suivi de chemins étroits et le contournement d'obstacles sous de simples commandes de vitesse, sans planificateur de navigation dédié. Ce résultat suggère que la structuration de l'encodeur perceptif peut induire une forme de navigation implicite, angle qui intéresse directement les intégrateurs cherchant à alléger la pile logicielle des humanoïdes déployés. La locomotion perceptive des humanoïdes a progressé rapidement depuis les travaux fondateurs en apprentissage par renforcement sur terrain accidenté (ANYmal d'ETH Zurich, CMU Locomotion Group), mais le sim-to-real sur appuis discontinus reste un verrou difficile, notamment à cause du bruit des capteurs de profondeur. L'utilisation du LiDAR embarqué du Unitree G1, commercialisé autour de 16 000 dollars et devenu banc d'essai courant dans la communauté académique, offre une robustesse capteur supérieure aux caméras RGB-D. Sur ce segment, plusieurs équipes sont en compétition directe : Berkeley Humanoid Locomotion Group, MIT CSAIL, et les équipes internes de Figure AI (modèle Helix) et d'Agility Robotics (Digit). Le papier ne publie pas de métriques quantitatives précises (taux de succès, nombre d'essais), ce qui limite la comparaison directe avec d'autres systèmes ; il s'agit d'un résultat académique, pas d'un produit déployé.

RecherchePaper

1 source

3arXiv cs.RO

Apprentissage par renforcement neuromorphique pour la locomotion de robots quadrupèdes sur terrain accidenté

Une équipe de chercheurs a publié mi-mai 2026 sur arXiv (réf. 2605.09595) un framework d'apprentissage par renforcement basé sur l'équilibrium propagation (EP) pour contrôler la locomotion d'un quadrupède Unitree A1 à 12 degrés de liberté sur terrain accidenté. Plutôt que la rétropropagation classique, ils substituent les gradients globaux par des règles d'apprentissage locales pilotées par les états neuronaux, compatibles avec les substrats neuromorphiques et de calcul en mémoire. Le contrôleur combine un générateur de motif central (CPG) bio-inspiré avec une politique d'ajustement postural résiduel, entraîné via une variante PPO (Proximal Policy Optimization) adaptée à l'EP avec un mécanisme de clipping bilatéral du ratio pour stabiliser les mises à jour lors de la relaxation. Les résultats montrent des performances comparables à une baseline PPO classique en taux de succès, suivi de vitesse, consommation des actionneurs et stabilité corporelle, tout en réduisant la mémoire GPU de 4,3× par rapport à la rétropropagation à travers le temps (BPTT). L'ensemble des expériences reste en simulation, aucun déploiement terrain n'est documenté dans la publication. L'enjeu structurel est clair : les politiques de locomotion RL actuelles sont entraînées hors-ligne en simulation massivement parallèle, puis figées au déploiement. Elles ne s'adaptent pas à l'usure des actionneurs, aux variations de charge utile, ou au drift mécanique sur robot réel, limites critiques pour une industrialisation. En remplaçant la rétropropagation par un apprentissage local compatible avec des puces neuromorphiques (type Intel Loihi), cette approche ouvre la voie à une adaptation continue on-robot à faible consommation, sans dépendance à un GPU externe. Le gain de 4,3× en mémoire est déjà tangible pour les équipes embarquées, même si la validation reste entièrement simulée. Ces travaux s'inscrivent dans l'intense activité autour de la locomotion quadrupède par RL, dominée par l'ETH Zurich sur ANYmal et les robots Unitree. L'équilibrium propagation, formalisé par Scellier et Bengio en 2017, reste peu exploré pour le contrôle continu haute dimension, c'est l'une des premières démonstrations sur un robot à 12 DOF. Les approches concurrentes pour l'adaptation en ligne incluent RMA (Rapid Motor Adaptation, UC Berkeley) et les politiques méta-adaptatives de type MAML. L'étape suivante critique serait de valider sur hardware réel avec une puce neuromorphique embarquée et de mesurer la consommation effective en watts, deux points absents de la publication actuelle.

RecherchePaper

1 source

4arXiv cs.RO

Adaptation Rapide de l'Incarnation pour la Locomotion Quadrupède

Des chercheurs présentent, dans un article publié en août 2026 sur arXiv (2608.01506), un système d'adaptation d'embodiment en ligne pour la locomotion des robots quadrupèdes. La méthode combine une politique généraliste entraînée avec randomisation d'embodiment et un module d'adaptation léger capable d'identifier un changement physique du robot en moins d'une demi-seconde à partir d'un court historique d'interaction. Deux types de variations ont été testés : des contraintes d'amplitude articulaire (dégradation cinématique au niveau des joints) et des changements de masse du tronc (variation dynamique au niveau du corps). En simulation, le module estime précisément ces changements et permet un contrôle en boucle fermée nettement supérieur aux approches qui se contentent de conditionner la politique directement sur l'historique brut d'interaction. Sur un robot réel Unitree Go2, le système conserve une locomotion stable même dans des cas extrêmes, une patte totalement bloquée ou une charge utile de 5 kg, là où les méthodes non adaptatives échouent purement et simplement. L'intérêt pratique tient au problème classique des politiques apprises en robotique : entraînées sur un matériel fixe, elles cassent dès que ses propriétés changent, par usure, dommage ou charge ajoutée. Plutôt que de miser uniquement sur la robustesse passive obtenue par randomisation de domaine, cette approche identifie explicitement les paramètres physiques du robot en temps réel avant d'ajuster le contrôle, une distinction technique importante pour des déploiements industriels où les pattes de robots quadrupèdes subissent usure et charges variables. Les résultats sur des cas extrêmes plutôt que des démonstrations contrôlées renforcent la crédibilité, mais l'évaluation reste limitée à deux types de variation sur une seule plateforme, sans preuve de généralisation à des embodiments plus complexes comme des bras ou des humanoïdes. Le Unitree Go2, plateforme quadrupède low-cost très répandue dans la recherche académique, sert ici de banc d'essai, sans qu'aucun industriel autre que le fournisseur du robot ne soit impliqué. Ce travail s'inscrit dans la lignée des recherches sur l'adaptation rapide en locomotion légère, dans la continuité d'approches antérieures comme la Rapid Motor Adaptation. Les auteurs indiquent vouloir étendre leur méthode à des formes plus larges de dégradation ou d'incertitude matérielle, sans donner de calendrier précis pour de futurs essais.

RecherchePaper

1 source