RecherchearXiv cs.RO 24 septembre 2026

Locomotion amphibie omnidirectionnelle par actionnement de masse interne

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs du General Robotics Lab ont présenté MARBLE, un robot roulant amphibie omnidirectionnel entièrement fermé dont toute la locomotion repose sur le déplacement de masses internes. Trois glissières linéaires orthogonales déplacent ces masses pour faire tourner une coque sphérique rigide, pilotée par un contrôleur qui convertit des commandes de vitesse planaire en positions de glissières. Cette coque étanche sert simultanément de surface de contact au sol, d'enveloppe flottante et de support à des ailerons passifs assurant la propulsion en surface de l'eau, sans reconfiguration mécanique ni actionneurs dédiés à chaque milieu. Le robot a été testé en locomotion omnidirectionnelle, sur terrains hétérogènes, en surface aquatique, lors de transitions terre-eau et lors de chocs délibérés contre des obstacles. Décrite dans une prépublication arXiv (2609.27358) de septembre 2026, l'étude s'accompagne d'une promesse d'ouverture complète du logiciel et de la conception matérielle sur le site du laboratoire.

L'intérêt pour la robotique de terrain tient à l'unification de la propulsion : la plupart des robots amphibies combinent des systèmes séparés, roues ou pattes pour la terre, hélices pour l'eau, ce qui multiplie les points de défaillance face à la boue, aux débris ou à la végétation. En logeant tous les organes actifs dans une coque scellée, MARBLE gagne en étanchéité et en robustesse aux chocs, tandis que sa forme sphérique lui permet d'absorber les changements d'orientation et de point de contact lors d'une collision, un mode d'échec courant sur le terrain. Pour les concepteurs de robots d'inspection, de surveillance environnementale ou de recherche et sauvetage, l'approche esquisse une alternative mécaniquement plus simple aux architectures hybrides à pattes ou à roues, misant sur la compacité plutôt que sur la charge utile ou la vitesse.

La locomotion par déplacement de masse interne équipe déjà des robots sphériques terrestres de type « ballbot » ; sa nouveauté ici tient à l'extension au milieu aquatique via une coque étanche et des ailerons passifs, sans mécanisme de transition dédié. Le projet, associé au General Robotics Lab, reste à un stade de validation expérimentale en laboratoire : aucun partenariat industriel, pilote de déploiement ni calendrier de commercialisation n'est mentionné dans la publication. Les auteurs annoncent vouloir publier en open source l'ensemble du logiciel et des plans matériels, une démarche orientée reproduction académique plutôt que produit commercial. Aucun acteur français ou européen n'apparaît dans ces travaux.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

OmniMimic : augmentation de mouvement par dynamique complétée pour la locomotion omnidirectionnelle multi-style de quadrupèdes

Une équipe de recherche présente OmniMimic, un framework d'entraînement permettant à des robots quadrupèdes d'apprendre une locomotion omnidirectionnelle multi-style à partir de démonstrations animales, selon un article publié sur arXiv (2609.20566v1). Le problème de départ est concret : les démonstrations animales couvrent naturellement bien la marche avant, mais offrent très peu de données exploitables pour les mouvements arrière, latéraux ou les virages, ce qui limite la fidélité des styles de démarche appris par les robots sur ces axes. OmniMimic combine trois techniques pour combler ce manque, à savoir le renversement temporel des trajectoires, une complétion dynamique contrainte par la physique du robot, et une réflexion sagittale, afin de générer des données de supervision cinématique et physique au-delà des directions réellement observées. Le système étend ensuite progressivement les commandes de vitesse au-delà de la distribution démontrée, et s'appuie sur un acteur partagé associé à des experts résiduels spécialisés par type de démarche, activés de façon souple (soft-gated). Sur quatre démarches testées en simulation, la méthode réduit l'erreur de position des pattes (RMSE) de 12,9% aux vitesses de référence avant et arrière, et l'erreur de suivi de vitesse de 63,1% sur une grille de commandes cartésiennes uniforme, par rapport à une base de comparaison appelée APEX. Pour l'industrie de la robotique quadrupède, ce travail répond à une limite bien identifiée de l'apprentissage par imitation à partir de données animales : la générosité des mouvements avant contraste avec la rareté des données pour les manœuvres omnidirectionnelles, pourtant essentielles en usage réel (navigation en espace contraint, évitement d'obstacles, manœuvres en entrepôt). En démontrant qu'une augmentation de données structurée par la physique peut compenser ce déséquilibre sans recourir à du reward engineering manuel, OmniMimic offre une piste méthodologique transférable à d'autres plateformes de locomotion apprise, y compris potentiellement humanoïde. Les gains rapportés restent toutefois mesurés en simulation uniquement, sans validation sur robot physique ni comparaison avec d'autres frameworks que APEX. Le travail s'inscrit dans la lignée des méthodes d'apprentissage par imitation animale pour la locomotion robotique, un axe de recherche actif depuis plusieurs années pour doter les quadrupèdes de démarches naturelles difficiles à concevoir à la main. Les auteurs n'annoncent pas de déploiement matériel ni de calendrier de transfert sim-to-real ; le projet est documenté sur une page dédiée (OmniMimic.github.io), et la prochaine étape logique, non confirmée dans l'article, serait une validation sur plateforme physique.

RecherchePaper

1 source

2arXiv cs.RO

Rester assis : apprentissage de la locomotion omnidirectionnelle d'un humanoïde sur une chaise mobile passive à roulettes

Une équipe de recherche a publié le 28 août 2026 sur arXiv (2608.28090) une étude sur la locomotion omnidirectionnelle d'un robot humanoïde assis sur une chaise mobile passive à roulettes. Contrairement aux humanoïdes debout, dont les actionneurs quasi-direct-drive génèrent en continu du couple articulaire, la position assise délègue le maintien du poids à la chaise. La politique de contrôle, entraînée par apprentissage par renforcement sans récompense d'imitation de mouvement, ne reçoit que la proprioception du robot et les commandes de vitesse, sans capteur de contact ni information sur l'état de la chaise. Lors d'essais à commandes aléatoires, elle a suivi les trajectoires demandées pendant la quasi-totalité de séquences de 20 secondes, dépassant même une politique de référence en position debout sur la précision de suivi. Une analyse factorielle menée sur quatre graines d'entraînement montre qu'une régularisation du glissement du pied réduit le coût de transport mais peut figer le robot dans un optimum stationnaire, un défaut corrigé en la combinant à une régularisation de symétrie ou à un curriculum de commandes. Le coût de transport se classe, du plus bas au plus élevé, marche arrière, déplacement latéral, puis marche avant. Transférée sans réentraînement sur un robot réel Unitree G1, la politique a produit une locomotion assise omnidirectionnelle. Ce travail s'attaque à un angle mort de la course aux humanoïdes, focalisée jusqu'ici sur la marche et la manipulation en position debout pour des tâches d'usine ou de logistique. Une grande partie du travail de bureau ou d'établi se fait pourtant assis, et maintenir un humanoïde debout en continu sollicite inutilement ses actionneurs et son énergie. En montrant qu'une politique entraînée uniquement par récompense de suivi de vitesse, sans imitation de mouvement ni capteurs de contact, transfère en zero-shot vers un robot réel, l'étude conforte l'idée que l'apprentissage par renforcement en simulation franchit l'écart sim-to-real sur des tâches de locomotion toujours plus spécialisées. L'étude reste un travail de recherche académique en prépublication, sans partenaire industriel ni calendrier de commercialisation annoncé, qui étend l'environnement standard de suivi de vitesse en position debout déjà utilisé dans la communauté robotique, avec un modèle de chaise passive et des récompenses propres à l'état assis. Le choix du Unitree G1, plateforme largement diffusée dans la recherche en contrôle moteur, en fait une base accessible plutôt qu'une vitrine commerciale, à la différence des plateformes propriétaires comme Figure ou Optimus. Les auteurs présentent ce résultat comme une première étape vers une locomanipulation assise complète, avant l'ajout probable de tâches de manipulation des bras pendant le déplacement sur la chaise.

RecherchePaper

1 source

3arXiv cs.RO

X-Imitator : apprentissage par imitation spatial via interaction bidirectionnelle action-pose

Des chercheurs ont déposé le 13 mai 2026 sur arXiv (2605.12162) X-Imitator, un cadre d'apprentissage par imitation pour la manipulation robotique fondé sur un couplage bidirectionnel entre perception spatiale et génération d'actions. L'architecture duale fonctionne par conditionnement mutuel : les prédictions de pose courante sont conditionnées sur les actions passées, et les actions générées tiennent compte des estimations de pose réactualisées en retour. Évalué sur 24 tâches simulées et 3 tâches en environnement réel, X-Imitator surpasse selon les auteurs les politiques visuomotrices de base ("vanilla policies") ainsi que les méthodes exploitant un guidage de pose explicite mais unidirectionnel. Le code source sera rendu public. Le verrou adressé est bien identifié dans la littérature : les approches actuelles traitent perception et exécution comme deux modules découplés, ou reliés au mieux de façon unidirectionnelle. X-Imitator instaure une boucle de raffinement mutuel continu, que les auteurs rapprochent des modèles prospectifs internes ("forward models") du système moteur humain. En pratique, la politique corrige ses estimations de pose à la lumière de ses propres actions passées, mécanisme potentiellement utile dans les tâches à contacts multiples ou à déformation d'objet, où les erreurs de perception s'accumulent. L'architecture modulaire est conçue pour s'intégrer à diverses politiques visuomotrices existantes, ce qui lui confère une portée plus large qu'un système monolithique. À noter cependant : l'évaluation réelle se limite à 3 tâches, et le papier reste un preprint non encore relu par les pairs. X-Imitator s'inscrit dans le courant de l'apprentissage par imitation appliqué à la manipulation fine, discipline en forte expansion depuis Diffusion Policy (Chi et al., 2023) et ACT (Zhao et al., 2023). Face aux politiques hybrides perception-action portées par des groupes comme DeepMind, Stanford ou Physical Intelligence avec pi-zero, le système se positionne comme un module d'amélioration orthogonal plutôt qu'une architecture concurrente de remplacement. Aucun partenaire industriel ni calendrier de transfert applicatif n'est mentionné dans la publication : X-Imitator reste un résultat académique. La mise en open source annoncée du code permettra à la communauté de valider les performances sur des benchmarks partagés comme RLBench ou ManiSkill, étape nécessaire avant toute adoption à plus grande échelle.

RecherchePaper

1 source

4arXiv cs.RO

EAGOR : raisonnement incarné omnidirectionnel

Des chercheurs présentent EAGOR, un framework de raisonnement directionnel pour agents dotés de caméras omnidirectionnelles à 360 degrés, conçu pour les tâches de navigation et de recherche d'objets sans carte préalable. Contrairement aux modèles vision-langage (VLM) existants qui projettent les images à 360 degrés en projection équirectangulaire (ERP) et les traitent avec des architectures pensées pour des images classiques, EAGOR traite directement la géométrie sphérique de l'observation via une estimation bayésienne récursive sur la sphère, sans réentraîner le modèle VLM sous-jacent. Sa brique centrale, le Spherical Harmonic Belief Field (SH-BF), maintient une croyance continue sur la direction cible et la propage de façon cohérente lors des déplacements du robot. Évalué sur les benchmarks HOS et OSR-Bench ainsi que sur un robot à pattes en conditions réelles, EAGOR affiche des gains relatifs moyens de 34,4% et 45,6% sur ces deux jeux de données, une amélioration de 14,6% du taux de réussite en navigation, une réduction de 17,7% du nombre de pas nécessaires et une baisse de 24,5% de l'erreur angulaire moyenne. L'enjeu dépasse la simple performance sur benchmark : les VLM actuels perdent en cohérence directionnelle dès que l'agent bouge, car la projection ERP introduit des distorsions de latitude et des discontinuités aux coutures de l'image, ce qui rend peu fiable toute estimation de cap dans un contexte de navigation autonome sans carte. En traitant nativement la sphère plutôt que sa projection 2D, EAGOR répond directement à ce problème d'écart entre démonstration et fiabilité opérationnelle, un point sensible pour les intégrateurs qui cherchent à déployer des agents mobiles ou des robots à pattes capables de s'orienter de manière robuste dans des environnements changeants, sans dépendre d'une cartographie préalable coûteuse à maintenir. Cette approche s'inscrit dans la lignée des travaux cherchant à exploiter la vision omnidirectionnelle pour des tâches embarquées, un domaine où les architectures perspective restent dominantes par simple héritage des VLM génériques. En étant training-free, EAGOR peut potentiellement se greffer sur des piles de navigation existantes sans coût de réentraînement, et les tests menés sur un robot à pattes en conditions réelles, au-delà des seuls benchmarks synthétiques, suggèrent une voie vers une adoption plus rapide dans des systèmes de navigation autonome déployés en environnement réel.

RecherchePaper

1 source