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

Passage à l'échelle de l'apprentissage du mouvement aligné à la scène pour la traversée perceptive d'environnements encombrés par un humanoïde

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

Un preprint arXiv (2609.18732v1) publié mi-septembre 2026 présente PASSAGE, un système de planification et de suivi de mouvement conditionné par la perception, pour des robots humanoïdes traversant des environnements encombrés en enjambant, contournant ou se baissant devant les obstacles. Entraîné sur 100 heures de mouvements humains captés en réalité virtuelle et par capture inertielle sur 1500 scènes, un planificateur par flow-matching génère des trajectoires courtes exécutées à 50 Hz par un contrôleur corps entier avec retour géométrique, puis affiné par apprentissage par renforcement, contrôleur figé. Passer de 6 à 100 heures de données porte le taux de succès sans contact de 48,1% à 68,9% sur des scènes inédites, jusqu'à 70,3% avec augmentation de scène validée. Le système fonctionne entièrement en embarqué sur un Jetson AGX Orin, avec LiDAR 3D, cartographie en ligne, planification à 6,25 Hz et contrôle à 50 Hz, testé sur 50 configurations physiques inédites sans carte préconstruite ni calcul déporté.

Le résultat s'attaque à un verrou du déploiement humanoïde hors laboratoire : choisir et enchaîner, depuis la seule perception embarquée, le bon comportement de franchissement selon la géométrie rencontrée, sans bibliothèque de mouvements ni récompense spécifique à chaque obstacle. Une seule paire planificateur-contrôleur généralise ici à des géométries jamais vues, ce qui va dans le sens d'un passage à l'échelle des données de démonstration plutôt que de l'ingénierie tâche par tâche, comme le montrent déjà les modèles vision-langage-action en manipulation tels que Pi-0, GR00T N2 ou Helix.

Ce travail illustre un basculement de la recherche humanoïde, concentrée jusqu'ici sur la manipulation avec les modèles vision-langage-action, vers la locomotion en environnement non structuré, restée en retrait malgré la course menée par Figure, Tesla ou Unitree. Le choix du flow-matching pour générer les trajectoires prolonge une tendance déjà observée après les modèles de diffusion. Le preprint ne précise ni plateforme robotique commerciale ni entreprise porteuse : il reste, à ce stade, un résultat de recherche testé en simulation et sur un nombre limité de configurations physiques réelles, sans calendrier de transfert vers un produit. Aucun acteur français ou européen n'y figure.

Dans nos dossiers

UnitreeIA physique & VLANVIDIA GR00TarXiv cs.RO

À lire aussi

Apprentissage de la traversée agile de structures 3D éparses par des humanoïdes grâce à la perception
1arXiv cs.RO 

Apprentissage de la traversée agile de structures 3D éparses par des humanoïdes grâce à la perception

Les chercheurs à l'origine de la publication arXiv 2608.29769, mise en ligne fin août 2026, présentent un système de contrôle perceptif pour robot humanoïde capable de traverser des structures 3D éparses de type barres de singe (monkey bars). Le robot doit sauter pour agripper la structure, se déplacer de barre en barre par brachiation, puis atterrir en sécurité. La politique de contrôle, entraînée par apprentissage par renforcement, exploite directement les données brutes d'un lidar solid-state monté sur la tête, traitées par un encodeur à mécanisme d'attention couplé à une mémoire récurrente pour extraire la géométrie utile de retours lidar clairsemés. L'entraînement suit un pipeline enseignant-élève séquencé par phases, combinant des experts privilégiés spécialisés pour le saut initial, la brachiation et l'atterrissage. Le transfert vers le matériel réel intègre la modélisation du bruit lidar, de la chute de tension de la batterie et des limites thermiques des actionneurs, le robot étant équipé de crochets passifs en guise d'effecteurs pour une prise fiable sur les barres. Sur le matériel, la politique complète la séquence saut-brachiation-atterrissage dans 14 essais sur 15, sur trois configurations de barres différentes, avec des vitesses de brachiation atteignant 0,5 m/s. Le même socle de perception permet aussi d'entraîner séparément une politique capable de se baisser sous des obstacles suspendus fins, avec des sections de seulement 2 cm. Ce travail illustre un déplacement du curseur dans la recherche en robotique humanoïde: au-delà de la marche sur sol plat, l'enjeu devient la traversée de terrains épars et suspendus, difficiles à percevoir avec un lidar dont les retours sont peu denses sur des géométries fines. Le taux de réussite de 14/15, bien que sur seulement trois configurations testées et non en environnement réel diversifié, constitue une preuve tangible que le transfert simulation-vers-réel peut fonctionner pour du contrôle dynamique du corps entier conditionné par la perception, y compris en tenant compte de contraintes matérielles concrètes comme la dérive de tension batterie ou l'échauffement des actionneurs. Pour les intégrateurs et décideurs du secteur, ce résultat reste un signal de recherche plutôt qu'une brique produit: il valide une approche technique (RL perceptif basé lidar avec encodeur attentionnel) mais ne dit rien des coûts, de la robustesse en conditions non contrôlées, ni d'un calendrier de commercialisation. Le papier s'inscrit dans une dynamique plus large de la recherche en locomotion agile pour humanoïdes, où les capacités testées glissent progressivement de la marche et de la course vers des compétences proches du parkour: sauts précis, franchissement d'obstacles suspendus, préhension dynamique. Le résumé ne précise pas l'affiliation des auteurs ni de partenariat industriel, et aucun acteur français ou européen n'est mentionné dans cette publication. Les prochaines étapes attendues pour ce type de travaux incluent l'élargissement à des configurations de barres plus variées et des tests en environnements moins contrôlés, avant d'envisager une application à des scénarios concrets comme l'inspection ou la navigation en environnement encombré.

RecherchePaper
1 source
LadderMan : apprentissage de l'escalade d'échelles par un humanoïde perceptif
2arXiv cs.RO 

LadderMan : apprentissage de l'escalade d'échelles par un humanoïde perceptif

Des chercheurs ont publié le 5 juin 2026 sur arXiv (preprint 2606.05873) un système baptisé LadderMan, conçu pour permettre à des robots humanoïdes de grimper des échelles de géométries variées et d'effectuer des tâches de manipulation en position perchée. L'architecture repose sur un pipeline d'apprentissage en deux étapes : une phase de suivi de mouvement hybride extrait plusieurs politiques d'escalade expertes à partir d'une seule motion de référence, puis une phase de distillation fusionne ces experts en une politique visuomotrice unifiée, pilotée par caméra de profondeur, via une combinaison d'imitation et de renforcement. Pour combler l'écart simulation-réel sur la perception de profondeur, l'équipe exploite des modèles de vision fondationnels. La manipulation en hauteur est gérée par une formulation dite "dual-agent" : un agent dédié à la stabilité sur l'échelle, un autre à la manipulation, avec télé-opération comme signal superviseur. Les expériences rapportent un transfert zéro-shot vers le hardware réel, sans fine-tuning supplémentaire. L'escalade d'échelle constitue l'un des tests les plus discriminants pour les humanoïdes : les points d'appui sont rares et fixes, la coordination corps entier est critique, et la moindre erreur de perception ou de contrôle peut provoquer une chute. Le transfert zéro-shot réussi de la simulation au réel est ici le résultat le plus significatif : il suggère que les modèles de vision fondationnels permettent d'atténuer suffisamment le sim-to-real gap sur des tâches perceptivo-motrices contraintes, une hypothèse longtemps débattue dans la communauté. La capacité à manipuler des objets depuis une position instable ouvre des perspectives concrètes pour l'inspection industrielle, la maintenance en hauteur et les chantiers de construction. Il convient cependant de souligner qu'il s'agit d'un preprint de recherche, non d'un produit commercialisé, et que les vidéos publiées sur ladderman-robot.github.io restent sélectionnées par les auteurs. Ce travail s'inscrit dans une vague active de recherche poussant les humanoïdes vers des environnements contraints et à risque élevé. Aucune entreprise commerciale n'est identifiée dans le preprint, ce qui suggère une origine académique. Sur le plan concurrentiel, aucun constructeur humanoïde majeur, ni Boston Dynamics (Atlas), ni Figure (Figure 03), ni Tesla (Optimus Gen 3), ni Agility Robotics (Digit), n'a à ce jour publié de démonstration d'escalade d'échelle à ce niveau de robustesse et de transfert zéro-shot. Les prochaines étapes logiques seraient un test sur une gamme plus large de robots humanoïdes commerciaux et une intégration de la manipulation autonome, sans télé-opération.

RecherchePaper
1 source
Apprentissage de la faisabilité des mouvements à partir de nuages de points en environnements encombrés
3arXiv cs.RO 

Apprentissage de la faisabilité des mouvements à partir de nuages de points en environnements encombrés

Une équipe de chercheurs a publié sur arXiv (réf. 2606.26700) une étude sur la prédiction de faisabilité de mouvement pour un bras manipulateur à 7 degrés de liberté (7-DOF), opérant dans des environnements encombrés à partir d'observations RGB-D brutes. Le coeur du travail est GRASPFC-PTX, un transformeur appliqué à des nuages de points 3D, capable de prédire si une saisie est réalisable sans reconstruire de modèle CAO de l'environnement. Pour entraîner et évaluer leur approche, les auteurs ont constitué ce qu'ils présentent comme le premier benchmark à grande échelle de ce type : 2,7 millions d'étiquettes de faisabilité de saisie couvrant 88 objets scannés et 190 scènes de table encombrées. Trois familles d'architectures ont été comparées dans des conditions d'entraînement identiques (réseaux MLP, CNN volumétriques, transformeurs sur nuages de points). GRASPFC-PTX atteint un AUROC de 0,996 sur des objets non vus lors de l'entraînement, et produit ses prédictions bien plus rapidement que les planificateurs à base d'échantillonnage (SBMPs) classiques comme RRT ou PRM. Le goulot d'étranglement visé est précis : dans les pipelines de task and motion planning (TAMP), les tentatives de planification infaisables par les SBMPs consomment du temps de calcul sans résultat utile. Un prédicteur fiable en amont permet de filtrer ces tentatives avant qu'elles n'alourdissent la boucle de planification. Ce qui distingue cette contribution des approches existantes, c'est son fonctionnement en espace de configuration à haute dimension (7-DOF) à partir de perceptions brutes, sans supposer une géométrie simplifiée ni des paramètres d'objets connus. Pour les intégrateurs de manipulation industrielle ou de robotique logistique, cela ouvre la voie à un module greffable sur une cellule existante sans reconstruire le modèle numérique de chaque pièce. La certification d'infaisabilité de mouvement était jusqu'ici principalement traitée pour des espaces de faible dimension et des géométries simples. La montée en puissance des architectures transformeurs sur nuages de points, dans la lignée de PointNet++ et PCT, rend désormais ces prédicteurs plus généraux et applicables à des scènes réalistes. Ce travail s'inscrit dans une tendance plus large où l'apprentissage profond vient court-circuiter les planificateurs géométriques classiques dans des environnements non structurés. Le préprint ne mentionne ni déploiement industriel ni partenariat ; il s'agit d'une contribution de recherche fondamentale avec benchmark public, ce qui en fait un point de référence potentiel pour les équipes travaillant sur la manipulation en milieu réel. Les étapes naturelles seraient d'étendre le benchmark à des scènes dynamiques et de tester la robustesse face au bruit de capteur en conditions réelles.

RecherchePaper
1 source
4arXiv cs.RO 

WeaveRL : entrelacer la reconstruction dans des tissus sensibles à la scène pour l'apprentissage par renforcement perceptif

Un preprint publié sur arXiv en septembre 2026 (référence 2609.18685) présente WeaveRL, une méthode accélérée par GPU qui reconstruit une scène de manipulation sous forme de surfels, en parallèle dans des milliers d'instances de simulation pendant l'entraînement par renforcement. Elle remplace les représentations de scène statiques et codées à la main des contrôleurs anti-collision dits "geometric fabrics" par une géométrie dérivée directement des capteurs. Sur une série de tâches de manipulation denses en collisions, ces "surfel fabrics" réussissent là où des méthodes de référence à primitives géométriques échouent, tout en conservant un transfert sim-to-real fonctionnel. Face à des obstacles inédits introduits au moment du test, le taux de complétion de tâche sans collision passe de 35% à 61%. Les auteurs publient en accès libre le système de reconstruction, le code d'entraînement et un jeu de données de test. Cette avancée s'attaque à un verrou connu du RL en robotique: jusqu'ici, intégrer une perception 3D active et en ligne dans un entraînement massivement parallélisé sur GPU restait hors de portée faute de méthode de reconstruction assez rapide, ce qui obligeait les équipes à coder la géométrie des scènes à la main, une pratique mal adaptée à des environnements réels où objets et obstacles varient. En démontrant que la reconstruction par surfels tient la cadence sur des milliers de simulations simultanées, WeaveRL déplace cette limite technique. Pour les intégrateurs et les équipes robotiques industrielles, l'écart mesuré entre 35% et 61% de réussite face à des obstacles inédits illustre concrètement le fossé récurrent entre démonstrations en environnement contrôlé et généralisation en conditions réelles, et suggère que coupler perception active et contrôle anti-collision est une piste crédible pour le réduire, sans pour autant régler la question du passage à l'échelle hors laboratoire. Le travail prolonge la lignée des "geometric fabrics", des contrôleurs anti-collision déjà utilisés comme socle du RL en manipulation mais jusqu'ici cantonnés à des scènes statiques faute de perception embarquée compatible avec l'entraînement massivement parallèle. WeaveRL se positionne explicitement face aux méthodes à primitives géométriques, qu'il surpasse sur les tâches denses en collisions, sans toutefois se comparer dans ce preprint aux approches génériques de type vision-langage-action employées par ailleurs dans le secteur humanoïde. Il s'agit à ce stade d'une publication de recherche non encore relue par les pairs, et non d'un produit ou d'un système déployé en usine: aucun pilote industriel ni calendrier de commercialisation n'est annoncé. En publiant leur code d'entraînement, leur système de reconstruction et leur jeu de données de test, les auteurs cherchent explicitement à ce que d'autres laboratoires reproduisent et prolongent cette approche.

RecherchePaper
1 source