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

Le facteur de charge prédit une locomotion quadrupède robuste sous contraintes, quel que soit le type d'allure

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

Une équipe de recherche publie sur arXiv (article 2609.22073v1, soumis le 21 septembre 2026) une étude intitulée "Duty Factor Predicts Robust Constrained Quadrupedal Locomotion Across Gait Types". Les auteurs comparent trois architectures de contrôle pour robots quadrupèdes : une optimisation de trajectoire corps entier couplée à un retour LQR (régulateur linéaire quadratique), un contrôleur de marche appris par apprentissage, et un contrôle prédictif de modèle centroidal (MPC). Résultat central : le duty factor, soit la fraction du cycle de marche pendant laquelle chaque patte reste au sol, prédit mieux la convergence de l'erreur et la robustesse locale que le type de démarche nominal, marche ou trot. Ces tendances sont confirmées par des essais sur un quadrupède physique évoluant sur un terrain étroit et contraint.

Pour les ingénieurs et intégrateurs qui conçoivent des plateformes à pattes destinées à des environnements contraints, usine, chantier, terrain accidenté, ce résultat propose un paramètre de réglage simple et unidimensionnel pour ajuster la robustesse sans changer de démarche. Plutôt que de choisir entre marche et trot selon la vitesse ou le terrain, régler le duty factor suffirait à gagner en stabilité, quel que soit l'algorithme utilisé, optimisation classique, apprentissage, ou MPC. Le fait que la tendance se vérifie sur trois architectures de contrôle distinctes suggère une propriété générale de la dynamique quadrupède plutôt qu'un artefact propre à une méthode, ce qui pourrait simplifier la conception de futurs contrôleurs robustes destinés à opérer hors laboratoire.

Ce travail s'inscrit dans une recherche visant à dépasser la classification traditionnelle des démarches en isolant les paramètres continus, duty factor, vitesse, largeur d'appui, qui varient à l'intérieur d'un même type de démarche et conditionnent la robustesse aux perturbations. Il s'agit d'un preprint arXiv non encore évalué par les pairs, avec une validation expérimentale limitée à un seul robot physique sur un scénario de terrain étroit, sans précision sur le fabricant de la plateforme ni de calendrier de déploiement industriel. Aucun acteur commercial, français ou international, n'est cité dans l'étude, qui reste à ce stade un travail académique orienté conception plutôt qu'un produit ou un déploiement réel.

Dans nos dossiers

arXiv cs.RO

À lire aussi

Imiter et affiner le contrôle prédictif par modèle pour une locomotion quadrupède robuste et symétrique
1arXiv cs.RO 

Imiter et affiner le contrôle prédictif par modèle pour une locomotion quadrupède robuste et symétrique

Une équipe de chercheurs a publié le framework IFM (Imitating and Finetuning Model Predictive Control), une approche hybride pour le contrôle de robots quadrupèdes sur des terrains difficiles. La méthode, disponible sur arXiv sous la référence 2311.02304v3, s'articule en trois phases séquentielles : d'abord, un contrôleur MPC classique est construit à partir de la Programmation Dynamique Différentielle (DDP) couplée à l'heuristique de Raibert pour définir une politique experte ; ensuite, ce contrôleur est cloné par apprentissage par imitation afin de le rendre adaptable par gradient ; enfin, un deep reinforcement learning (RL) à exploration volontairement limitée affine la politique sur des terrains exigeants, notamment surfaces rugueuses, revêtements glissants et tapis roulants. Des expériences menées en simulation puis sur matériel réel valident les performances du framework dans ces trois configurations. Le principal apport d'IFM est de combiner la robustesse formelle du contrôle model-based et la flexibilité de l'apprentissage profond, sans les défauts propres à chaque approche prise isolément. En pratique, IFM produit des allures (gaits) significativement plus symétriques, périodiques et économes en énergie que le RL classique dit "Vanilla RL", tout en réduisant considérablement le travail de reward shaping, c'est-à-dire la conception laborieuse de fonctions de récompense qui constitue l'un des principaux freins industriels au RL pour la locomotion. L'exploration limitée en phase RL est une décision architecturale notable : elle contraint le réseau à rester proche de la politique MPC apprise, ce qui stabilise l'apprentissage sur des terrains hors distribution sans divergence comportementale, un résultat difficile à obtenir avec du RL pur. Le contrôle de la locomotion quadrupède est un champ de recherche dense depuis les travaux fondateurs de Marc Raibert au MIT Leg Lab dans les années 1980, dont l'heuristique de placement de pied est encore employée ici comme référence. Les approches récentes se partagent entre contrôle model-based pur (ETH Zurich avec ANYmal et le groupe RSL), RL pur (UC Berkeley, Carnegie Mellon) et hybrides croissants. IFM s'inscrit dans cette troisième catégorie, en compétition directe avec des pipelines teacher-student d'ETH Zurich ou des frameworks comme DribbleBot. La publication ne mentionne aucun déploiement industriel ni partenariat commercial : il s'agit d'une contribution académique, dont la valeur pratique dépendra de sa transferabilité à des robots commerciaux comme l'Unitree Go2 ou le Boston Dynamics Spot, plateformes sur lesquelles plusieurs groupes appliquent déjà des méthodologies similaires.

RecherchePaper
1 source
CARO : observation résiduelle indépendante du contact pour une locomotion quadrupède robuste en zero-shot
2arXiv cs.RO 

CARO : observation résiduelle indépendante du contact pour une locomotion quadrupède robuste en zero-shot

Un article publié sur arXiv (référence 2608.24217v1) présente CARO (Contact-Agnostic Residual Observation), un framework d'adaptation de politique pour la locomotion de robots quadrupèdes par apprentissage par renforcement. La méthode intègre un modèle physique d'Euler-Lagrange à base fixe dans la boucle de contrôle et construit un signal résiduel au niveau du couple moteur, sans capteur de couple dédié, sans estimation explicite du contact au sol et sans mesure visuelle de la position ou de la vitesse de la base du robot. Un observateur de perturbation isole l'écart entre dynamique réelle et modèle nominal, que la politique exploite pour s'adapter en temps réel, sans curriculum d'entraînement spécialisé. Les auteurs rapportent une robustesse "zero-shot" nettement améliorée, en simulation comme lors du transfert vers le réel, face à des charges inhabituelles, des déplacements du centre de masse, des terrains variés, des changements brusques de dynamique et des atterrissages sur plateformes surélevées. L'intérêt de CARO tient à ce qu'il supprime deux dépendances coûteuses de la locomotion quadrupède: les capteurs de couple, souvent chers et bruités, et l'estimation explicite du contact au sol, point faible connu des politiques de marche en conditions réelles. En s'appuyant sur un modèle physique embarqué plutôt que sur du matériel ou une supervision additionnelle, la méthode simplifie le pipeline d'entraînement et pourrait faciliter le transfert simulation-vers-réel, l'un des principaux obstacles à la fiabilisation des robots quadrupèdes en usage industriel. Les résultats proviennent toutefois d'un article de recherche testé en simulation et en laboratoire, pas d'un déploiement commercial. Ce travail s'inscrit dans un courant de recherche actif sur l'adaptation en ligne des politiques de locomotion, domaine où laboratoires universitaires et entreprises comme Boston Dynamics, Unitree ou ANYbotics cherchent aussi à améliorer la robustesse de leurs quadrupèdes face aux perturbations de terrain et de charge. La difficulté récurrente reste l'écart entre performance en simulation et comportement réel, souvent dû au bruit des capteurs et à la complexité de l'estimation du contact. Publié en août 2026, l'article ne mentionne aucun partenariat industriel ni plan de déploiement: il s'agit d'une contribution académique dont la validation sur d'autres plateformes robotiques constituera la prochaine étape.

RecherchePaper
1 source
Des priors de diffusion avec contraintes pour une locomotion quadrupède haute fidélité et polyvalente
3arXiv cs.RO 

Des priors de diffusion avec contraintes pour une locomotion quadrupède haute fidélité et polyvalente

Une équipe de chercheurs publie Diff-CAST (Diffusion-guided Constraint-Aware Symmetric Tracking), un nouveau cadre de prior de mouvement pour la locomotion quadrupède biomimétique, déposé le 12 mai 2026 en preprint sur arXiv (2605.08804). La méthode substitue les modèles de diffusion aux discriminateurs GAN classiquement utilisés dans les pipelines combinant apprentissage par renforcement (RL) et imitation learning. L'architecture intègre deux composants : le SACC (Symmetric Augmented Command Conditioning), conçu pour corriger les dérives involontaires de cap lors de manœuvres complexes hors distribution, et un bloc de RL contraint (Constrained RL) chargé de garantir la conformité aux limites dynamiques des actionneurs lors du passage sur matériel physique, dans un schéma global baptisé Sim2Re. Le verrou que Diff-CAST cherche à lever est documenté dans la communauté : à mesure que les jeux de données de mouvement grossissent et se diversifient (sources multiples, données non curées), les discriminateurs GAN s'effondrent en mode collapse, incapables de modéliser des distributions multi-modales complexes. Les modèles de diffusion, dont la supériorité sur ce point est établie en génération d'images et de trajectoires, constituent une alternative logique. Si les expériences sur quadrupède réel confirment les résultats annoncés, cela ouvrirait la voie à un scaling massif de datasets hétérogènes sans perte de diversité comportementale, notamment pour des transitions fluides entre marche, trot et récupération. Il convient cependant de souligner que le papier est un preprint non évalué par les pairs, et que le gap sim-to-real reste à valider indépendamment. La locomotion quadrupède à base de RL est un domaine consolidé depuis les travaux d'ANYbotics sur ANYmal et du laboratoire Robotic Systems Lab d'ETH Zurich, prolongés par des équipes de Carnegie Mellon et Berkeley. Unitree (Go2, H1) et Boston Dynamics industrialisent ces méthodes, tandis que le secteur académique cherche à réduire la dépendance aux données de capture de mouvement coûteuses au profit de datasets non curés. Diff-CAST s'inscrit précisément dans cette tendance. Les prochaines étapes attendues sont la publication du code source, des benchmarks standardisés sur des plateformes comme Isaac Lab ou legged gym, et une validation multi-robots au-delà du quadrupède utilisé dans les expériences reportées.

RecherchePaper
1 source
Vers une prédictibilité fiable du transfert simulation-réel pour la locomotion quadrupède robuste à base de MoE
4arXiv cs.RO 

Vers une prédictibilité fiable du transfert simulation-réel pour la locomotion quadrupède robuste à base de MoE

Des chercheurs ont présenté dans un preprint arXiv (2602.00678, version 4) un cadre unifié combinant une politique de locomotion Mixture-of-Experts (MoE) et RoboGauge, une suite d'évaluation prédictive du transfert simulation-réel, appliquée à la locomotion quadrupède. L'architecture MoE déploie un ensemble d'experts spécialisés activés par un mécanisme de gating, chacun modélisant un sous-espace distinct de représentation du terrain et des commandes moteur, en s'appuyant uniquement sur la proprioception (encodeurs articulaires, centrale inertielle), sans caméra ni LiDAR. Les expériences sur un Unitree Go2 ont validé une locomotion robuste sur des terrains non vus à l'entraînement: neige, sable, escaliers, pentes et obstacles de 30 cm. En tests haute vitesse, le robot a atteint 4 m/s, avec apparition spontanée d'une allure à faible écartement latéral que les auteurs associent à une meilleure stabilité dynamique à grande vitesse. L'apport central est RoboGauge, qui génère des métriques proprioceptives multi-dimensionnelles via des tests sim-to-sim couvrant plusieurs terrains, niveaux de difficulté et randomisations de domaine, permettant de sélectionner le meilleur checkpoint de politique MoE sans validation physique répétée. Pour les équipes de R&D et les intégrateurs industriels, cela adresse directement le principal goulot d'étranglement du déploiement de robots marcheurs: le coût et le risque des essais terrain. La robustesse obtenue avec proprioception seule est également significative, car elle conteste l'hypothèse fréquente selon laquelle la vision ou le LiDAR seraient indispensables hors d'environnements contrôlés, élargissant l'espace d'application en milieux non structurés (entrepôts, chantiers, extérieurs). Il convient cependant de noter que les métriques de vitesse et d'obstacle sont issues de tests en conditions choisies, sans données de taux d'échec agrégées sur des déploiements prolongés. Ce travail s'inscrit dans une filière de recherche initiée par ETH Zurich avec ANYmal (commercialisé par ANYbotics) et les équipes de Berkeley sur l'apprentissage agile en locomotion. Le Unitree Go2, vendu autour de 1 600 dollars, est devenu la plateforme de référence académique en raison de son accessibilité. Les concurrents industriels comme Boston Dynamics (Spot) ou les acteurs AMR européens comme Exotec développent des approches similaires de robustesse multi-terrain, bien que leurs validations restent largement propriétaires. Les suites naturelles de ce travail incluent la publication de RoboGauge comme outil de benchmark open-source inter-plateformes et son extension potentielle à d'autres morphologies, notamment les humanoïdes dont le transfert sim-to-real reste un défi ouvert.

UESi RoboGauge est publié en open source, les équipes européennes (ANYbotics, intégrateurs industriels UE) bénéficieraient d'un outil de benchmark standardisé réduisant les coûts de validation physique pour la locomotion quadrupède.

RecherchePaper
1 source