RecherchearXiv cs.RO 16 septembre 2026

Contrôle du mouvement corporel complet de l'humanoïde tenant compte des collisions sous trajectoires cibles imparfaites

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

RECAL (Robot-Environment Cross-Attention Layer) est un module qui vient se greffer sur les contrôleurs corps-entier (whole-body controllers, WBC) des robots humanoïdes, décrit dans un preprint mis en ligne le 16 septembre 2026 sur arXiv (2609.16405). Le problème visé : la plupart des WBC suivent des cibles de mouvement sans percevoir la géométrie de la scène, ce qui provoque des collisions quand les commandes issues de la perception, de la planification ou de la téléopération sont imparfaites. RECAL encode le robot, les objets tenus et l'environnement sous forme de nuages de points, puis applique une attention croisée entre les points du robot/objet et ceux de l'environnement pour produire des variables de contrôle sensibles à la géométrie, arbitrant en continu entre suivi de trajectoire et évitement de collision. Le système gère aussi bien des commandes de base flottante que d'organe terminal, y compris l'évitement de collision pour des objets portés. Les auteurs le valident en simulation sur des scénarios de locomotion à bras figé ou adaptatif, de transport d'objets et de manipulation en position debout, puis le démontrent sur un humanoïde Digit V3 réel, la plateforme bipède d'Agility Robotics.

Le résultat cible un angle mort connu des piles de contrôle humanoïdes actuelles : la sécurité géométrique est en général traitée en amont, au niveau de la planification, plutôt qu'à l'exécution, ce qui laisse une marge d'erreur dangereuse quand la perception ou la téléopération se trompe. En intégrant une correction géométrique directement dans la boucle de contrôle bas niveau, RECAL répond à un besoin concret des intégrateurs qui veulent déployer des humanoïdes dans des environnements encombrés, entrepôts ou lignes d'assemblage, sans multiplier les zones d'exclusion statiques. La démonstration sur robot réel, et pas seulement en simulation, compte dans le débat récurrent du secteur sur l'écart entre démonstration et réalité : elle suggère qu'un contrôle sensible à la géométrie par nuages de points peut transférer du simulateur au matériel physique sans réentraînement massif, un point de friction classique pour les architectures apprises.

Les WBC restent le cœur de la plupart des piles de contrôle humanoïde, de Digit (Agility Robotics) à Optimus (Tesla) en passant par G1 et H1 (Unitree) ou Figure 03, mais ils ont historiquement été conçus pour l'équilibre et le suivi de trajectoire, pas pour la perception de scène, tâche généralement déléguée à des modules de planification séparés ou, plus récemment, à des architectures vision-langage-action comme Pi-0 ou GR00T N2. RECAL se positionne comme une alternative modulaire à ces approches de bout en bout : il laisse un WBC classique inchangé et lui ajoute une couche de sécurité géométrique. Le travail reste au stade preprint, sans revue par les pairs ni annonce de déploiement industriel ou de partenariat constructeur ; les auteurs ne donnent pas de calendrier de transfert vers un produit commercial, ce qui en fait pour l'instant une contribution de recherche et non une brique prête pour la production.

Dans nos dossiers

Figure Unitree Agility Robotics — Digit IA physique & VLA

À lire aussi

1arXiv cs.RO

X-WBC : un modèle fondation à embodiment croisé pour le contrôle corporel complet des humanoïdes

Des chercheurs ont publié le 15 septembre 2026 sur arXiv (référence 2609.15213v1) une architecture baptisée X-WBC, conçue pour entraîner une politique de contrôle corps entier ("whole-body control") partagée entre plusieurs robots humanoïdes de morphologies différentes. Le problème ciblé est concret : jusqu'ici, chaque robot nécessite sa propre politique entraînée isolément, ce qui empêche de mutualiser les corpus de mouvement humain et l'expérience d'apprentissage entre plateformes. X-WBC sépare la sémantique du mouvement humain, jugée largement transférable, de l'exécution physique propre à chaque robot. Le système utilise des tokens de commande centrés sur l'humain pour aligner mouvement humain complet, mouvement de référence du robot et observations éparses issues de dispositifs VR, un Transformer causal pour extraire une structure temporelle réutilisable à partir de trajectoires mélangées de plusieurs robots, et des modules légers spécifiques à chaque plateforme pour traduire cette représentation partagée vers la proprioception et l'espace d'action de chaque machine. Les auteurs rapportent des tests sur neuf embodiments simulés, des mouvements externes non vus à l'entraînement, et quatre robots réels. Pour l'industrie robotique, l'enjeu dépasse la prouesse technique : si l'entraînement croisé entre embodiments tient à l'échelle, il ouvre la voie à des modèles fondation de contrôle corps entier nourris par des flottes hétérogènes plutôt que par un seul robot à la fois, un goulot d'étranglement bien connu des fabricants qui peinent à collecter des données de téléopération en volume suffisant. Cela complèterait les modèles vision-langage-action comme Pi-0 ou GR00T N2, aujourd'hui centrés sur la manipulation, en s'attaquant cette fois au versant locomotion et équilibre, réputé plus contraint par les différences de cinématique et de dynamique entre robots. Les résultats restent toutefois ceux d'un article de recherche non encore relu par les pairs, validés majoritairement en simulation, avec seulement quatre plateformes physiques testées : rien n'indique à ce stade un déploiement industriel ni un produit commercialisable. Ce travail s'inscrit dans la lignée des modèles fondation pour la robotique lancée par les VLA de manipulation, à l'image de Pi-0 de Physical Intelligence, GR00T N2 de NVIDIA ou Helix de Figure, mais transpose l'idée du transfert cross-robot au contrôle corps entier, un domaine où l'hétérogénéité des morphologies humanoïdes complique historiquement le partage de données d'apprentissage. Aucun partenaire industriel ni calendrier de déploiement n'est mentionné dans l'article ; les auteurs présentent X-WBC comme une preuve de concept méthodologique, dont la confirmation passera par des essais sur davantage de plateformes physiques et par une revue par les pairs.

RecherchePaper

1 source

2arXiv cs.RO

Robot humanoïde : transfert de mouvement corporel complet à grande échelle via un recalage cinéodynamique implicite

Des chercheurs présentent IKMR (Implicit Kinodynamic Motion Retargeting), un pipeline neuronal conçu pour transférer des mouvements humains complets vers des robots humanoïdes à très grande échelle. Le système repose sur un autoencodeur double à convolution de graphes basé sur le squelette, qui projette les configurations cinématiques humaines et robotiques, structurellement différentes, dans un espace latent topologique commun. Une phase de raffinement physique vient ensuite corriger les trajectoires grâce à un retour de suivi physique simulé, garantissant leur viabilité mécanique. Résultat clé : un débit de conversion de données dépassant 5000 images par seconde, un ordre de grandeur inatteignable avec les méthodes classiques d'optimisation numérique image par image. Les auteurs rapportent aussi des déploiements réels de contrôle corps entier sur robot humanoïde pour valider l'approche au-delà de la simulation. L'enjeu dépasse la prouesse technique. L'apprentissage par imitation humain-vers-humanoïde est vu comme une des voies les plus prometteuses pour contourner la pénurie de données d'entraînement en robotique, en exploitant les vastes corpus de mouvement humain déjà disponibles (vidéos, capture de mouvement, modèles génératifs). Mais ces données brutes sont bruitées, saccadées, sujettes au scintillement image par image, des défauts qui, une fois amplifiés par le retargeting classique, peuvent produire des mouvements physiquement dangereux pour le matériel. En traitant le nettoyage du bruit comme un sous-produit implicite de l'apprentissage plutôt qu'une étape séparée, et en déplaçant le coût de calcul vers l'inférence hors ligne, IKMR lève un goulot d'étranglement pratique pour quiconque veut synthétiser des jeux de données massifs de mouvements humanoïdes exploitables sans validation manuelle intensive. Ce travail, publié en version révisée sur arXiv, s'inscrit dans une dynamique de recherche plus large où plusieurs laboratoires cherchent à automatiser et industrialiser la conversion de données de mouvement humain en données d'entraînement robotique, un préalable identifié pour faire progresser les politiques de contrôle corps entier de type VLA (vision-language-action) utilisées par les plateformes humanoïdes actuelles. Les auteurs ne précisent pas de partenariat industriel ni de plateforme robotique commerciale associée à cette publication.

RecherchePaper

1 source

3arXiv cs.RO

Apprentissage de a priori de mouvement sensibles au contexte pour le contrôle d'humanoïdes

Publié sur arXiv (référence 2608.03234v1), le framework Context-Aware Motion Priors (CMP) s'attaque à un défaut connu de l'apprentissage par imitation de mouvements chez les humanoïdes : les motion priors classiques, appris une fois sur tout le jeu de données de référence, sont appliqués uniformément durant l'entraînement sans distinguer les mouvements pertinents pour la tâche en cours. CMP apprend une compatibilité contexte-mouvement à partir des trajectoires de politique les plus prometteuses, tout en restant ancré sur les démonstrations de référence. Les scores obtenus repondèrent la supervision pour entraîner un adaptateur léger conditionné par le contexte, sans étiquetage manuel ni étape de découverte de compétences séparée. L'approche est validée avec deux familles de priors, Adversarial Motion Priors et Score-Matching Motion Priors, sur cinq tâches de contrôle humanoïde. L'enjeu dépasse la performance académique. L'imitation de mouvements par renforcement est la méthode dominante pour doter les humanoïdes de comportements fluides, une brique reprise dans la plupart des piles logicielles du secteur, de Figure à Unitree. Son talon d'Achille reste le caractère générique du prior, incapable de distinguer un mouvement utile d'un mouvement parasite selon la tâche, ce qui pèse sur l'efficacité d'échantillonnage, un facteur critique quand chaque itération d'entraînement coûte du temps de calcul en simulation. En démontrant un gain constant de performance sur cinq tâches sans labellisation additionnelle, CMP s'attaque à un goulot d'étranglement identifié de la recherche en contrôle humanoïde, sans pour autant constituer un système déployé sur robot physique ni un produit annoncé par un fabricant. Le travail s'inscrit dans la lignée des Adversarial Motion Priors, popularisées à partir de 2021 pour l'animation de personnages physiques puis largement reprises dans le contrôle humanoïde par renforcement, et des Score-Matching Motion Priors plus récentes, inspirées des modèles de diffusion. CMP se positionne comme une couche d'adaptation contextuelle au-dessus de ces deux familles plutôt que comme une méthode concurrente. La publication ne précise ni affiliation institutionnelle ni calendrier au-delà de l'article arXiv lui-même ; si les résultats se confirment sur des tâches plus complexes, la suite logique serait une intégration dans les pipelines d'entraînement sim-to-real des acteurs humanoïdes qui s'appuient déjà sur des motion priors pour la locomotion et la manipulation.

RecherchePaper

1 source

4arXiv cs.RO

LAC : compliance linéaire et angulaire pour le contrôle corporel complet des humanoïdes

Un article publie sur arXiv (2608.25405) présente LAC, un contrôleur de corps entier pour humanoïdes qui traite simultanément les forces linéaires et les couples angulaires appliques sur le haut du corps. La méthode entraine, via apprentissage par renforcement en schéma enseignant-élevé, une politique unique a suivre des mouvements de conformité calcules par un modèle d'admittance virtuelle, a partir d'un jeu de données augmente ou des forces et couples sont appliques sur des points de contact extraits d'interactions humaines réelles. Simulations et essais sur robot réel montrent une réponse conforme sur tout le haut du corps, une modulation continue de la raideur commandée, et une application a la loco-manipulation téléopérée ; le projet est documente sur lac-humanoid.github.io. La plupart des contrôleurs humanoïdes actuels traitent les forces externes comme des perturbations a rejeter pour garder l'équilibre, ou ne tolèrent la conformité que sur quelques liaisons, sans tenir compte des couples. En unifiant conformité linéaire et angulaire sur tout le haut du corps avec une seule politique, LAC vise des interactions physiques plus sures avec des objets ou des humains, utiles pour l'assistance au geste, le guidage physique ou la manipulation collaborative. Pour les intégrateurs, ce travail illustre le passage de contrôleurs rigides orientes stabilité vers des architectures apprises a raideur réglable, un ingrédient recherche pour rapprocher les humanoïdes d'une téléopération ou d'une autonomie exploitables en usine ou en logistique. LAC s'inscrit dans la lignée des travaux sur le contrôle en impédance et en admittance pour humanoïdes, un champ transforme ces dernières années par l'apprentissage par renforcement sim-to-real, une approche aussi explorée par des acteurs comme Figure, Unitree ou Boston Dynamics, sans qu'aucun ne soit associe a cette publication académique. Il s'agit d'une contribution de recherche validée en simulation et sur robot réel en laboratoire, non d'un produit commercialise ni d'un déploiement industriel : les démonstrations doivent donc être lues comme une preuve de concept. Aucun calendrier de transfert commercial n'est communique, mais le site du projet met les résultats a disposition, en vue d'extensions vers le contrôle du bas du corps ou l'intégration a des piles logicielles humanoïdes existantes.

RecherchePaper

1 source