Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Duet : une compréhension entre deux robots grâce à un enseignement efficace
RecherchearXiv cs.RO 

Duet : une compréhension entre deux robots grâce à un enseignement efficace

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

Une équipe de recherche a publié DUET, un framework d'apprentissage pour la coordination de deux robots dans des tâches de manipulation mobile collaborative, comme le transport conjoint d'objets ou les passations coordonnées entre bras. Le système repose sur une plateforme de téléopération synchronisée en réalité virtuelle capable de piloter deux embodiments hétérogènes simultanément pour collecter des données in-domain, complétée par un pipeline de tracking qui enregistre des démonstrations de coordination humain-humain et des priors de manipulation collaborative. L'architecture d'apprentissage s'appuie sur un Action Chunking Transformer, d'abord pré-entraîné sur ces démonstrations humaines puis affiné sur un nombre restreint de trajectoires réelles collectées par téléopération robot. Les auteurs évaluent l'approche sur un benchmark de quatre tâches collaboratives, avec un humanoïde Unitree G1 associé à un manipulateur mobile Dexmate Vega1. Résultat chiffré principal : la collecte de données via démonstrations humaines est 5,4 fois plus rapide en moyenne que la téléopération robot directe, tout en produisant des politiques plus performantes que celles entraînées uniquement sur données robot. Le papier, référencé arXiv 2606.20990, en est à sa deuxième version.

L'intérêt principal tient au goulot d'étranglement qu'il attaque : la collecte de données reste le facteur limitant pour entraîner des systèmes multi-robots, un problème encore plus aigu que pour un robot unique puisqu'il faut synchroniser deux embodiments et deux comportements coordonnés. En démontrant qu'un pré-entraînement sur des démonstrations humain-humain se transfère efficacement vers des politiques robot-robot, DUET propose une piste concrète pour réduire le coût de téléopération réelle, un enjeu direct pour les laboratoires et intégrateurs qui cherchent à faire monter en échelle l'apprentissage de comportements coopératifs sans multiplier les heures de pilotage sur du matériel physique coûteux.

Ce travail s'inscrit dans le mouvement plus large de l'apprentissage par imitation appliqué aux politiques génériques (VLA), où des systèmes comme GR00T N2, Pi-0 ou Helix explorent des architectures comparables mais restent centrés sur un seul robot ou un humanoïde generalist isolé. DUET se distingue en ciblant spécifiquement la coordination inter-robots. Il s'agit à ce stade d'un résultat de recherche publié en preprint, avec page projet dédiée, sans indication de déploiement industriel ni de partenariat commercial annoncé.

Dans nos dossiers

UnitreeNVIDIA GR00TarXiv cs.RO

À lire aussi

Des robots souples mais efficaces grâce à une co-conception globale
1arXiv cs.RO 

Des robots souples mais efficaces grâce à une co-conception globale

Les robots souples promettent une sécurité intrinsèque grâce à la compliance de leurs matériaux, ce qui les rend adaptés aux interactions avec les humains ou à la manipulation d'objets fragiles. Dans une publication de perspective diffusée sur arXiv (version 2 de l'article 2505.03761), des chercheurs constatent que le domaine peine à concilier la performance sur une tâche donnée avec des critères plus larges comme la durabilité et la fabricabilité. Selon eux, cette difficulté est aggravée par les processus de conception séquentiels classiques, où la forme du corps est définie avant le contrôle, sans boucle de rétroaction entre les deux. Le texte passe en revue les approches de co-conception émergentes, qui optimisent simultanément le corps et le « cerveau » (le contrôleur) du robot, et qui permettent de découvrir des morphologies non conventionnelles, très adaptées à leur tâche. Il s'agit d'un article de synthèse et de positionnement, sans robot ni chiffre de performance nouveaux, et non d'un produit ou d'un déploiement. L'enjeu est méthodologique, mais il touche directement la question du passage du laboratoire à l'industrie. Les auteurs identifient trois freins à l'adoption de la co-conception : des objectifs d'optimisation trop étroits, un écart persistant entre performances simulées et réelles (le fameux sim-to-real gap, particulièrement marqué pour les matériaux déformables, difficiles à modéliser), et un coût de calcul élevé. Pour un intégrateur ou un décideur B2B, cela rappelle qu'un robot souple optimisé en simulation pour une seule métrique a peu de chances de tenir en production s'il ignore l'usure, la reproductibilité de fabrication ou la maintenance. Le cadre proposé déplace donc l'optimisation vers des critères de valeur plus larges, ce qui contredit l'idée que la seule performance de tâche suffit à valider une conception. Pour y répondre, les auteurs proposent un cadre de co-conception « holistique » reposant sur trois leviers : intégrer une gamme plus large de valeurs de conception, insérer du prototypage physique pour affiner les évaluations, et gagner en efficacité via des métriques de substitution (surrogate) et des stratégies de commande fondées sur des modèles. Leurs priorités de recherche portent sur les connaissances a priori de conception et les métriques, l'évaluation assistée par l'IA, l'équilibre entre raffinement computationnel et essais physiques, et l'arbitrage entre sécurité et performance. Aucun calendrier de pilote ni partenaire industriel n'est annoncé. Le texte s'inscrit dans une lignée de travaux sur l'évolution morphologique et l'optimisation conjointe forme-contrôle, dont il cherche à lever les limites pratiques avant tout transfert vers des applications commerciales.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
Robots acquièrent des compétences de manipulation en secondes grâce à une seule vidéo humaine
2arXiv cs.RO 

Robots acquièrent des compétences de manipulation en secondes grâce à une seule vidéo humaine

Des chercheurs ont présenté HOST (Human-to-robot One-Shot Skill AcquisiTion), un framework permettant à un robot d'acquérir une nouvelle compétence de manipulation à partir d'une seule vidéo humaine, en 29 secondes en moyenne au moment de l'inférence. Le système fonctionne par une cascade de prédictions auto-référencées : il estime d'abord la progression du robot dans la tâche démontrée, traduit cette progression en observations futures propres à l'embodiment du robot, puis en déduit les actions à exécuter. L'entraînement de cette cascade s'appuie sur une correspondance entre la trajectoire du robot et la vidéo de démonstration, projetées sur une même variété de progression de tâche, ce qui permet d'aligner les cibles d'apprentissage sur le déroulé futur de la vidéo. Sur les tâches testées, HOST atteint un taux de réussite moyen de 62%, soit 45 points de plus qu'une baseline zero-shot, tout en conservant les compétences déjà maîtrisées par le robot. Ce résultat s'attaque directement à un goulot d'étranglement connu du secteur de la robotique manipulatrice : les méthodes actuelles d'apprentissage de compétences reposent sur des boucles d'entraînement lourdes et coûteuses, qui en plus dégradent souvent les compétences précédemment acquises à chaque nouvel apprentissage (le problème dit du "catastrophic forgetting"). En affichant des performances supérieures à une baseline fine-tunée sur 50 démonstrations robot par tâche, tout en n'utilisant qu'une seule vidéo humaine et 507 fois moins de temps d'acquisition, HOST illustre une piste concrète pour réduire drastiquement le coût de déploiement des VLA (vision-language-action models) en environnement industriel réel, un enjeu central pour les intégrateurs qui doivent reconfigurer rapidement des cellules robotiques sur de nouvelles références produit sans campagne de collecte de données coûteuse. Cette approche s'inscrit dans la lignée des travaux récents sur l'apprentissage par imitation cross-embodiment, où des modèles comme GR00T N2 ou Pi-0 cherchent également à exploiter des données humaines ou hétérogènes pour accélérer l'apprentissage robotique. La contribution spécifique de HOST réside dans sa capacité à opérer en one-shot, à l'inférence, sans réentraînement du modèle sous-jacent, et sans effacer les compétences déjà en mémoire du robot. Les auteurs renvoient vers un site du projet pour des démonstrations complémentaires ; il s'agit à ce stade de résultats de recherche publiés sur arXiv, non d'un produit ou d'un déploiement industriel.

RecherchePaper
1 source
Comment enseigner la même compétence à différents robots
3Robohub 

Comment enseigner la même compétence à différents robots

Des chercheurs de l'EPFL ont publié en 2026 dans la revue Science Robotics un nouveau cadre de contrôle robotique baptisé "Kinematic Intelligence", développé au sein du laboratoire LASA (Learning Algorithms and Systems Laboratory) sous la direction d'Aude Billard. Le principe repose sur trois étapes : une tâche démontrée une seule fois par un opérateur humain est capturée via motion-capture, convertie mathématiquement en une stratégie de mouvement générique, puis automatiquement adaptée aux contraintes cinématiques de chaque robot cible (amplitudes articulaires, positions d'équilibre, limites mécaniques). Dans une expérience conduite sur une ligne d'assemblage, un humain démontre trois actions successives - pousser un bloc de bois d'un convoyeur vers un établi, le déposer sur une table, puis le lancer dans un panier - et trois robots commerciaux de morphologies différentes reproduisent fidèlement cette séquence, y compris lorsque la répartition des étapes entre machines est modifiée en cours d'exécution. L'enjeu industriel est direct : reprogrammer une flotte de robots lors d'un changement de génération matérielle représente aujourd'hui un coût significatif en temps et en expertise, même quand les nouvelles machines remplissent des fonctions identiques. Kinematic Intelligence propose une alternative concrète : démontrer une fois, déployer sur plusieurs plateformes sans réécriture. Pour les intégrateurs et les décideurs industriels, cela ouvre la voie à une réduction du temps de mise en service et à une meilleure résilience face à l'évolution rapide du hardware robotique. La publication valide également une hypothèse structurante : un transfert de compétences cross-robot peut garantir formellement un comportement sûr et prédictible, sans recourir à de l'apprentissage par renforcement spécifique à chaque plateforme. Sthithpragya Gupta (doctorant LASA, co-premier auteur) et Durgesh Haribhau Salunkhe (chercheur LASA, co-premier auteur) soulignent que "chaque robot interprète la même compétence à sa façon, mais toujours dans des limites sûres et faisables". À noter : aucune métrique de taux de succès agrégé ni de temps de cycle n'est communiquée publiquement, ce qui limite l'évaluation quantitative de la robustesse à grande échelle. Le LASA est un laboratoire de référence en apprentissage par démonstration (Learning from Demonstration), avec une trajectoire longue sur l'imitation du mouvement humain. La recherche s'inscrit dans un paysage concurrentiel dense : les approches VLA (Vision-Language-Action) de Google DeepMind, pi-0 de Physical Intelligence ou les frameworks sim-to-real de Figure AI et Boston Dynamics visent eux aussi à réduire le coût de déploiement cross-plateforme, mais s'appuient sur de grands volumes de données et du fine-tuning. Kinematic Intelligence se distingue par son approche analytique et sa garantie formelle de sécurité, deux propriétés potentiellement attractives dans des environnements réglementés comme l'industrie pharmaceutique, automobile ou agroalimentaire. Les prochaines étapes annoncées incluent la collaboration humain-robot et l'interaction en langage naturel, avec l'ambition de rendre le système opérable sans expertise en programmation robotique.

UELa recherche de l'EPFL-LASA ouvre une piste concrète pour les intégrateurs industriels européens souhaitant réduire les coûts de reprogrammation lors des renouvellements de flottes robotiques, notamment dans les secteurs pharmaceutique, automobile et agroalimentaire.

RecherchePaper
1 source
RoboAuto : recherche autonome de programmes robotiques grâce à une compréhension physique multi-niveaux
4arXiv cs.RO 

RoboAuto : recherche autonome de programmes robotiques grâce à une compréhension physique multi-niveaux

RoboAuto, un framework décrit dans un preprint arXiv (2610.36533), propose de structurer la recherche automatique de programmes robotiques autour de trois niveaux de compréhension physique : l'objet, la scène et l'interaction. Il s'inscrit dans le paradigme Code-as-Policy, où un agent LLM génère, exécute et raffine des programmes modulaires et éditables. Le système repose sur trois briques : une base de connaissances hiérarchique, qui associe compétences exécutables et savoirs centrés sur l'objet (affordances, relations spatiales, effets des actions), apprise à partir de données incarnées et de résolutions de tâches en ligne ; un ancrage de scène, qui identifie les objets pertinents et calcule les grandeurs critiques pour l'action ; et une planification en plusieurs étapes, où l'agent conçoit ses propres expériences pour vérifier que chaque étape produit l'effet attendu et pour départager des hypothèses concurrentes. Les auteurs annoncent 89,1 % de succès sur les tâches courtes de LIBERO-PRO, et plus du double du taux moyen d'ASPIRE sur LIBERO-PRO Long et LIBERO-Plus, sur cinq familles de benchmarks au total. Sur trois tâches longues de précision en conditions réelles, RoboAuto dépasserait aussi ASPIRE et π0.5. L'intérêt tient au diagnostic : la plupart des méthodes de recherche de programmes affinent leur code à partir du seul retour d'exécution (succès ou échec), sans comprendre pourquoi une interaction échoue. En faisant raisonner l'agent sur la physique et en le laissant tester ses hypothèses, RoboAuto vise des programmes plus robustes aux variations de scène, ce que mesurent justement les variantes PRO et Plus de LIBERO. Autre résultat notable pour les intégrateurs : la base de connaissances se transfère d'un simulateur et d'une plateforme à l'autre, et la performance croît avec sa taille. Cela suggère un actif capitalisable, plutôt qu'une politique à réentraîner pour chaque cellule. Il faut toutefois rester prudent : seules trois tâches réelles sont citées, sans précision sur le nombre d'essais, les temps de cycle ni la plateforme, et LIBERO reste un benchmark de simulation de table. Ce travail prolonge la ligne Code-as-Policy, concurrente des VLA (vision-langage-action) de bout en bout comme π0.5 de Physical Intelligence, que les auteurs prennent pour référence réelle, et d'ASPIRE, autre méthode de recherche de programmes. Il s'agit d'un preprint v1, non relu par les pairs ; aucun produit, pilote industriel ni calendrier de déploiement n'est annoncé. La page projet (roboauto-ai.github.io) doit permettre de juger la reproductibilité. Les prochaines étapes à surveiller : la publication du code et de la base de connaissances, des tests sur davantage de plateformes réelles, et une comparaison directe avec les VLA récents sur des tâches longues.

RecherchePaper
1 source