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

Prédiction rapide des mouvements sous incertitude de modèle grâce à l'atteignabilité conditionnée par la direction

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

Un article publié sur arXiv le 24 septembre 2026 (référence 2609.27077) propose une méthode de calcul rapide des ensembles atteignables pour prédire le mouvement d'agents voisins dont le modèle dynamique est incertain. Pour une direction de requête donnée, par exemple "vers le robot", l'algorithme choisit un seul modèle admissible dont l'extension atteignable dans cette direction égale presque celle de toute la famille de modèles incertains, puis ne calcule que cet ensemble unique plutôt que celui de la famille complète. Sur un modèle de bicyclette linéaire incertain, ce pipeline tourne environ trois fois plus vite que le calcul complet dans la boîte à outils CORA, avec un écart d'extension inférieur à 5% dans les directions testées. La méthode a aussi été validée en simulation multi-véhicules en boucle fermée, le robot interrogeant à chaque étape de replanification jusqu'où chaque véhicule voisin peut se rapprocher de lui avant d'ajuster sa trajectoire.

La plupart des planificateurs n'ont besoin de connaître l'extension atteignable que dans une seule direction utile, alors que les méthodes existantes calculent systématiquement l'ensemble complet, ce qui coûte cher en temps de calcul lors d'une replanification fréquente et en temps réel. Un gain de vitesse d'un facteur trois pour une perte de précision inférieure à 5% intéresse donc directement les concepteurs de planificateurs pour robots mobiles, véhicules autonomes et flottes d'AMR, qui doivent éviter des agents dont la dynamique reste toujours partiellement inconnue. Ces chiffres reposent cependant sur un seul cas d'étude simulé, un modèle de bicyclette comparé à CORA, sans test sur robot physique, ce qui appelle à la prudence avant d'extrapoler ces gains à des systèmes non linéaires plus complexes.

Le travail s'inscrit dans le champ de l'analyse d'atteignabilité pour la vérification et la planification sous incertitude, un domaine où la boîte à outils open-source CORA fait référence. Les méthodes existantes propagent généralement tout l'intervalle des matrices incertaines, un coût qui croît avec la dimension du système et freine l'usage embarqué; les auteurs proposent à la place une sélection d'un seul modèle représentatif par direction interrogée, pensée comme une brique logicielle réutilisable dans des pipelines d'évitement de collision existants. L'article ne mentionne aucun partenaire industriel ni acteur français ou européen, et ses suites annoncées restent d'ordre académique, avec une extension envisagée vers des modèles dynamiques non linéaires et d'autres solveurs de reachability.

Dans nos dossiers

arXiv cs.RO

À lire aussi

MoPA : manipulation mobile coordonnée grâce à l'alignement de la perception par sous-système
1arXiv cs.RO 

MoPA : manipulation mobile coordonnée grâce à l'alignement de la perception par sous-système

Une équipe de recherche présente MoPA, un nouveau framework pour la manipulation mobile coordonnée, détaillé dans un article publié sur arXiv (2609.12081) en septembre 2026. Le système s'attaque au problème central de la manipulation mobile, où le contrôle de la base et celui du bras exigent des informations perceptuelles à des échelles spatiales différentes tout en restant cinématiquement couplés. MoPA repose sur trois mécanismes: des "Dual Perceptual Streams" qui utilisent deux banques de requêtes mutuellement masquées pour extraire des représentations perceptuelles séparées à partir d'un même contexte vision-langage, un module de "Perception2Action Adaptation" qui met à jour conjointement chaque banque de requêtes et son flux d'action correspondant à chaque couche d'un décodeur de type Mixture-of-Transformers, et un "coupled conditional flow matching" qui apprend un champ vectoriel unique pour générer de façon coordonnée les deux segments d'action, base et bras. Sur le benchmark de simulation ManiSkill-HAB, MoPA atteint des performances état de l'art sur les trois suites de tâches testées. Sur quatre tâches réelles en laboratoire, le système obtient un taux de réussite complet moyen de 76,3%, soit 12,5 points de pourcentage de mieux que la meilleure méthode concurrente évaluée par les auteurs. Cette contribution vise un angle mort précis des politiques de manipulation mobile actuelles: la plupart des architectures existantes génèrent des actions spécialisées pour la base et pour le bras, mais conditionnent ces deux branches hétérogènes sur une seule représentation perceptuelle partagée, sans expliciter la correspondance perception-action propre à chaque sous-système. Pour les intégrateurs et équipes robotique qui déploient des manipulateurs mobiles ou des humanoïdes en environnement industriel, ce travail pointe un levier d'optimisation encore peu exploité: aligner la perception elle-même sur la granularité spatiale requise par chaque modalité d'action, plutôt que de tout faire reposer sur un encodeur vision-langage générique unique. Le gain de 12,5 points en conditions réelles, s'il se confirme au-delà des quatre tâches testées, alimente le débat sur la capacité des politiques génériques de type VLA à passer à l'échelle sur des tâches combinant navigation et manipulation fine. Le papier s'inscrit dans le courant de recherche sur les politiques vision-langage-action appliquées à la manipulation mobile, où la coordination entre navigation et dextérité reste un défi ouvert malgré les progrès récents des architectures transformer et des méthodes de flow matching pour la génération d'actions continues. Les auteurs positionnent MoPA face aux approches existantes qui séparent la génération d'actions par sous-système sans traiter l'alignement perceptuel correspondant, une limite corrigée ici par construction. À ce stade, MoPA reste une contribution académique validée en simulation et sur un nombre restreint de tâches réelles, sans annonce de déploiement industriel ni de partenariat commercial. Un site associé (mopa-policy.github.io) propose code et démonstrations, et des études d'ablation détaillées dans l'article visent à isoler la contribution de chacun des trois mécanismes proposés.

RecherchePaper
1 source
Apprentissage continu pour la prédiction de franchissabilité avec adaptation sensible à l'incertitude
2arXiv cs.RO 

Apprentissage continu pour la prédiction de franchissabilité avec adaptation sensible à l'incertitude

Des chercheurs présentent, dans un preprint publié sur arXiv (arXiv:2609.17141v1), un nouveau cadre d'apprentissage continu pour la prédiction de traversabilité des robots mobiles en environnement non structuré, c'est-à-dire la capacité à estimer si un terrain donné peut être franchi sans perte de traction ni instabilité dynamique. Le système combine un modèle génératif de rappel d'expérience, qui permet au robot de conserver la connaissance des terrains déjà rencontrés sans stocker de données brutes, à une estimation de l'incertitude des échantillons générés, utilisée pour guider l'adaptation à de nouveaux environnements. La méthode a été validée en conditions réelles sur un robot à direction par glissement (skid-steering), testé sur une série d'environnements variés, avec des résultats montrant une adaptation progressive aux nouveaux terrains tout en limitant l'oubli catastrophique des terrains précédemment appris. Ce travail cible un verrou concret pour l'autonomie robotique en extérieur : les modèles de traversabilité appris par apprentissage automatique s'ajustent en général mal à un terrain inédit, et lorsqu'ils y parviennent, ils tendent à oublier ce qu'ils savaient des terrains précédents, l'oubli catastrophique. Ce défaut est rédhibitoire pour tout robot destiné à opérer en continu sur des sites hétérogènes (carrières, chantiers, zones agricoles ou d'intervention), où le stockage exhaustif de données de navigation pour du réentraînement périodique est coûteux, voire impossible en embarqué. Une approche capable d'apprendre en ligne, sans rejouer un historique complet, tout en quantifiant sa propre incertitude, intéresse directement les intégrateurs de robots à roues ou chenilles tout-terrain (UGV) confrontés à la variabilité des sols. La prédiction de traversabilité s'appuie traditionnellement sur des capteurs visuels ou proprioceptifs couplés à des réseaux appris hors ligne, une approche qui bute sur la généralisation aux terrains non vus pendant l'entraînement. Le recours à un modèle génératif pour le rejeu d'expérience s'inscrit dans une famille de méthodes de replay génératif étudiées en apprentissage continu, alternative aux approches classiques par mémoire tampon de données brutes. L'article ne mentionne ni partenariat industriel ni calendrier de déploiement : il s'agit à ce stade d'une contribution de recherche validée en laboratoire sur un seul type de plateforme, sans indication de transfert vers un produit commercial.

RecherchePaper
1 source
Transformer Transformer : un modèle unifié pour la co-conception de robots conditionnée par le mouvement
3arXiv cs.RO 

Transformer Transformer : un modèle unifié pour la co-conception de robots conditionnée par le mouvement

Une équipe de recherche publie sur arXiv (2607.25798v1) un nouveau modèle baptisé Transformer Transformer, conçu pour la co-conception de robots conditionnée par le mouvement. L'idée : générer automatiquement des architectures robotiques complètes capables de suivre des trajectoires d'effecteur cibles issues de démonstrations humaines, tout en optimisant des fonctions de récompense définies par l'utilisateur. Le système repose sur les RoboTokens, une tokenisation unifiée des morphologies, états et actions des robots, qui permet à une seule architecture de diffusion transformer de fonctionner sur des espaces d'embodiment très différents : robots bimanuels à roues, quadrupèdes, humanoïdes. Plutôt que d'optimiser pour une récompense unique, le modèle agit comme un modèle de dynamique générique, dont les prédictions d'état et d'action servent ensuite à calculer des valeurs spécifiques à chaque objectif, via une procédure nommée Dynamics Self-Guidance qui guide la diffusion vers des designs à haute valeur. Preuve concrète : les chercheurs ont fabriqué une version optimisée de la plateforme ALOHA, réduisant l'erreur de suivi de trajectoire de plus de 70 % par rapport au design d'origine. L'intérêt pour le secteur tient à ce que la conception mécanique des robots reste largement découplée du contrôle et de l'apprentissage, alors que la performance en manipulation dépend fortement de l'embodiment. Un modèle capable d'optimiser en zero-shot pour des récompenses et trajectoires jamais vues, plus rapidement qu'une baseline évolutionniste, ouvre la voie à des cycles de co-conception matériel-logiciel beaucoup plus rapides pour les intégrateurs et les fabricants de bras ou de plateformes bimanuelles. C'est un signal supplémentaire que les architectures de type transformer/diffusion, déjà dominantes pour les politiques VLA, s'étendent maintenant à la conception physique elle-même, et pas seulement au contrôle. Le travail s'inscrit dans la lignée de la recherche sur la co-conception robotique, historiquement dominée par des algorithmes évolutionnistes coûteux en calcul et spécifiques à une seule récompense. ALOHA, plateforme bimanuelle open source popularisée par les travaux de Stanford et Google, sert ici de banc d'essai matériel concret plutôt que de simple simulation. Le papier ne précise pas de calendrier de déploiement industriel ni de partenaire, il s'agit à ce stade d'un résultat de recherche fraîchement publié, dont la portée reste à confirmer sur des espaces de conception plus larges.

RecherchePaper
1 source
XEWorld : les modèles du monde conditionnés par l'action se généralisent-ils à des robots inédits ?
4arXiv cs.RO 

XEWorld : les modèles du monde conditionnés par l'action se généralisent-ils à des robots inédits ?

XEWorld, un banc d'essai contrôle présente par une équipe de recherche, évalué si les modèles du monde conditionnes par l'action, des simulateurs appris pour la manipulation robotique, généralisent a des robots jamais vus pendant l'entrainement. Le protocole isole la variable embodiment en testant des robots non vus dans des scènes physiquement identiques a celles de l'entrainement. Le constat est net: les modèles actuels se comportent avant tout comme des systèmes d'appariement visuel en 2D, dont la généralisation dépend de la similarité visuelle avec les robots déjà vus, et non de la similarité cinématique réelle. Consequence directe, ils peinent a traduire une commande articulaire numérique en trajectoire visuelle cohérente et échouent a prédire une évolution dynamique de la scene a partir d'une simple image statique de départ. Pour rendre correctement un embodiment inédit en zero-shot, il faut leur fournir des actions déjà projetées dans l'espace des pixels et un alignement spatio-temporel explicite, ce qui contourne le problème plutôt que de le résoudre. Meme quand l'adaptation few-shot permet de récupérer l'apparence du nouveau robot, elle declenche un oubli catastrophique des embodiments déjà appris. Ce résultat pèse directement sur l'industrie robotique: les modèles du monde sont promus comme des simulateurs bon marche pour entrainer des politiques VLA telles que Pi-0, GR00T N2 ou Helix, en complément ou en remplacement de la collecte de données réelles et des moteurs physiques classiques. Si ces simulateurs appris ne généralisent pas au-delà des robots vus a l'entrainement, chaque nouvel humanoïde, bras industriel ou plateforme mobile nécessiterait son propre modèle reentraine, ce qui fragilise la promesse d'un simulateur généraliste réutilisable d'un intégrateur a l'autre. L'étude agit aussi comme un correctif face a l'enthousiasme autour des architectures cross-embodiment: la généralisation apparente de certaines démonstrations tiendrait davantage a une ressemblance d'aspect entre robots qu'a une compréhension de la physique sous-jacente, un signal d'alerte pour quiconque évalué des annonces de transfert zero-shot entre plateformes. Cette limite s'inscrit dans une course plus large ou des laboratoires comme Google DeepMind, NVIDIA ou Physical Intelligence développent des modèles du monde et des politiques généralistes censées piloter des robots très différents avec un seul réseau, une démarche destinée a réduire le cout de la collecte de données robot par robot. XEWorld, publie en preprint sur arXiv début aout 2026, ne remet pas en cause l'utilité des modèles du monde en soi mais isole précisément le point de blocage actuel: la confusion entre apparence visuelle et dynamique physique. Les auteurs appellent a des innovations architecturales qui découplent explicitement ces deux dimensions, une piste qui conditionnera la capacité des prochaines générations de simulateurs appris a soutenir un entrainement véritablement cross-embodiment plutôt qu'un simple recyclage visuel de robots déjà connus.

RecherchePaper
1 source