Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Calibration des offsets articulaires des membres inférieurs par contraintes de contact pour robots humanoïdes
RecherchearXiv cs.RO 

Calibration des offsets articulaires des membres inférieurs par contraintes de contact pour robots humanoïdes

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

Une méthode de calibration des décalages d'encodeurs articulaires pour les jambes de robots humanoïdes, sans capture de mouvement externe ni cibles fiduciaires, est détaillée dans un preprint arXiv (2609.02306v2, version corrigée). Le système utilise uniquement les encodeurs embarques et une IMU montée sur le bassin lors de phases d'appui bipodal statique, pieds fixes au sol. La dispersion posturale de la transformation cinématique entre les pieds est minimisée via un problème de moindres carres non linéaires sur 12 paramètres de décalage. Une analyse de la structure du Hessien montre que les axes de tangage parallèles induisent un couplage rotationnel, observable uniquement via la somme des décalages de tangage. Testee par simulation et par injection réelle sur deux plateformes, A2 et A3, la méthode réduit l'erreur RMS de hauteur du pied de 8,03 a 1,43 mm sur A2 et de 4,26 a 2,20 mm sur A3, résultat confirme par une référence LiDAR-inertielle indépendante.

Cette contribution vise un verrou pratique du déploiement industriel des humanoïdes: la calibration cinématique des jambes, aujourd'hui dépendante d'infrastructures de capture de mouvement couteuses et confinées au laboratoire. Une méthode auto-suffisante, ne requérant que quelques postures d'appui bipodal, pourrait réduire le temps et le cout de mise en service de flottes déployées hors labo, chez un intégrateur ou sur site industriel. Elle illustre surtout que la fiabilité des humanoïdes repose sur des briques d'ingénierie peu visibles, loin des démonstrations de marche mises en avant par les fabricants. Les auteurs restent transparents sur les limites: dans la chaine de tangage faiblement observable, les décalages individuels restent dépendants d'un a priori impose au genou, non entièrement résolus par la seule excitation des mouvements.

Les méthodes existantes de calibration des membres inférieurs s'appuient généralement sur des systèmes optiques ou des marqueurs externes, couteux et difficiles a déployer hors environnement contrôle. Les auteurs exploitent l'ordre cinématique spécifique de la hanche sur la plateforme A3, tangage puis roulis puis lacet, et montrent que l'excitation des axes de roulis et de lacet réduit le couplage avec le tangage de hanche. Publie en version corrigée sur arXiv, le travail relève de la recherche académique plutôt que de l'annonce commerciale, sans partenaire industriel ni calendrier de déploiement précise. Il s'inscrit dans les efforts visant a fiabiliser la locomotion bipède, alors que des acteurs comme Figure, Tesla ou Unitree cherchent a faire passer les humanoïdes de la démonstration au déploiement a grande échelle.

Dans nos dossiers

UnitreearXiv cs.RO

À lire aussi

Robots humanoïdes : la planification de trajectoire diversifiée par inférence de Stein contrainte globalisée
1arXiv cs.RO 

Robots humanoïdes : la planification de trajectoire diversifiée par inférence de Stein contrainte globalisée

Des chercheurs viennent de publier sur arXiv (référence 2607.12732v1) une nouvelle méthode baptisée SteinSQP, pour Stein Variational Sequential Quadratic Programming, destinée à la planification de mouvement robotique. Le constat de départ est simple: les planificateurs classiques ne renvoient généralement qu'une seule trajectoire, alors que le problème est par nature multimodal, avec plusieurs solutions à faible coût possibles. Les approches probabilistes existantes tentent de maintenir une distribution de mouvements plutôt qu'une trajectoire unique, mais peinent à garantir que chaque échantillon respecte les contraintes strictes propres à la robotique: évitement de collisions, limites articulaires, conditions de contact et cohérence dynamique. SteinSQP fait évoluer un ensemble de particules en interaction, à la manière des méthodes Stein variationnelles classiques, tout en intégrant directement ces contraintes dans un sous-problème de programmation quadratique séquentielle en espace noyau. Ce sous-problème contraint de type Stein-Newton est résolu via un algorithme primal-dual sans matrice explicite, optimisé pour le GPU, ce qui permet des mises à jour groupées de l'ensemble de particules. Sur cinq tâches de planification sous contraintes, la méthode produit des ensembles entièrement faisables tout en conservant des alternatives de mouvement diversifiées. L'enjeu dépasse la seule performance algorithmique. Pour les intégrateurs et les équipes de recherche en robotique, disposer de plusieurs trajectoires faisables plutôt que d'une seule change la donne pour le replanning en temps réel, la gestion des échecs d'exécution ou l'arbitrage entre plusieurs stratégies de mouvement selon le contexte. La méthode s'attaque frontalement à un écart connu du secteur: beaucoup de techniques d'échantillonnage diversifié fonctionnent bien sans contraintes, mais s'effondrent dès qu'il faut garantir la faisabilité physique de chaque particule à l'échelle du robot. Les auteurs affirment une convergence plus rapide et plus robuste, une meilleure faisabilité par particule, et un temps de résolution par lot inférieur à celui obtenu avec des bases Stein de premier ordre ou du multistart séquentiel en programmation non linéaire. Ce travail s'inscrit dans la lignée des méthodes d'inférence variationnelle de Stein (SVGD) appliquées à la planification de mouvement, un champ qui cherche à dépasser les limites des planificateurs mono-solution historiques comme CHOMP ou TrajOpt. Il s'agit ici d'une publication de recherche, sans déploiement matériel ni partenaire industriel annoncé; les auteurs comparent leur approche à des méthodes concurrentes de premier ordre et à des solveurs NLP classiques, sans préciser de calendrier vers une intégration en conditions réelles.

RecherchePaper
1 source
ContactMimic : interaction avec des objets par un robot humanoïde grâce au contrôle des contacts
2arXiv cs.RO 

ContactMimic : interaction avec des objets par un robot humanoïde grâce au contrôle des contacts

Wiping a board, sitting on a chair ou pousser un meuble : ces tâches semblent réussies dès que le robot atteint la bonne posture, mais sans contact physique réel avec l'objet, elles échouent en pratique. C'est le constat de départ de CONTACTMIMIC, un framework d'apprentissage présenté dans un article publié le 10 juillet sur arXiv (2607.08742). L'équipe y ajoute aux trajectoires de points-clés classiques (keypoint tracking) des commandes de contact binaires, définies au niveau de chaque partie du corps. La politique résultante s'appuie sur deux ingrédients : des récompenses qui suivent explicitement le contact et un schéma d'augmentation de trajectoires conçu pour casser la corrélation entre géométrie des points-clés et étiquettes de contact. Résultat, le robot peut produire ou supprimer un contact à la demande, indépendamment de sa pose. Sur 10 mouvements d'interaction homme-objet testés en simulation, CONTACTMIMIC dépasse les trackers uniquement basés sur les points-clés, sans recourir à des récompenses spécifiques à chaque tâche. Le transfert sim-to-real a été validé sur 5 mouvements réels. L'enjeu dépasse la démonstration technique : la plupart des pipelines d'imitation de mouvement pour humanoïdes optimisent la fidélité cinématique, pas l'interaction physique effective, un angle mort qui limite l'utilité pratique des politiques de manipulation whole-body déployées sur des plateformes comme Figure 03, Optimus ou des architectures VLA type GR00T N2, Pi-0 ou Helix. Découpler contact et géométrie ouvre la voie à des contrôleurs capables d'exécuter des tâches ménagères ou industrielles réelles (essuyer, pousser, s'asseoir) sans réentraînement par tâche, un prérequis pour que les humanoïdes sortent de la démonstration scriptée. Le travail s'inscrit dans la lignée des méthodes de suivi de points-clés pour le contrôle corps entier des humanoïdes, dont il expose les limites via des ablations confirmant la nécessité de l'augmentation de trajectoires. Aucun partenaire industriel n'est mentionné : il s'agit pour l'instant d'une contribution de recherche en simulation et validation restreinte en réel, dont les vidéos sont disponibles en ligne, sans calendrier de déploiement annoncé.

RecherchePaper
1 source
Retargeting de contacts guidé par VLM et modélisation générative du partenaire pour l'interaction humanoïde-humain
3arXiv cs.RO 

Retargeting de contacts guidé par VLM et modélisation générative du partenaire pour l'interaction humanoïde-humain

Des chercheurs présentent REACT, un framework d'apprentissage de politiques d'interaction humanoïde-humain à partir de démonstrations humain-humain, publié sur arXiv (2610.28523). Le système a été évalué en simulation et sur un robot réel Unitree G1, sur cinq interactions riches en contacts physiques. La chaîne de traitement comporte trois étapes. Un VLM (modèle vision-langage) identifie d'abord les contacts sémantiquement pertinents dans les données de capture de mouvement, puis les retransfère sur la géométrie humanoïde-humain en préservant la structure de l'interaction. Des politiques « privilégiées », qui accèdent à l'état complet du partenaire, apprennent ensuite des comportements physiquement cohérents grâce à des récompenses de contact sensibles à l'interaction. Elles sont enfin distillées en politiques déployables fondées sur la profondeur égocentrique, entraînées uniquement avec les capteurs embarqués grâce à un rendu photoréaliste de profondeur humaine. Des objectifs de modélisation générative de l'état du partenaire prédisent son mouvement à partir de vues occultées. Selon les auteurs, la modélisation sémantique des contacts améliore nettement la préservation des interactions démontrées, et la modélisation générative améliore le rappel de contact sur quatre interactions sur cinq, surtout en cas de forte occultation. Sur le matériel réel, les cinq interactions sont exécutées avec les seuls capteurs embarqués. L'enjeu porte sur un verrou central de l'interaction physique : au contact rapproché, le partenaire humain est occulté, tronqué ou hors du champ de vision, ce qui fait échouer l'estimation de pose. Beaucoup de démonstrations reposent donc sur un suivi externe (capture de mouvement, caméras fixes) ou sur l'état humain privilégié, des dispositifs inutilisables hors laboratoire. Une politique qui fonctionne sans eux rapproche l'humanoïde de cas d'usage réalistes : assistance, soins, collaboration en atelier. Le travail traite aussi un problème de données souvent négligé, les erreurs de capture dues aux occultations mutuelles entre humains. Il faut toutefois rester prudent. Il s'agit d'un préprint non évalué par les pairs, sur un seul robot, avec seulement cinq interactions. Le résumé ne donne ni taux de réussite chiffrés, ni durées d'essai, ni mesure de robustesse face à des morphologies ou comportements humains variés. L'écart entre démonstration en laboratoire et déploiement fiable reste donc entier. Le contexte est celui d'une course où l'humanoïde Unitree G1, relativement abordable, sert de plateforme de recherche standard. Les approches dominantes d'apprentissage de politiques de corps entier se concentrent surtout sur la locomotion et la manipulation, l'interaction humain-robot restant plus rare, car plus risquée et plus difficile à simuler. REACT s'inscrit dans la tendance à utiliser des modèles de fondation (ici un VLM) comme source de supervision sémantique, plutôt que de simples heuristiques géométriques. Les prochaines étapes naturelles seraient des tests sur d'autres plateformes, davantage d'interactions et des évaluations avec des participants variés, ainsi que des garanties de sécurité en contact. Aucun partenaire industriel, calendrier de pilote ni déploiement commercial n'est annoncé.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
Contact-UAN : réseaux d'actionneurs non supervisés comme modèle du monde résiduel pour le contrôle de robots humanoïdes
4arXiv cs.RO 

Contact-UAN : réseaux d'actionneurs non supervisés comme modèle du monde résiduel pour le contrôle de robots humanoïdes

Des chercheurs présentent Contact-UAN, un « modèle du monde résiduel » qui corrige les écarts de dynamique des actionneurs entre simulation et robot réel pour les humanoïdes, décrit dans un preprint arXiv (2610.18991). L'approche conserve les a priori physiques du simulateur et n'apprend que la correction de la dynamique des actionneurs, de façon non supervisée (UAN, pour Unsupervised Actuator Network). Le modèle est entraîné sur seulement 6,5 minutes de marche enregistrée sur matériel réel, à partir de la seule proprioception embarquée. Selon les auteurs, les politiques entraînées ensuite en simulation avec ce modèle se transfèrent au robot avec 20 % de couple en moins à la course et 43 % d'erreur de suivi de force en moins. Ils annoncent aussi une compliance extrême, un contrôle d'impédance précis et des sauts dynamiques et robustes. Le preprint ne précise pas, dans son résumé, la plateforme humanoïde utilisée ni la taille des échantillons d'essais. Il s'agit de résultats de laboratoire, pas d'un produit ni d'un déploiement. Le problème visé est connu des équipes qui entraînent des politiques de locomotion par apprentissage par renforcement. Une politique apprise en simulation peut reproduire qualitativement le bon mouvement sur le robot tout en échouant sur les interactions de force : couple gaspillé, mauvaise régulation de la charge, faible robustesse aux impacts. Or les forces de contact dépendent directement des couples des actionneurs, donc des écarts de modélisation des moteurs, réducteurs et frottements. Cela compte pour les intégrateurs et les décideurs industriels, car les tâches utiles en usine ou en logistique (porter, pousser, interagir avec un environnement) exigent un contrôle des forces, pas seulement de la posture. Le fait que 6,5 minutes de données suffisent à généraliser à des tâches très différentes de la marche (sauts, impédance) suggère un coût d'adaptation faible. Ce résultat reste à confirmer sur d'autres robots, d'autres actionneurs et en dehors du banc d'essai des auteurs. Le contexte est celui d'un champ où les « actuator nets », réseaux appris pour modéliser les moteurs, sont apparus avec la locomotion quadrupède, avant d'être étendus à l'humanoïde. La randomisation de domaine, l'identification de système et les modèles résiduels concurrents répondent au même défaut, mais ne garantissent pas la cohérence des forces de contact. La contribution propre de Contact-UAN est le rejeu cohérent en contact. Si la lecture des données réelles dans le simulateur démarre avec des torseurs de contact mal alignés, le modèle apprend à corriger des artefacts de réinitialisation plutôt que les vrais écarts d'actionneurs. Pour l'éviter, il estime, à partir de la proprioception seule, la pose du pied d'appui côté simulateur. La suite logique passe par la validation sur d'autres humanoïdes, des tâches de manipulation et un code ou des données publiés. Les résultats actuels reposent sur le seul résumé du preprint, sans relecture par les pairs.

RecherchePaper
1 source