RecherchearXiv cs.RO 16 septembre 2026

CoAdapt : un framework basé sur un LLM pour la perception collaborative adaptative dans les essaims robotiques IIoT

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Les chercheurs présentent CoAdapt, un framework de perception collaborative adaptative destiné aux essaims de robots mobiles autonomes dans l'IIoT (Industrial Internet of Things), pour des tâches comme la manutention, l'assemblage de produits ou l'inspection d'infrastructures. Le système utilise un grand modèle de langage (LLM) comme contrôleur de fusion en temps réel : il décide dynamiquement quels robots participent à la fusion des données LiDAR et quel algorithme de fusion appliquer, en fonction de la configuration spatiale et de l'état du réseau à un instant donné. Le LLM ne traite pas directement les nuages de points bruts mais raisonne sur des descriptions structurées en langage naturel dérivées de ces données, sans nécessiter d'entraînement spécifique à la tâche. Évalué sur le benchmark OPV2V à travers 25 scénarios, CoAdapt affiche une réduction de 38% du coût de communication tout en maintenant une précision de détection comparable aux approches statiques de référence. L'étude est publiée sous la référence arXiv:2609.16852v1.

Ce travail cible une limite concrète des systèmes actuels de perception collaborative multi-robots : ils supposent une participation statique des agents, alors que les environnements industriels réels impliquent des positions robotiques changeantes, une bande passante réseau fluctuante et une contribution variable de chaque robot à la qualité de perception collective. Pour les intégrateurs de flottes de robots mobiles autonomes (AMR) en usine ou en entrepôt, l'enjeu est direct : réduire la charge réseau sans dégrader la fiabilité de détection permet de déployer des essaims plus larges avec une infrastructure de communication moins coûteuse. L'approche illustre aussi une tendance plus large où les LLM sont utilisés non pas pour générer du texte mais comme couches de décision et d'orchestration au runtime, exploitant leur capacité de raisonnement sur des descriptions symboliques plutôt que sur des données de capteurs brutes, ce qui limite le besoin de réentraînement lors de changements de topologie du swarm.

Le papier s'inscrit dans la lignée des travaux sur la perception collaborative véhicule-à-véhicule et robot-à-robot, dont OPV2V (Open V2V Perception), le benchmark utilisé ici, est devenu une référence standard pour évaluer la fusion LiDAR multi-agents en simulation. CoAdapt ne précise pas d'acteur industriel partenaire ni de déploiement réel sur site : il s'agit d'un résultat de recherche académique validé en simulation, sans indication de mise en production ni de pilote annoncé avec un fabricant de robots ou un intégrateur. Aucune entreprise française ou européenne du secteur robotique n'est mentionnée dans cette publication.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

CoViLLM : un cadre collaboratif adaptatif humain-robot pour l'assemblage, basé sur des grands modèles de langage

Des chercheurs présentent CoViLLM, un framework de collaboration homme-robot pour l'assemblage adaptatif, décrit dans une prépublication arXiv (2603.11461v3, version révisée). Le système combine trois briques : une localisation d'objets par caméra de profondeur pour estimer la position des pièces, une classification opérée par l'humain pour identifier les composants nouveaux ou non répertoriés, et un grand modèle de langage chargé de générer les plans de tâches d'assemblage à partir d'instructions en langage naturel. Les auteurs valident leur approche sur le NIST Assembly Task Board, un banc d'essai standardisé de référence pour l'évaluation de systèmes d'assemblage robotique, en testant trois scénarios distincts : produits connus, produits personnalisés, et produits totalement inédits pour le robot. L'enjeu dépassé ici est celui de la rigidité des robots industriels classiques, programmés selon des règles fixes et donc mal adaptés à la personnalisation de masse, un défi central pour les lignes de production modernes. Les frameworks de collaboration homme-robot existants s'appuient généralement sur des pipelines de perception-manipulation prédéfinis, ce qui les empêche de générer eux-mêmes des plans pour assembler un produit jamais vu. CoViLLM prétend lever cette limite en confiant au LLM la planification de tâches à la volée, ce qui, si les résultats se confirment à plus grande échelle, intéresserait directement les intégrateurs et fabricants cherchant à réduire les coûts de reprogrammation lors de changements de variantes produit, un enjeu récurrent dans l'électronique, l'automobile ou les biens de consommation. Les résultats publiés restent toutefois limités à un banc d'essai de laboratoire, et non à une chaîne de production réelle, ce qui appelle à la prudence sur la généralisation immédiate. Ce travail s'inscrit dans la vague de recherches associant modèles de langage et robotique manipulatrice, où les LLM sont de plus en plus testés comme couche de raisonnement au-dessus de pipelines de perception classiques plutôt que comme modèles vision-langage-action de bout en bout. Le choix du NIST Assembly Task Board comme référence permet une comparaison future avec d'autres approches de la communauté robotique académique, sans toutefois indiquer à ce stade de partenariat industriel ou de calendrier de déploiement au-delà du cadre expérimental décrit.

RecherchePaper

1 source

2arXiv cs.RO

CoRAL : contrôle adaptatif basé sur LLM pour la manipulation robotique en contact riche

Une équipe de chercheurs propose CoRAL (Contact-Rich Adaptive LLM-based control), un framework publié en preprint sur arXiv (2605.02600) en mai 2025, conçu pour résoudre l'une des limites persistantes des grands modèles de langage appliqués à la robotique : la manipulation en contact riche, c'est-à-dire les tâches nécessitant des interactions physiques précises et réactives. L'architecture repose sur un découplage strict entre raisonnement de haut niveau et exécution de bas niveau. Contrairement aux approches VLA (Vision-Language-Action) qui emploient le modèle comme contrôleur direct, CoRAL utilise le LLM comme concepteur de fonctions de coût pour un planificateur par échantillonnage (MPPI, Model Predictive Path Integral). Un VLM fournit des priors sémantiques sur les paramètres physiques de l'environnement - masse et friction - affinés en temps réel par identification de système en ligne, tandis qu'une mémoire par récupération permet de réutiliser des stratégies validées sur des tâches récurrentes. Sur des scénarios incluant le retournement d'objets contre des murs via des contacts extrinsèques, CoRAL affiche un taux de succès supérieur de plus de 50 % en moyenne aux baselines VLA testées, sur des tâches jamais vues en entraînement, aussi bien en simulation que sur hardware réel. L'intérêt principal pour les intégrateurs réside dans la résilience au gap sim-to-real : en adaptant dynamiquement sa représentation des paramètres physiques lors des premières interactions, le système corrige en vol ses erreurs stratégiques sans nécessiter de re-entraînement. La séparation raisonnement/exécution garantit en outre une stabilité temps réel, le LLM étant par nature trop lent pour s'insérer dans une boucle de contrôle réactif. C'est un argument concret contre les VLA pures, qui peinent précisément sur les tâches à fort contact car leurs politiques apprises ne s'adaptent pas aux incertitudes physiques non vues. Le gain de 50 % mérite cependant d'être pondéré : les baselines exactes et le périmètre précis des tâches de test ne sont pas détaillés dans le résumé, et ce travail reste un preprint non relu par les pairs. CoRAL s'inscrit dans un champ de recherche actif qui cherche à hybrider planification symbolique et modèles de fondation pour dépasser les limites des VLA comme Pi-0 (Physical Intelligence), RT-2 (Google DeepMind) ou OpenVLA. Ces modèles ont montré des capacités convaincantes sur des tâches de manipulation standards mais buttent sur les contacts complexes et les environnements non vus. Le planificateur MPPI est une méthode stochastique éprouvée en robotique, ce qui ancre CoRAL dans un socle technique solide plutôt que dans une approche purement émergente. Aucun déploiement industriel ni partenariat n'est annoncé à ce stade - la prochaine étape naturelle serait une validation sur un spectre plus large de tâches industrielles, comme l'assemblage ou la manipulation d'objets déformables, pour mesurer la généralisation réelle de l'approche.

RecherchePaper

1 source

3arXiv cs.RO

Adaptation cinématique basée sur la force et le couple pour les tâches de manipulation robotique

Publié sur arXiv le 21 août 2026 (arXiv:2608.21592v1), l'article présente une méthode d'adaptation cinématique en ligne pour la manipulation robotique en contact riche, où la relation entre les articulations d'un robot et l'outil qu'il tient change à chaque prise, parfois presque instantanément lors des changements de mode de contact, notamment pour les mains multi-doigts dont les points de contact ne sont pas fixés à l'avance. Les auteurs dérivent une loi de mise à jour dont la stabilité est démontrée mathématiquement: elle identifie la cinématique d'un outil inconnu à partir des seules mesures articulaires et d'un capteur de force/couple monté au poignet, sans aucune mesure extéroceptive de la pointe de l'outil, aussi bien en rigide qu'avec un contrôleur de compliance en boucle interne. L'identification ne porte que sur les directions excitées par le mouvement: la longueur d'un outil reste inobservable lors d'une insertion rigide en ligne droite, mais devient partiellement observable via le relâchement passif d'une boucle compliante. Une formulation alternative en programme quadratique reproduit le terme de prédiction de cette loi mais échoue à reproduire son terme de suivi. La validation reste, pour l'instant, une simulation d'insertion cheville-trou. Ce travail cible un verrou concret pour l'industrie: la plupart des systèmes de manipulation supposent une cinématique outil-effecteur fixe et connue, ce qui impose de recalibrer le robot à chaque changement d'outil ou de préhenseur, un frein à la polyvalence recherchée par les intégrateurs et les concepteurs de mains robotiques multi-doigts. En rendant l'estimation purement proprioceptive, sans caméra ni capteur tactile dédié, l'approche réduit l'instrumentation nécessaire pour des tâches de prise pleine main où les points de contact varient à chaque saisie. Elle s'inscrit aussi dans un débat plus large de la recherche en robotique: découpler l'apprentissage de la politique de tâche, par exemple via apprentissage par renforcement, de l'adaptation aux spécificités physiques d'un robot, d'une main ou d'un outil donné, dans l'idée de faciliter le transfert de politiques apprises vers d'autres configurations matérielles sans réentraînement complet. Les auteurs présentent ce travail comme une première étape d'un programme de recherche plus large, et non comme une solution aboutie: aucune validation sur robot physique n'est rapportée, seulement une simulation simple d'insertion, ce qui laisse ouverte la question du passage à l'échelle sur des prises complexes et sur du matériel réel. Le résumé public n'identifie ni laboratoire ni entreprise, et aucun lien n'est établi avec des plateformes commerciales comme Figure ou Tesla Optimus, ni avec des modèles vision-langage-action tels que Pi-0 ou GR00T N2. La démarche s'inscrit dans la lignée des recherches sur la manipulation dextre adaptative et l'estimation en ligne de paramètres physiques, un axe exploré en parallèle par plusieurs laboratoires de robotique pour réduire la dépendance des politiques de manipulation à une calibration extéroceptive précise.

RecherchePaper

1 source

4arXiv cs.RO

Sensibilité adaptative aux collisions pour une collaboration homme-robot efficace et sûre

Des chercheurs présentent un nouveau cadre logiciel permettant à un bras robotique collaboratif de moduler dynamiquement sa sensibilité aux collisions selon la partie du corps impliquée, plutôt que d'appliquer un seuil de force fixe uniforme sur toute sa surface comme l'exigent aujourd'hui les normes de collaboration homme-robot (HRC), telles que la norme ISO 10218-2:2025 régissant le régime PFL (Power and Force Limiting). Le système calcule en temps réel la force de collision estimée pour chaque segment du robot à partir de sa Masse Effective (Effective Mass, EM), une grandeur qui varie selon la configuration du bras et le point de contact. Les tests ont été menés sur un bras UR10e réel équipé d'une peau sensible AIRSKIN pour la détection et la localisation des impacts, ainsi qu'en simulation sur un bras KUKA LBR iiwa, dont la détection de collision repose cette fois sur les capteurs de couple articulaire. Dans un scénario de type prise-et-dépose (pick-and-place) combinant collisions transitoires et quasi-statiques, les auteurs rapportent un gain de productivité supérieur à 45% par rapport à l'approche standard à seuil fixe. Pour les intégrateurs et décideurs industriels, l'enjeu dépasse la simple optimisation de cycle: la méthode s'attaque directement au compromis sécurité-productivité qui freine l'adoption des cobots en environnement partagé avec des opérateurs humains. Aujourd'hui, un seuil de force unique impose un arrêt du robot dès qu'un contact dépasse la limite la plus stricte, même lorsque la zone touchée (proche d'une articulation à faible inertie, par exemple) serait en réalité sans danger. En rendant la limite de force dépendante du contexte cinématique et compatible avec deux architectures de détection différentes (peau tactile et couple articulaire), les auteurs démontrent une généralisation au-delà d'un capteur ou d'un modèle de bras propriétaire, ce qui est notable pour un secteur où beaucoup de démonstrations restent liées à un matériel unique. Ce travail s'inscrit dans la continuité des efforts pour affiner l'application pratique des normes PFL, jugées trop conservatrices par une partie de la communauté robotique depuis leur conception initiale. Le choix de tester à la fois sur UR10e (Universal Robots) avec AIRSKIN (Fraunhofer) et sur KUKA LBR iiwa positionne la méthode comme agnostique au fournisseur, avec une portée annoncée comme applicable à tout robot dont l'EM peut être calculée. Il s'agit ici d'un résultat de recherche publié sur arXiv (version révisée, replace v3), non d'un produit commercial ni d'un déploiement industriel: les validations quasi-statiques et transitoires restent limitées à un scénario de laboratoire, et le chiffre de 45% de gain de productivité mériterait d'être confirmé sur des cas d'usage industriels réels avant généralisation.

UELe framework s'appuie sur des acteurs européens (KUKA, capteur AIRSKIN issu de recherches Fraunhofer) et vise a assouplir l'application des normes de sécurité collaborative homme-robot (ISO 10218-2:2025) utilisées dans l'industrie européenne.

RecherchePaper

1 source