Apprentissage de la locomotion humanoïde adaptée à la scène en environnement 3D encombré à partir de démonstrations humaines immersives

Des chercheurs présentent Moving Through Clutter (MTC), un système d'apprentissage par démonstration pour la locomotion humanoïde en environnement encombré, décrit dans un article publié sur arXiv (2609.21107) fin septembre 2026. Alors que les travaux précédents sur l'imitation de mouvements humains ont surtout produit des prouesses dynamiques en espace dégagé, comme la danse ou les arts martiaux, MTC s'attaque à la traversée d'espaces tridimensionnels contraints par des obstacles. Le pipeline collecte des démonstrations humaines dans des environnements de réalité virtuelle générés de façon procédurale, ce qui évite de construire physiquement des décors d'obstacles coûteux. Un algorithme de retargeting tenant compte de la scène convertit ensuite ces mouvements humains en trajectoires exploitables par le robot, en imposant une marge de sécurité stricte entre le corps du robot et la géométrie environnante pour garantir une traversée sans collision. La politique de locomotion ainsi entraînée est déployée sur un humanoïde Unitree G1. Sur le benchmark interne MTC-Challenge, conçu pour la traversée multi-obstacles, le robot atteint un taux de réussite sans collision de 70,2% sur des scénarios variés, incluant la reptation dans des passages à faible hauteur et le passage par des interstices étroits.

Ce travail cible un angle mort de la robotique humanoïde actuelle: la plupart des démonstrations publiques (marche, danse, sauts) se déroulent en terrain dégagé, alors que les usages industriels visés, entrepôts, usines, chantiers, exigent une navigation fine autour d'obstacles tridimensionnels denses comme des étagères basses, tuyauteries ou racks. Pour les intégrateurs et décideurs qui évaluent le déploiement d'humanoïdes en environnement logistique, un taux de 70,2% de traversées réussies signale que le problème est loin d'être résolu au niveau de fiabilité attendu en production, même si la méthode montre que l'apprentissage par démonstration immersive en VR peut générer des comportements corporels complexes sans motion capture sur décor physique coûteux. Cela confirme aussi que la génération procédurale de données synthétiques reste un levier clé pour faire monter en échelle l'apprentissage de compétences humanoïdes avancées.

Le champ de la locomotion humanoïde par imitation a produit ces deux dernières années des démonstrations spectaculaires sur des plateformes comme Unitree G1, Figure ou Optimus, mais la traversée d'environnements encombrés restait peu explorée. MTC s'inscrit dans cette lignée en élargissant le périmètre à des scènes tridimensionnelles complexes plutôt qu'à du terrain plat. Le choix du G1 d'Unitree, plateforme abordable largement utilisée en recherche académique, confirme son rôle de banc d'essai de référence face à des plateformes plus onéreuses comme Figure 03. L'article ne mentionne ni partenaire industriel ni calendrier de déploiement pilote: il s'agit à ce stade d'un travail de recherche évalué sur un benchmark maison, sans validation en environnement réel de production.