UniExo : politiques unifiées multi-compétences…

1arXiv cs.RO

Apprentissage par renforcement multi-agent d'un contrôle d'exosquelette de hanche co-adaptatif (MARL-Exo) pour réduire la dépense énergétique

Des chercheurs présentent MARL-Exo, un cadre d'apprentissage par renforcement multi-agents qui entraîne en simulation un contrôleur d'exosquelette de hanche bilatéral. Deux agents sont entraînés simultanément, en deux étapes: un modèle musculo-squelettique du corps entier (304 actionneurs musculaires, anatomie, allure et vitesse randomisées) et la politique de l'exosquelette. Cette dernière n'observe que la cinématique de hanche retardée et ses propres commandes passées. Sa récompense repose sur la puissance métabolique musculaire issue d'un modèle énergétique physiologique, seule (variante Metabolic) ou combinée à une pénalisation de la puissance mécanique (Metabolic + Power). En simulation, la première réduit la puissance métabolique modélisée de 13,8 % par rapport à la marche sans dispositif, contre 8,8 % pour la seconde. La politique Metabolic a ensuite été déployée sans réentraînement sur huit adultes sains marchant à 1,25 m/s, avec mesure par calorimétrie indirecte. Le taux métabolique net baisse de 18,3 ± 6,6 % par rapport à l'exosquelette porté en mode passif, chez les huit participants. Le résultat est plus nuancé face à la marche sans exosquelette: la réduction moyenne n'est que de 7,4 ± 10,0 %, l'écart-type dépassant presque la moyenne. Porter le dispositif coûte déjà 13,1 % d'énergie en plus. Six participants compensent cette pénalité et marchent jusqu'à 24,2 % sous leur coût de référence, tandis que deux restent au-dessus. Les gains annoncés sont donc réels mais hétérogènes, et l'échantillon est petit, sur une seule vitesse et sur des sujets sains. L'intérêt tient à la méthode. Les approches dominantes d'optimisation « human-in-the-loop » ajustent les paramètres pour chaque utilisateur, ce qui demande de longues séances en laboratoire et freine l'industrialisation. Ici, un contrôleur unique, appris à l'échelle d'une population simulée, se transfère au matériel sans réglage individuel: c'est un indice que le transfert sim-to-real fonctionne pour l'assistance à la marche. Le résultat secondaire compte aussi: la contrainte explicite sur la puissance mécanique dégrade le bénéfice simulé, ce qui montre qu'on peut comparer des objectifs d'assistance en simulation avant tout essai sur humains. Pour les fabricants d'exosquelettes, y compris européens comme Wandercraft, cela pourrait réduire les coûts de validation. Ce travail prolonge les contrôleurs appris en simulation pour l'exosquelette, souvent fondés sur des modèles musculo-squelettiques et des politiques de type apprentissage par renforcement, et s'oppose aux méthodes d'optimisation en ligne des paramètres. Il s'agit d'un preprint arXiv, sans mention d'évaluation par les pairs ni de produit commercial. Les prochaines étapes logiques sont des essais sur davantage de participants, plusieurs vitesses et terrains, et des populations cliniques ou âgées, pour lesquelles le bénéfice net reste à démontrer.

UEUne validation en simulation pourrait réduire les coûts d'essais des fabricants européens d'exosquelettes comme Wandercraft, mais le travail reste un preprint sans lien direct avec la France.

ExosquelettesPaper

1 source

2arXiv cs.RO

Apprentissage d'une politique de contrôle adaptative en vitesse pour exosquelette de hanche par transfert simulation-réel

Un preprint publié sur arXiv (arXiv:2609.28027v1, catégorie "new") décrit un framework combinant apprentissage par renforcement sim-to-real et apprentissage de préférences en ligne pour personnaliser l'assistance d'un exosquelette de hanche à différentes vitesses de marche. Le timing de l'assistance est appris en simulation, via des politiques de RL entraînées sur des modèles musculosquelettiques humains couvrant plusieurs vitesses de marche, puis distillées et déployées sur un exosquelette de hanche physique équipé de capteurs embarqués. La magnitude du couple assistif est ensuite ajustée en conditions réelles grâce à un apprentissage de préférences basé sur des processus gaussiens, l'utilisateur exprimant ses choix via des comparaisons par paires entre profils de couple. Des expériences sur sujets humains montrent une identification efficace de profils personnalisés à travers différentes vitesses de marche, avec moins d'essais réels que les méthodes purement en ligne, sans que l'abstract précise le nombre de sujets ni le taux de réduction obtenu. L'enjeu dépasse l'exercice académique: l'optimisation en ligne "human-in-the-loop" reste le principal goulot d'étranglement de la personnalisation des exosquelettes, car calibrer tout le profil de couple sur un porteur réel exige de nombreuses itérations, longues et fatigantes. En découplant le timing, résolu hors ligne en simulation, de la magnitude, optimisée en ligne sur un espace de recherche réduit grâce aux préférences, le framework diminue mécaniquement le nombre d'évaluations nécessaires sur sujet humain. Pour les concepteurs de robotique portable, en réadaptation comme en assistance industrielle à la marche, ce résultat conforte l'idée que le sim-to-real, déjà éprouvé sur robots mobiles et bras manipulateurs, s'étend aussi aux dispositifs portés dont la dynamique dépend fortement de la morphologie et des préférences individuelles de l'utilisateur. Les approches classiques de calibration d'exosquelette reposent sur une optimisation en ligne exhaustive du profil de couple, une méthode lente qui freine le déploiement à grande échelle de dispositifs personnalisés. Ce travail s'inscrit dans la lignée des recherches en RL sim-to-real appliquées à la robotique portable, en y ajoutant une couche d'apprentissage de préférences pour capturer ce que la simulation seule ne modélise pas, le confort subjectif de l'utilisateur. L'abstract ne cite aucune entreprise, aucun nom de produit ni partenaire industriel: il s'agit d'un preprint de recherche, sans pilote clinique ni feuille de route de commercialisation annoncés à ce stade.

ExosquelettesPaper

1 source

3arXiv cs.RO

Contrôleur co-adaptatif entraîné en simulation pour exosquelettes de hanche : validation métabolique et biomécanique de l'entraînement multi-agents par étapes (SMAT)

Des chercheurs ont publié le 4 août 2026 sur arXiv (2608.00715v1) la première validation physiologique de SMAT (Staged Multi-Agent Training), un contrôleur d'exosquelette de hanche entraîné entièrement en simulation physique. La méthode repose sur un curriculum en quatre étapes qui entraîne conjointement un acteur musculosquelettique simulant l'humain et un acteur bilatéral pilotant l'exosquelette de hanche, une approche pensée pour gérer la co-adaptation entre le porteur et le dispositif, un problème non stationnaire puisque l'utilisateur réorganise sa coordination neuromusculaire au fur et à mesure que l'appareil modifie la dynamique articulaire. La politique a été déployée sur du matériel réel et testée sur huit adultes en bonne santé, avec mesure du coût métabolique par calorimétrie indirecte sur trois conditions : sans exosquelette, exosquelette passif, et assistance active. L'assistance active a réduit la dépense métabolique nette de 19,7 % par rapport au mode passif (p < 0,001), et l'analyse biomécanique a confirmé une puissance mécanique de hanche majoritairement positive chez tous les sujets, avec un ratio de puissance positive de 0,98. La politique s'est aussi généralisée à différentes vitesses de marche et différents terrains, sans réentraînement spécifique à chaque sujet. Ce résultat compte parce qu'il répond directement à un doute récurrent dans le secteur de l'exosquelette assisté : les contrôleurs appris en simulation tiennent-ils réellement la comparaison face au benchmark de référence, la mesure métabolique en conditions réelles ? Beaucoup de démonstrations de dispositifs d'assistance s'arrêtent à des essais biomécaniques ou à des retours qualitatifs, sans franchir l'étape de la validation métabolique complète. Ici, un seul modèle entraîné en sim, déployé tel quel sur huit personnes différentes, produit un bénéfice mesurable et statistiquement significatif, ce qui constitue un argument concret pour le transfert sim-to-real dans les dispositifs portables et pour les approches d'apprentissage multi-agents appliquées à la robotique portée. Le travail s'inscrit dans la lignée des recherches sur l'assistance à la marche par exosquelette, un champ où les contrôleurs basés sur des règles ou des optimisations individuelles dominent encore largement le marché commercial. SMAT avait déjà montré des gains en simulation et une assistance positive sur banc d'essai avant cette étude ; la contribution ici est la validation clinique sur sujets sains. Les auteurs notent que la généralisation aux terrains et vitesses ouvre la voie à des essais élargis, potentiellement vers des populations cliniques ou des usages industriels, sans que des dates de déploiement commercial ne soient précisées.

ExosquelettesPaper

1 source

4arXiv cs.RO

Conception et contrôle d'un actionneur commutable à câble, à double mode couple/tension, pour exosquelettes

Un preprint publié le 22 septembre 2026 sur arXiv (2609.23487) décrit le CDSA (Cable-Driven Switchable Actuator), un actionneur à câble capable de basculer rapidement entre un mode couple articulaire et un mode tension linéaire pour l'assistance d'exosquelettes, toute l'électronique de capteurs et d'actionnement restant centralisée dans l'unité motrice proximale plutôt que répartie sur le membre. Le dispositif associe un mécanisme à poulie mobile couplée (CMPM), qui amplifie la tension à l'effecteur distal, et un mécanisme à cliquet bidirectionnel entraîné par câble (CDRM), qui gère le changement de mode et le réglage de la précharge, tandis que des capteurs proximaux multi-sources couplés à un modèle de fusion piloté par les données estiment les forces distales sans capteur embarqué sur le membre. Une commande de force adaptative à double mode, fondée sur l'apprentissage itératif (ILC), pilote l'ensemble. Sur banc d'essai, les rendements de transmission atteignent 92,4 ± 2,0% en mode couple et 96,5 ± 3,3% en mode tension, avec un ratio d'amplification de tension de 2,77 ± 0,10 ; le suivi de trajectoires simulant la marche au genou et de profils de tension courte course affiche des erreurs quadratiques moyennes de respectivement 4,52 ± 0,51% et 3,15 ± 0,19% de la valeur crête non contrôlée, et des essais avec un sujet humain assis valident la génération de force contrôlable dans les deux modes. Pour l'industrie des exosquelettes, ce travail cible une limitation structurelle connue : la plupart des architectures actuelles n'offrent qu'une seule modalité de sortie mécanique, soit un couple articulaire, soit une traction linéaire, ce qui impose des dispositifs dédiés selon le scénario de rééducation ou d'entraînement visé. Un actionneur unique capable de couvrir les deux usages simplifierait la conception de plateformes polyvalentes pour la rééducation du genou ou d'autres articulations et réduirait le nombre de références à industrialiser. Reporter toute la détection sur l'unité proximale, sans capteur distal, allège aussi le câblage porté par l'utilisateur, un point de friction classique des exosquelettes actifs, tout en conservant une estimation de force jugée fiable par fusion de données. Les résultats restent toutefois issus d'essais sur banc et d'une validation limitée à un seul sujet assis, loin des conditions d'usage clinique réel. Le travail s'inscrit dans une recherche plus large sur les actionneurs à câble pour exosquelettes, où les architectures publiées se répartissaient jusqu'ici entre systèmes à couple pur, orientés assistance articulaire, et systèmes à traction pure, orientés rééducation par étirement musculaire. Aucun acteur industriel, français ou étranger, n'est cité dans ce preprint, qui reste à ce stade une contribution académique non encore validée par les pairs, sans partenaire commercial ni calendrier de transfert technologique annoncé ; les auteurs et leur institution ne sont pas précisés dans le résumé arXiv disponible.

ExosquelettesPaper

1 source

UniExo : politiques unifiées multi-compétences pour la locomotion musculosquelettique et le contrôle co-adaptatif d'exosquelette

À lire aussi

Apprentissage par renforcement multi-agent d'un contrôle d'exosquelette de hanche co-adaptatif (MARL-Exo) pour réduire la dépense énergétique

Apprentissage d'une politique de contrôle adaptative en vitesse pour exosquelette de hanche par transfert simulation-réel

Contrôleur co-adaptatif entraîné en simulation pour exosquelettes de hanche : validation métabolique et biomécanique de l'entraînement multi-agents par étapes (SMAT)

Conception et contrôle d'un actionneur commutable à câble, à double mode couple/tension, pour exosquelettes