Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
RecherchearXiv cs.RO 

Stratégies de téléopération corporelle pour robots : objectifs et contraintes variés

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

Des chercheurs ont publié en septembre 2026 sur arXiv (référence 2609.12384) une étude sur la téléopération corps entier de robots mobiles manipulateurs, testée sur TIAGo, la plateforme du fabricant espagnol PAL Robotics. L'équipe a conçu un cadre de contrôle hybride combinant commande libre et commande contrainte, permettant de coordonner simultanément perception active, manipulation bimanuelle et navigation lors du pilotage à distance du robot. Une étude utilisateur a ensuite été menée pour observer comment des opérateurs adaptent leurs stratégies de contrôle selon des contraintes de tâche variables, comme un temps d'exécution limité ou une faible tolérance aux erreurs. Les résultats montrent qu'un contrôle coordonné améliore l'efficacité d'exécution des tâches et réduit le risque d'atteindre les butées articulaires individuelles, par rapport à une commande purement libre.

Pour les intégrateurs et chercheurs en robotique, ces résultats éclairent un enjeu souvent minimisé dans la course actuelle à la téléopération, utilisée aussi bien pour le pilotage direct que pour la collecte de démonstrations destinées à l'entraînement de modèles vision-langage-action, à l'image de ceux qui animent des systèmes comme Figure 03, Optimus ou GR00T N2. L'étude suggère que la qualité de l'interface de contrôle, et pas seulement le volume de données collectées, conditionne l'efficacité et la sécurité des gestes capturés: un opérateur mal assisté multiplie les mouvements proches des limites mécaniques, ce qui dégrade potentiellement la qualité des trajectoires enregistrées. Le travail rappelle que la téléopération corps entier reste un problème d'interface homme-machine non résolu, loin des démonstrations parfois idéalisées des fabricants.

TIAGo, plateforme roulante à un ou deux bras développée par PAL Robotics, est couramment utilisée en recherche académique de robotique de service, à la différence des humanoïdes bipèdes comme Optimus de Tesla ou Figure 03, dont la téléopération sert surtout à collecter des données pour des modèles de fondation robotique. Publiée comme prépublication arXiv, sans validation par les pairs à ce stade, l'étude ne décrit ni déploiement industriel ni produit commercialisé: elle ouvre la voie à des travaux futurs sur la conception d'interfaces de téléopération corps entier, potentiellement transposables à d'autres plateformes mobiles ou humanoïdes.

Impact France/UE

L'étude repose sur TIAGo, plateforme du fabricant espagnol PAL Robotics, référence académique en robotique de service en Europe.

Dans nos dossiers

FigureIA physique & VLANVIDIA GR00TarXiv cs.RO

À lire aussi

GUIDER : évaluation de l'inférence d'intention humaine sans objectif pour la téléopération sur données réelles de robots
1arXiv cs.RO 

GUIDER : évaluation de l'inférence d'intention humaine sans objectif pour la téléopération sur données réelles de robots

Des chercheurs présentent une évaluation du cadre GUIDER, pour Global User Intent Dual-phase Estimation for Robots, un système probabiliste dit "goal-free" conçu pour inférer l'intention humaine pendant une manipulation robotique téléopérée, c'est-à-dire sans connaître à l'avance l'objet cible visé par l'opérateur. Le système a été testé sur des données réelles enregistrées par un bras robotique, dans trois scénarios d'assistance: préparer du thé et aller chercher un médicament. Pour rendre l'estimation exploitable en conditions réelles, les auteurs ont ajouté une mise à jour probabiliste en ligne, des limites d'espace de travail, un filtrage par plan de support et un mode de préhension qui priorise les zones de prise physiquement faisables. Sur 20 étapes de manipulation réparties dans les trois scénarios, GUIDER a identifié l'intention correcte parmi l'ensemble des candidats de préhension dans 100% des cas, avec un temps moyen de 3,7 secondes avant d'atteindre une prédiction fiable, alors qu'il restait en moyenne 49,6 secondes avant la première prise effective. La stabilité des prédictions atteint 96,4%, pour un temps de calcul de 4,857 secondes (moyenne) et 4,474 secondes (médiane) par phase perceptuelle. Pour les concepteurs de robots collaboratifs et de systèmes d'assistance, notamment dans le soin à la personne ou la téléopération partagée, ce travail répond à une limite connue des interfaces d'intention: la plupart exigent un objectif prédéfini, ce qui les rend rigides face à des environnements domestiques non structurés. Un système fonctionnant sans objectif fixé à l'avance, avec une marge de près de 46 secondes entre la prédiction fiable et l'action physique, laisse en théorie le temps à un opérateur humain d'intervenir ou de corriger. Il faut toutefois noter que les temps de calcul par phase, proches de 4,5 à 4,9 secondes, restent loin du temps réel et que les tests ont été menés hors ligne sur des données déjà enregistrées, en reproduisant leurs conditions temporelles d'origine, et non lors d'un déploiement en direct avec un utilisateur dans la boucle. Ce travail s'inscrit dans le champ de la téléopération à autonomie partagée, où l'estimation d'intention sert à assister ou corriger les gestes d'un opérateur distant. En évaluant GUIDER sur des données de bras robotique réel plutôt qu'en simulation, les auteurs cherchent à valider la robustesse du cadre face à des scènes concrètes de manipulation domestique. Les suites naturelles évoquées par ce type d'évaluation sont un déploiement en boucle fermée avec un opérateur humain réel et une extension à d'autres plateformes robotiques et scénarios d'assistance.

RecherchePaper
1 source
Estimation de pose 6D temporellement cohérente des objets pour le contrôle robotique
2arXiv cs.RO 

Estimation de pose 6D temporellement cohérente des objets pour le contrôle robotique

Des chercheurs publient sur arXiv (2605.02708v1) une méthode d'estimation de pose 6D d'objets temporellement cohérente pour la commande de robots manipulateurs. L'approche repose sur un graphe de facteurs qui filtre et lisse en ligne les estimations produites par des estimateurs RGB monoculaires standard, sans recours à un capteur de profondeur. Le système combine trois composantes : un modèle de mouvement de l'objet, une estimation explicite de l'incertitude de mesure de pose, et un optimiseur en ligne intégrant les deux. Les auteurs rapportent une amélioration significative sur des benchmarks standardisés d'estimation de pose avec rejet des valeurs aberrantes, sans toutefois chiffrer précisément les gains. La validation expérimentale porte sur une tâche de suivi d'objet par une caméra embarquée sur un manipulateur à commande en couple (torque-controlled). L'estimation de pose 6D (trois degrés de translation, trois de rotation) est un prérequis pour toute manipulation robotique précise : saisie, assemblage, tri industriel. Les estimateurs RGB monoculaires récents atteignent des performances compétitives sur benchmarks, mais présentent des discontinuités temporelles, des sauts brusques d'une image à l'autre, incompatibles avec la stabilité d'une boucle de contrôle en temps réel. Ce travail s'attaque précisément à ce fossé entre performance sur benchmark et déploiement réel : non pas améliorer la précision frame par frame, mais garantir la cohérence temporelle nécessaire à un retour visuel stable. Pour un intégrateur de cellules robotisées, cela réduit la dépendance aux capteurs ToF ou RGBD, plus coûteux et plus sensibles aux conditions d'éclairage industriel. Les graphes de facteurs sont un outil classique du SLAM robotique (localisation et cartographie simultanées), utilisés depuis longtemps dans les estimateurs de navigation, mais leur application à l'estimation de pose d'objet reste moins répandue. Le champ concurrentiel inclut des approches par filtre de Kalman étendu, des méthodes de lissage sur SE(3), ainsi que des systèmes temps réel comme FoundationPose de NVIDIA ou HappyPose, solution open-source portée par des acteurs européens. L'article est pour l'heure un preprint sans validation industrielle publiée ni annonce de déploiement. Les étapes logiques suivantes incluent une comparaison directe avec les méthodes filtrées existantes sur des jeux de données de référence comme YCB-Video ou LINEMOD, et une extension aux scènes multi-objets.

UELa méthode se positionne en concurrent direct de HappyPose, solution open-source portée par des acteurs européens, sans impact opérationnel identifiable à ce stade de preprint non validé industriellement.

RecherchePaper
1 source
Projection-rétraction MPPI : contrôle exact sur variété de contraintes pour manipulateurs
3arXiv cs.RO 

Projection-rétraction MPPI : contrôle exact sur variété de contraintes pour manipulateurs

Des chercheurs du RCI Lab publient sur arXiv (référence 2608.07573v1) une nouvelle méthode de commande pour bras manipulateurs baptisée Projection-Retraction MPPI (PR-MPPI). Le système a été validé sur des plateformes bimanuelles à 14 degrés de liberté (DOF) : en simulation, via un test de stress sur les limites articulaires et un test d'évitement d'obstacles randomisé, puis sur matériel réel avec un humanoïde Unitree H1-2 dont les deux bras évitent de façon réactive un obstacle mobile. Le code source et les vidéos d'expérience sont publiés sur rcilab.github.io/prmppi. Il s'agit d'une publication de recherche académique, sans annonce de produit commercial ni de déploiement industriel. Le Model Predictive Path Integral (MPPI) est une technique de commande prédictive très utilisée en manipulation robotique car elle gère des coûts non convexes sans calcul de gradient, en échantillonnant en parallèle de nombreuses trajectoires candidates, une approche qui tire parti du calcul GPU massivement parallèle. Sa limite connue est que les contraintes strictes, comme une chaîne cinématique fermée que deux bras doivent maintenir exactement pour porter ensemble un objet rigide, ou les limites articulaires et distances de sécurité aux obstacles, ne sont traitées que comme des pénalités douces dans le coût, susceptibles d'être violées dès que le coût de tâche devient dominant. PR-MPPI corrige ce point en projetant, à chaque étape de simulation, la vitesse échantillonnée sur le sous-espace de la contrainte d'égalité puis sur le demi-espace de chaque contrainte d'inégalité, avant de ramener la commande finale sur la contrainte à une tolérance numérique près, indépendamment du poids attribué à la tâche. Pour la manipulation bimanuelle et les humanoïdes évoluant près d'humains ou d'obstacles mobiles, cette garantie de respect exact, et non plus seulement approximatif, des contraintes de sécurité répond à une faiblesse pratique connue des architectures de commande par échantillonnage. Le MPPI est hérité des méthodes de commande prédictive par échantillonnage développées initialement pour les véhicules autonomes, avant d'être largement repris ces dernières années dans la commande corps-complet des bras manipulateurs et des humanoïdes, portée par les gains de calcul parallèle sur GPU. L'article positionne PR-MPPI comme une réponse directe à la principale faiblesse de cette famille de méthodes, la gestion uniquement molle des contraintes strictes, un problème qui concerne potentiellement des architectures de commande similaires chez d'autres constructeurs d'humanoïdes et de bras bimanuels, alors même que le H1-2 d'Unitree a servi ici de plateforme de test réel. Aucun partenariat industriel, pilote commercial ni calendrier de déploiement n'est mentionné : la publication reste, à ce stade, une validation académique en simulation et sur un seul robot en laboratoire, code et vidéos mis à disposition de la communauté recherche.

RecherchePaper
1 source
CART : adaptation au terrain sensible au contexte par sélection de séquences temporelles pour robots à pattes
4arXiv cs.RO 

CART : adaptation au terrain sensible au contexte par sélection de séquences temporelles pour robots à pattes

Une équipe de chercheurs a publié CART (Context-Aware Terrain Adaptation), un contrôleur de locomotion conçu pour permettre aux robots à pattes de naviguer sur des terrains complexes non structurés. Le système fusionne deux sources d'information embarquées: la proprioception (couples articulaires, accélérations du torse, contacts au sol) et l'extéroception (vision par caméra), via une architecture de sélection de séquences temporelles. Les expériences ont été réalisées sur trois plateformes: le Unitree Go2 et l'ANYmal-C d'ANYbotics en simulation sous NVIDIA IsaacSim, et un Boston Dynamics SPOT pour les essais en conditions réelles. Les gains mesurés sont significatifs: +5 % de taux de traversée réussi par rapport aux méthodes de référence, -41 % d'oscillation de la base du robot en simulation, et -22 % en conditions réelles, sans dégradation du temps de mission. Le problème central que CART adresse est ce que les auteurs nomment le "Visual-Texture Paradox": ce que le capteur visuel détecte peut différer radicalement de ce que le robot ressent lors du contact physique (béton recouvert de sable, herbe sur substrat rocheux, revêtements peints imitant une autre texture). La majorité des systèmes d'adaptation de terrain actuels ne modélisent pas explicitement cette discordance, ce qui se traduit par des chutes ou des récupérations erratiques sur terrains difficiles. En liant l'historique des interactions proprioceptives récentes à l'apparence extéroceptive courante, CART construit une représentation contextuelle du terrain plus fiable que la vision seule. C'est une propriété directement utile pour des déploiements en extérieur: inspection d'infrastructure, logistique sur chantier, robotique minière. La locomotion adaptative pour robots à pattes a connu des avancées majeures depuis les travaux fondateurs d'ETH Zurich sur ANYmal (2016-2022), avec des méthodes d'apprentissage par renforcement en simulation démontrant un transfert sim-to-real robuste. Boston Dynamics SPOT reste la référence commerciale sur terrains difficiles, tandis que le Unitree Go2 s'impose dans la recherche académique grâce à son coût réduit. CART se positionne comme une couche de contrôle agnostique à la plateforme, sans modification matérielle requise. Il s'agit d'un preprint arXiv (identifiant 2604.14344, avril 2026), sans déploiement ni partenaire industriel annoncé à ce stade. La validation sur des conditions météorologiques adverses et des scénarios multi-terrains plus variés constitue la prochaine étape attendue.

UEImpact indirect via ANYbotics (Suisse, hors UE) et l'héritage ETH Zurich sur ANYmal, mais aucun déploiement ni partenaire européen annoncé à ce stade.

RecherchePaper
1 source