RechercheInteresting Engineering 1 septembre 2026

Un robot quadrupède apprend seul à sauter dans des espaces étroits

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs de l'université de Hong Kong (HKU) et du Oxford Robotics Institute ont mis au point un système d'apprentissage par renforcement hiérarchique baptisé ConsJump, qui permet à un robot quadrupède de franchir des ouvertures étroites en sautant, sans séquence de saut préprogrammée. La démonstration a été réalisée sur un Unitree Aliengo de 22 kilogrammes, capable de traverser de façon autonome des portiques de taille comparable à son propre gabarit. Le système repose sur deux niveaux de contrôle : un contrôleur bas niveau, entraîné par apprentissage par imitation à reproduire des allures animales (trot, canter, saut, virage) via cinématique inverse, et un contrôleur haut niveau qui décide en temps réel quand et comment transitionner entre ces mouvements, en générant des commandes de vitesse et de rotation plutôt qu'en pilotant directement chaque articulation. Le robot perçoit son environnement grâce à une caméra RGB-D Intel D435i embarquée, qui détecte l'ouverture rectangulaire, calcule son centre et estime sa géométrie pour ajuster l'approche. Lors des essais, le robot a accéléré jusqu'à 2,5 mètres par seconde avant de décélérer brutalement pour préparer l'atterrissage, avec une phase aérienne d'environ 0,44 seconde. L'entraînement du contrôleur bas niveau s'est fait en simulation avec 5 480 agents en parallèle, puis a été transféré au robot physique en faisant varier la force des moteurs, la latence, les décalages et la masse ajoutée pour réduire l'écart simulation-réel.

Cette démonstration illustre une approche différente des méthodes de contrôle conventionnelles pour la locomotion agile des quadrupèdes, où les manœuvres complexes comme le saut à travers un espace confiné restent difficiles à obtenir avec des contrôleurs classiques. Pour les intégrateurs et chercheurs en robotique mobile, l'intérêt principal réside dans la séparation entre une bibliothèque de mouvements appris et une couche décisionnelle capable de combiner ces mouvements de façon continue en fonction de la perception, plutôt que de basculer entre trajectoires figées. Cela pourrait, à terme, améliorer la capacité des robots à quatre pattes à opérer dans des environnements non structurés, comme des sites industriels ou des zones sinistrées comportant des passages étroits, sans dépendre d'un balisage ou d'une cartographie préalable. Il reste toutefois à établir dans quelle mesure les performances démontrées en conditions de test se généralisent hors des configurations de portiques utilisées durant l'expérimentation, un point que l'article source ne détaille pas.

Le projet s'inscrit dans un courant de recherche plus large sur l'apprentissage par renforcement appliqué à la locomotion des robots à pattes, où plusieurs laboratoires cherchent à dépasser les limites du contrôle basé sur des modèles physiques explicites pour des tâches très dynamiques. L'utilisation du robot Unitree Aliengo, plateforme de recherche largement répandue dans les laboratoires académiques, situe ces travaux dans la continuité d'expérimentations déjà menées sur d'autres plateformes similaires pour des tâches comme la course, l'escalade ou le franchissement d'obstacles. L'article ne précise pas de calendrier de transfert vers des applications industrielles ni de partenariat commercial associé, ce qui indique qu'il s'agit à ce stade d'une démonstration de recherche plutôt que d'un produit destiné au déploiement.

Dans nos dossiers

Unitree

À lire aussi

1arXiv cs.RO

SmoothTurn : apprendre à tourner en douceur pour une navigation agile avec des robots quadrupèdes

Traduction et résumé de l'article ci-dessous. L'équipe de recherche à l'origine de SmoothTurn s'attaque à un angle mort des politiques de navigation locale pour robots quadrupèdes : la capacité à enchaîner des virages fluides tout en courant à haute vitesse. Les approches existantes entraînent typiquement une politique à atteindre un seul objectif à la fois, en récompensant le robot pour rester immobile une fois la cible atteinte. Résultat, lorsqu'on enchaîne plusieurs objectifs nécessitant des changements de direction, le robot ne peut ni anticiper la manœuvre suivante ni conserver son élan lors du passage d'un objectif à l'autre, ce qui brise sa dynamique de course. SmoothTurn reformule le problème comme une tâche de navigation locale séquentielle et introduit trois éléments techniques : une récompense conçue pour l'atteinte séquentielle d'objectifs, un espace d'observation élargi incluant une fenêtre d'anticipation ("lookahead") sur les objectifs futurs, et un curriculum d'apprentissage automatique qui augmente progressivement la difficulté des séquences d'objectifs en fonction des performances du robot. La politique entraînée a été déployée directement sur des robots quadrupèdes réels, avec capteurs et calcul embarqués, sans étape d'adaptation supplémentaire. Cette avancée cible un écart concret entre démonstration et réalité opérationnelle pour les cas d'usage à forte valeur comme l'intervention en incendie ou l'inspection industrielle, où la vitesse ET la manœuvrabilité comptent autant l'une que l'autre. Une politique qui sait maintenir son élan en pivotant, au lieu de ralentir puis réaccélérer à chaque changement de cap, se rapproche davantage de ce qu'exige un déploiement terrain réel plutôt qu'un simple parcours de démonstration en ligne droite. Pour les intégrateurs et décideurs qui évaluent des plateformes quadrupèdes pour des missions agiles, ce type de résultat conforte l'idée que l'apprentissage par renforcement peut produire des comportements moteurs sophistiqués et transférables du simulateur au monde réel (sim-to-real), sans nécessiter de re-conception matérielle. Les auteurs rapportent des résultats empiriques en simulation et sur robot réel montrant des comportements émergents non explicitement programmés : contrôle de l'élan lors du changement d'objectif, orientation anticipée vers la prochaine cible, et planification de trajectoires efficaces. SmoothTurn s'inscrit dans la lignée des travaux antérieurs sur la navigation locale conditionnée par un objectif unique, qu'il étend au cas séquentiel. Le papier, initialement soumis sous l'identifiant arXiv:2603.12842 puis republié en version corrigée, ne précise pas quel modèle de robot quadrupède a servi aux essais réels ni le nom du laboratoire ou de l'université porteurs du projet. Ce travail se positionne dans un champ de recherche actif sur la locomotion agile par apprentissage, aux côtés d'efforts similaires chez des acteurs académiques et industriels travaillant sur des quadrupèdes comme ceux de Boston Dynamics ou Unitree. Les prochaines étapes attendues porteraient sur l'extension à des terrains plus complexes ou irréguliers et sur des tests d'endurance en conditions réelles prolongées, non détaillés dans le résumé disponible.

RecherchePaper

1 source

2arXiv cs.RO

Apprentissage de transitions de compétences hautement dynamiques pour le saut de quadrupèdes en espace contraint

Un pipeline d'apprentissage par renforcement hiérarchique, décrit dans un article publié sur arXiv (référence 2608.19977), permet à un robot quadrupède de franchir dynamiquement un espace contraint, en l'occurrence une porte étroite, en reproduisant les mouvements explosifs observés chez les animaux à quatre pattes. Le système combine deux niveaux : une politique bas niveau, entraînée par apprentissage par imitation à partir de comportements animaux réels, qui constitue un répertoire varié de compétences motrices, et un contrôleur haut niveau qui détecte l'ouverture par vision et sélectionne la manœuvre ainsi que la trajectoire sans collision adaptées pour la traverser en mouvement dynamique. Les auteurs indiquent avoir aussi vérifié que ce cadre se généralise à d'autres tâches hautement dynamiques au-delà du franchissement de porte. L'enjeu dépasse la simple démonstration acrobatique. Les quadrupèdes commerciaux savent aujourd'hui marcher, courir ou monter des escaliers, mais peinent encore à associer perception en temps réel et locomotion agile pour franchir des ouvertures étroites ou des obstacles dynamiques, une capacité pourtant utile pour des interventions en usines, sites sinistrés ou chantiers encombrés. En couplant une bibliothèque de compétences apprises par imitation à un planificateur piloté par la vision, les auteurs proposent une alternative à la trajectoire programmée à la main pour un obstacle unique, une piste vers une composition de compétences plus généralisable. Il s'agit néanmoins d'un travail de recherche fraîchement publié, sans partenaire industriel ni plateforme commerciale citée : la validation reste celle d'un prototype de laboratoire. Ce travail s'inscrit dans un courant de recherche actif sur l'agilité dynamique des robots à pattes, porté ces dernières années par des laboratoires comme l'ETH Zurich et le MIT ou par des fabricants comme Unitree et Boston Dynamics, déjà connus pour leurs démonstrations de sauts et de déplacements sur terrains accidentés. La spécificité revendiquée ici est de cibler le franchissement aérien et autonome d'une ouverture précise, présenté par les auteurs comme l'une des premières démonstrations de ce type sur un robot marchant au sol. L'article ne précise ni prochaine étape de validation ni calendrier vers une plateforme commerciale : il s'agit pour l'instant d'une preuve de concept destinée à la communauté de recherche en robotique.

RecherchePaper

1 source

3arXiv cs.RO

Robot Squid Game : locomotion quadrupède pour traverser des tunnels étroits

Des chercheurs publient sur arXiv (réf. 2605.13665, mai 2026) un framework d'apprentissage par renforcement (RL) permettant à des robots quadrupèdes de traverser de manière autonome des environnements 3D confinés : tunnels, grottes et structures effondrées, avec des applications ciblées en recherche et sauvetage et en inspection d'infrastructures. La méthode repose sur deux mécanismes complémentaires : une génération procédurale de géométries de tunnels pendant l'entraînement, qui expose le robot à une grande diversité de configurations spatiales, et un paradigme enseignant-étudiant (teacher-student) de distillation de politiques. Des politiques expertes spécialisées sur des géométries spécifiques transfèrent leur connaissance à une politique étudiante unifiée, évitant ainsi le reward shaping complexe habituellement requis dans l'entraînement end-to-end. Les résultats sont validés à la fois en simulation et en expériences physiques réelles sur robot quadrupède. L'enjeu est concret : les approches classiques de locomotion quadrupède échouent régulièrement face à des espaces confinés non structurés, en raison d'allures (gaits) rigides et d'hypothèses environnementales trop simplistes. En décomposant une tâche complexe en sous-tâches apprenables indépendamment, le framework réduit la difficulté d'optimisation et améliore la généralisabilité, un résultat que les approches monolithiques end-to-end peinent à atteindre sur des géométries variées. Pour un intégrateur en sécurité civile ou en inspection de réseaux souterrains, ce type de robustesse comportementale dans des tunnels aux contraintes spatiales variables est un pas mesurable vers des déploiements autonomes réels, au-delà des démonstrations sur terrains balisés. La locomotion quadrupède en milieu confiné a été un axe central du DARPA Subterranean Challenge (2018-2021), compétition qui a exposé les limites des approches heuristiques dans des souterrains non cartographiés, avec des équipes impliquant Boston Dynamics, CMU et ANYbotics. Le paradigme teacher-student appliqué à la locomotion RL s'inscrit dans une tendance active initiée notamment par les travaux d'ETH Zurich sur ANYmal et les recherches de DeepMind sur les locomoteurs polyvalents. Ce travail reste une preprint arXiv non encore évaluée par les pairs, sans partenaire industriel annoncé ni calendrier de déploiement mentionné : les résultats présentés sont encourageants mais restent à confirmer sur des plateformes plus variées et des scénarios de terrain réels.

RecherchePaper

1 source

4arXiv cs.RO

StairMaster : apprendre à franchir des escaliers ajourés périlleux pour robots quadrupèdes agiles

Des chercheurs ont publié sur arXiv (2606.25765) un système baptisé StairMaster, un cadre d'apprentissage par renforcement en trois étapes permettant à un robot quadrupède Unitree Go2 de gravir des escaliers creux avec une inclinaison jusqu'à 55 degrés en transfert zéro-shot depuis la simulation. L'architecture combine un mécanisme d'attention croisée (Cross-Attention) pour extraire des structures depuis des données de profondeur bruitées, une unité récurrente spatiale (SRU) maintenant une mémoire spatio-temporelle pour compenser les zones aveugles de perception, et un pipeline de modélisation haute-fidélité du capteur de profondeur en simulation répliquant les artefacts réels. Des récompenses de perception active guidées par waypoints 3D et des pénalités cinématiques sur les barreaux creux et les arêtes de marches assurent un placement précis des appuis. Ce résultat s'attaque à l'un des problèmes les plus difficiles de la locomotion quadrupède en milieu industriel : les escaliers à barreaux creux exposent les pattes au risque de coincement, génèrent une densité de points de profondeur très faible et un bruit haute fréquence difficile à filtrer. Que le système tienne à 55 degrés sans ré-entraînement sur le robot réel valide deux hypothèses que le secteur testait depuis plusieurs années : la modélisation fidèle des artefacts capteurs peut combler le sim-to-real gap sur la perception de profondeur, et des politiques RL peuvent généraliser à des terrains extrêmes en zéro-shot. Pour les intégrateurs déployant des robots sur des infrastructures multi-niveaux, passerelles métalliques ou escaliers de secours, ce type de politique ouvre des scénarios jusqu'ici inaccessibles. Le Unitree Go2 est devenu un banc d'essai académique de référence pour la locomotion RL, aux côtés de l'ANYmal d'ANYbotics et du Spot de Boston Dynamics. Des équipes d'ETH Zurich (RSL), CMU et UC Berkeley ont publié des politiques sur terrains difficiles, mais aucune ne revendiquait jusqu'ici le franchissement d'escaliers creux à cette inclinaison en zéro-shot. Les auteurs ne citent aucun partenariat industriel ni timeline de déploiement commercial : il s'agit à ce stade d'un résultat de laboratoire avec démonstration vidéo, dont la robustesse en conditions réelles à plus grande échelle reste à valider.

RecherchePaper

1 source