Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Robots à tenségrité continuum : des morphologies adaptables aux tâches pour des comportements coopératifs
RecherchearXiv cs.RO 

Robots à tenségrité continuum : des morphologies adaptables aux tâches pour des comportements coopératifs

1 source couvre ce sujet·Source originale ↗·
Résumé IASource uniqueImpact UE

Une prépublication arXiv (2608.27221v1, fin août 2026) présente un nouveau robot modulaire reconfigurable combinant un corps compliant à base de tenségrité et des mécanismes de connexion par griffes. Chaque unité manipule des objets et se déplace de façon autonome ; plusieurs unités peuvent s'assembler et se reconfigurer en chaînes, boucles ou structures ramifiées pour coopérer sur des tâches de manipulation et de locomotion. Les auteurs démontrent ces capacités en conditions réelles : transport et manipulation coordonnés d'objets, locomotion multimodale, et loco-manipulation combinant déplacement et prise. L'abstract ne fournit aucun chiffre sur les degrés de liberté, la charge utile ou le nombre d'unités testées simultanément.

L'intérêt tient à la combinaison de deux familles de robots jusque-là disjointes : les robots modulaires reconfigurables, capables de s'assembler mais généralement rigides et peu tolérants aux chocs, et les robots à structure continue, souples grâce à leur colonne flexible mais incapables de se reconfigurer en configurations multi-robots. En unifiant compliance structurelle et reconfiguration collective, l'approche ouvre une piste pour des collectifs robotiques polyvalents changeant de forme selon la tâche, un sujet suivi par les intégrateurs en logistique non structurée, exploration spatiale ou intervention en zone sinistrée. Il s'agit d'une démonstration de recherche en laboratoire, pas d'un produit commercialisé : fabrication, espace et sauvetage restent des applications potentielles, non des déploiements validés.

Le travail s'inscrit dans la lignée des robots à tenségrité, structures rigides maintenues en tension par câbles ou ressorts, légères et résistantes aux impacts mais historiquement difficiles à contrôler finement pour la manipulation. Il se positionne face aux robots modulaires rigides existants, dont la reconfiguration est bien maîtrisée mais la compliance limitée, et face aux robots continus classiques, compliants mais figés dans une seule configuration. En combinant les deux via des connexions par griffes, les auteurs posent, selon leurs termes, les bases de collectifs robotiques adaptables. La prépublication ne mentionne ni partenaire industriel, ni calendrier de transfert, ni essai pilote programmé.

Dans nos dossiers

arXiv cs.RO

À lire aussi

Apprentissage par renforcement sur graphe adapté à la morphologie pour la locomotion de robots tenségrité
1arXiv cs.RO 

Apprentissage par renforcement sur graphe adapté à la morphologie pour la locomotion de robots tenségrité

Des chercheurs ont publié sur arXiv (référence 2510.26067, version 2, octobre 2025) un framework d'apprentissage par renforcement intégrant un réseau de neurones à graphes (GNN) dans l'algorithme Soft Actor-Critic (SAC) pour contrôler la locomotion de robots tenségrité. Le système représente la topologie physique du robot sous forme de graphe, où chaque nœud correspond à un composant structurel (tige rigide ou câble élastique) et chaque arête encode les couplages mécaniques. Validé sur un robot tenségrité à 3 barres, le framework maîtrise trois primitives de déplacement : suivi de trajectoire en ligne droite et virage bidirectionnel. Aucun réglage supplémentaire n'a été nécessaire pour le passage simulation-vers-matériel, et les politiques apprises s'exécutent directement sur le robot physique avec une locomotion stable. Le résultat le plus significatif pour les intégrateurs et concepteurs de robots est le transfert sim-to-real sans fine-tuning : c'est précisément le point d'échec habituel des méthodes RL appliquées aux structures à dynamique fortement couplée. Les robots tenségrité combinent tiges rigides et câbles élastiques en tension permanente, ce qui rend leur dynamique sous-actionnée et difficile à modéliser fidèlement, un écart classique entre simulation et réalité. Le fait que le GNN encode explicitement les contraintes topologiques du robot explique en partie cette robustesse : la politique apprend la physique structurelle, pas seulement une carte entrée-sortie. Les résultats montrent également une meilleure efficacité d'échantillonnage et une tolérance accrue aux variations de bruit et de raideur des câbles, deux paramètres qui fluctuent inévitablement sur matériel réel. Les robots tenségrité ont émergé comme plateforme de recherche sérieuse notamment via les travaux de la NASA (robot SUPERball) et des universités comme UC Berkeley, en raison de leur légèreté et de leur résilience aux chocs, des atouts pour l'exploration spatiale ou la recherche et le sauvetage. Jusqu'ici, leur contrôle reposait essentiellement sur des politiques MLP standard ou des méthodes de contrôle classique, peu adaptées à la complexité des couplages internes. Ce travail s'inscrit dans une tendance plus large d'architectures GNN pour robots morphologiquement complexes, en compétition avec des approches comme les transformers de morphologie ou le contrôle basé modèle avec apprentissage des paramètres. Les prochaines étapes naturelles incluent l'extension à des structures plus complexes (6 barres, tenségrités sphériques) et des environnements non structurés, domaines où aucun déploiement industriel n'est encore annoncé à ce stade.

RecherchePaper
1 source
Adaptation continue sans récompense pour des robots spatiaux résilients
2arXiv cs.RO 

Adaptation continue sans récompense pour des robots spatiaux résilients

Un preprint diffusé sur arXiv fin août 2026 (arXiv:2608.23452v1) présente un cadre d'apprentissage par renforcement continu sans signal de récompense, destiné aux robots spatiaux victimes d'une dégradation matérielle sévère, un contexte où le calcul précis de récompense est impossible faute de systèmes de suivi externes comme le GPS. La méthode pré-entraîne sur des simulations variées un agent doté d'un modèle du monde à état latent qui apprend un prédicteur robuste de récompense, puis, une fois déployé sur un système endommagé, ne réajuste que la dynamique de transition de ce modèle via des trajectoires non supervisées, la politique étant réentraînée uniquement sur des trajectoires imaginées. L'approche est testée en simulation sur trois tâches, traversée planétaire, navigation orbitale et assemblage de précision, sous pannes morphologiques sévères. L'apport principal tient au découplage entre adaptation et supervision externe: la plupart des méthodes d'apprentissage continu embarqué restent bloquées dès qu'il n'existe pas de vérité terrain en environnement extrême, que ce soit dans l'espace profond, en fond marin ou sur un site nucléaire. Si la méthode se confirme hors simulation, elle ouvrirait la voie à des robots capables de retrouver une capacité opérationnelle après un choc matériel sans intervention au sol, un enjeu direct pour les rovers planétaires, les satellites de service en orbite ou les bras d'assemblage orbitaux. Les résultats publiés restent toutefois purement simulés, sans validation sur matériel réel ni en environnement spatial, ce qui limite la démonstration à une preuve de concept algorithmique. Ce travail s'inscrit dans la lignée des modèles du monde à état latent, popularisés par la famille Dreamer, devenus un outil courant de l'apprentissage par renforcement basé modèle en robotique pour entraîner des politiques sur des trajectoires imaginées plutôt que sur des interactions réelles coûteuses. La robotique spatiale attire un nombre croissant d'acteurs publics et privés, de la NASA-JPL à l'ESA en passant par des sociétés de service en orbite comme Astroscale ou Intuitive Machines, tous confrontés au même verrou: maintenir et adapter des systèmes hors de portée d'une intervention humaine directe. Le résumé du preprint ne précise ni laboratoire ni affiliation industrielle; la suite logique resterait une validation sur banc d'essai robotique, puis une démonstration en environnement analogue spatial avant tout transfert vers une mission opérationnelle.

UEL'ESA est confrontee au même verrou technique que les acteurs cites mais n'est pas associée a ces travaux de recherche non affilies.

RecherchePaper
1 source
Un système rapide, résilient et adaptable pour les comportements de loco-manipulation des robots humanoïdes
3arXiv cs.RO 

Un système rapide, résilient et adaptable pour les comportements de loco-manipulation des robots humanoïdes

Une équipe de recherche a publié le 2 septembre 2026 sur arXiv (2609.01518) un système d'architecture comportementale pour la loco-manipulation sur robots humanoïdes, conçu pour tourner localement et être modifié en temps réel pendant l'exécution. L'architecture combine des Affordance Templates centrées objets, une structure en arbre organisant la logique des tâches, et une scène de perception éditable au runtime, exécutée par un contrôleur corps entier combinant marche et mouvements du buste, avec une interface opérateur synchronisée en continu pour superviser et corriger à la volée. Testé sur un Unitree H1-2 et un second robot nommé Alex sur six variantes de tâches, le système franchit une porte à pousser en 34 secondes et trie six balles par couleur en 45 secondes sous perturbation humaine directe. Des sessions d'autorat chronométrées montrent la création ou l'adaptation d'un comportement de loco-manipulation en quelques heures. Ce résultat nuance un discours dominant dans la robotique humanoïde, où la performance repose de plus en plus sur des modèles vision-langage-action entraînés de bout en bout, à la manière de Pi-0, GR00T N2 ou Helix. Les auteurs affirment que leur approche, explicitement programmée plutôt qu'apprise, reste compétitive face à ces systèmes récents, tout en offrant un avantage opérationnel : créer ou corriger un comportement en heures plutôt qu'en semaines de collecte de données. Pour les intégrateurs et décideurs industriels, cela ouvre une voie alternative moins dépendante de gigantesques jeux de démonstrations, potentiellement plus rapide à auditer sur site, même si les chiffres de cycle avancés restent issus de démonstrations contrôlées. Le travail s'inscrit dans la course à l'autonomie des humanoïdes pour des tâches physiquement pénibles, dangereuses ou répétitives, un terrain disputé par Figure AI avec Figure 03, Tesla avec Optimus Gen 3 ou NVIDIA avec GR00T, majoritairement pariés sur l'apprentissage à grande échelle. En misant sur une architecture éditable localement et supervisée par un opérateur, les auteurs positionnent leur système comme complémentaire, voire alternatif, à ces approches pilotées par les données. Aucun acteur français ou européen n'est cité, et cette publication reste à ce stade une contribution de recherche sur arXiv plutôt qu'un produit commercialisé, sans calendrier annoncé de pilotes au-delà des six tâches démontrées.

RecherchePaper
1 source
Gradients de valeur pour la conception de robots à morphologies multiples
4arXiv cs.RO 

Gradients de valeur pour la conception de robots à morphologies multiples

Des chercheurs ont publié le 2 juin 2026 sur arXiv (référence 2606.00702) une méthode visant à accélérer la conception de robots via ce qu'ils nomment les "value gradients". Le principe consiste à entraîner une unique fonction de valeur issue du reinforcement learning sur un ensemble varié de morphologies robotiques, puis à utiliser cette fonction, une fois gelée, comme proxy différentiable pour optimiser de nouveaux designs sans relancer de cycle d'apprentissage complet. Les expériences portent sur des modèles entraînés sur jusqu'à 50 robots distincts, couvrant des espaces de conception de plus de 1 100 paramètres continus d'embodiment: longueurs de membres, configurations articulaires, propriétés mécaniques. La méthode a été évaluée sur des variantes perturbées d'un même robot mais aussi sur des morphologies entièrement nouvelles appartenant à des classes non vues à l'entraînement, testant ainsi sa capacité de généralisation. Le problème que ce travail adresse est central en co-conception robotique: optimiser conjointement la morphologie d'un robot et son contrôleur nécessite traditionnellement de relancer un cycle complet de reinforcement learning pour chaque design candidat, une opération computationnellement prohibitive qui freine l'exploration de l'espace de conception. En gelant la fonction de valeur après un premier entraînement généralisé, les auteurs la transforment en oracle différentiable, permettant d'optimiser directement les paramètres physiques via descente de gradient, sans resimulation coûteuse. Au-delà de l'optimisation, l'analyse des gradients permet d'identifier quels paramètres de design ou de contrôle limitent les performances, une capacité analytique précieuse pour les ingénieurs souhaitant localiser des goulots d'étranglement avant d'engager des cycles de prototypage physique coûteux. La co-conception robotique est un domaine actif depuis plusieurs années, avec des approches concurrentes allant des algorithmes évolutionnaires aux méthodes de simulation physique différentiable explorées notamment par MIT CSAIL, ETH Zurich ou Google DeepMind. La particularité de cette contribution est de ne pas exiger de simulateur différentiable lors de l'optimisation: seule la fonction de valeur préentraînée suffit, la rendant potentiellement compatible avec des pipelines de simulation standard non différentiables. Les suites naturelles concernent l'extension à des espaces de conception encore plus larges, des tâches multi-objectifs et des morphologies plus complexes comme les manipulateurs industriels ou les humanoïdes. Il s'agit à ce stade d'une contribution purement académique, sans partenariat industriel ni déploiement annoncé.

RecherchePaper
1 source