RecherchearXiv cs.RO 25 septembre 2026

FlyCNS : organisation de l'information fondée sur le connectome pour le contrôle incarné à communication limitée

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

FlyCNS est un nouveau cadre de contrôle robotique décrit dans un article publié sur arXiv (arXiv:2609.28816) et inspiré du connectome de la drosophile, c'est-à-dire la cartographie complète des connexions neuronales entre le cerveau et le cordon nerveux ventral de la mouche. Le système conserve le calcul sensorimoteur au niveau local de chaque membre du robot et n'autorise la communication longue distance qu'à travers deux voies distinctes, l'une ascendante et l'autre descendante, à l'image de l'organisation biologique observée chez l'insecte. La structure directionnelle réelle de ces deux voies, extraite du connectome, sert de simple indication de départ pour répartir la communication, tandis que le contenu des messages, leur moment d'envoi et les politiques de locomotion restent adaptés à la tâche et appris par apprentissage par renforcement. Testé en simulation sur le quadrupède Unitree Go1, FlyCNS dégrade ses performances de façon plus progressive que les architectures classiques à mesure que le budget de communication se réduit. Dans le scénario le plus restrictif, il ne consomme qu'environ 21 à 22 % du volume de communication d'une référence à communication complète, tout en conservant un score de suivi de trajectoire d'environ 0,882, soit un écart maximal de 6,1 % par rapport à cette référence, et ce sous deux protocoles de commande différents.

Ce résultat touche un point structurel du contrôle robotique appris : la plupart des architectures actuelles centralisent le traitement de l'information alors que le corps d'un robot est physiquement distribué en capteurs et actionneurs répartis sur chaque membre. Pour les concepteurs de robots à ressources de calcul ou de communication limitées, qu'il s'agisse de systèmes modulaires, de robots souples ou d'essaims multi-agents, l'enjeu est de savoir combien d'information doit réellement circuler pour maintenir une coordination corps entier efficace. FlyCNS suggère qu'une large part du calcul peut rester locale sans sacrifier la performance globale, ce qui contredit l'idée reçue selon laquelle un contrôle whole-body performant exige un flux d'information centralisé et complet.

La démarche s'inscrit dans une tendance plus large de bio-inspiration en robotique, où des données de neurosciences computationnelles, ici le mappage du système nerveux de la drosophile, viennent guider la conception d'architectures de contrôle artificiel plutôt qu'un réseau générique appris de zéro. Le travail se distingue des approches dominantes de contrôle centralisé par apprentissage par renforcement pour la locomotion en ciblant spécifiquement la contrainte de bande passante entre membres. À ce stade, il s'agit d'une validation en simulation sur un seul robot quadrupède, sans démonstration sur matériel physique ni indication de portage vers d'autres morphologies ou d'un calendrier de suite.

Dans nos dossiers

Unitree arXiv cs.RO

À lire aussi

1arXiv cs.RO

Information orientée action pour le contrôle distribué et l'interaction à base d'agents

Un article diffusé le 24 septembre 2026 sur arXiv (2609.27580) présente DI-Walker, une plateforme simulée bidimensionnelle à quatre membres, pilotée par des politiques de contrôle figées entraînées par la méthode Cross-Entropy (CEM). Les auteurs comparent deux architectures de capteurs de force : l'une où chaque membre lit uniquement son propre capteur de force réalisée, l'autre où il lit aussi ceux des membres voisins (architecture « Peer-Sensor »). Sous trois types de pannes testées, perte d'un membre, glissement d'un membre et décrochage partiel du contrôle central, l'architecture Peer-Sensor produit une erreur de suivi de trajectoire plus faible en fin de séquence dans plusieurs configurations. Un estimateur corrigé, fondé sur un historique fini d'actions prédictives, révèle un gain nettement plus élevé des messages inter-membres en cas de panne combinée, alors qu'un second estimateur, fondé sur une prédiction scalaire de fonctionnelle future, ne retrouve pas cet avantage stable. Ce résultat pèse surtout sur le plan méthodologique pour le contrôle distribué et la robotique multi-agents, plus que comme avancée produit immédiate. Il montre qu'une information utile à une décision de contrôle intermédiaire peut rester invisible aux mesures classiques d'information prédictive, masquée par la dynamique ultérieure du système, la redondance des capteurs et le contexte d'exécution. Pour les concepteurs de robots multi-membres ou de systèmes multi-agents tolérants aux pannes (essaims, exosquelettes, manipulateurs redondants), cela signale que le choix de l'estimateur d'information utilisé pour justifier un partage de capteurs entre composants peut inverser la conclusion : un avertissement pour toute évaluation d'architecture de communication fondée sur une seule métrique. Les auteurs rattachent leur proposition à des cadres théoriques existants : information prédictive, entropie de transfert, information dirigée de Massey, approches « information-to-go »/IT-PAC, notion d'empowerment et perspective du débit de données en contrôle robuste, tout en distinguant explicitement leurs gains prédictifs opérationnels, mesurés empiriquement sur DI-Walker, de l'information dirigée exacte, de la capacité de canal et du théorème formel de débit de données. L'étude reste entièrement simulée, sur un système jouet à deux dimensions et des politiques de contrôle gelées plutôt qu'apprises en continu, sans déploiement sur robot physique. Aucune entreprise n'est impliquée : il s'agit de recherche fondamentale, sans calendrier annoncé de transfert vers du matériel réel.

RecherchePaper

1 source

2arXiv cs.RO

Emcar : contrôleur incarné pour l'animation de robots

Une équipe de chercheurs a publié le 25 juin 2026 sur arXiv (2506.26008) la description d'EMCAR, un outil logiciel de programmation de mouvements robotiques basé sur des métaphores artistiques comme la marionnette et le dessin. La plateforme, présentée dans le cadre de la recherche en interaction humain-robot (HRI), adopte une approche no-code : aucune ligne de code n'est requise pour concevoir, tester et déployer des comportements sur des robots collaboratifs. L'article ne précise pas de plateformes matérielles cibles ni de métriques de performance (temps de programmation, taux d'erreur), ce qui limite l'évaluation des gains réels. L'enjeu central est celui de l'accessibilité : la programmation de cobots reste aujourd'hui l'apanage d'ingénieurs formés en robotique ou en ROS, ce qui freine le déploiement dans des environnements non-industriels (médiation culturelle, thérapie, spectacle vivant). En ouvrant l'outil à des artistes et à des profils sans bagage technique, EMCAR vise à élargir le spectre des cas d'usage HRI et à alimenter la recherche participative. Si la démonstration tient à l'échelle, cela confirmerait que l'abstraction par le geste et le mouvement peut substituer efficacement les interfaces de programmation classiques pour des tâches expressives. Ce type d'approche s'inscrit dans un courant établi : Choreograph de SoftBank Robotics pour Pepper et NAO, les interfaces de programmation par démonstration de Universal Robots, ou encore les environnements visuels Scratch-for-robots développés en milieu académique. Des acteurs français comme Enchanted Tools (Miroki) explorent également des paradigmes d'interaction expressifs pour les cobots. La suite dépendra de l'ouverture du code et des validations expérimentales avec des utilisateurs non-techniques, non encore publiées.

UESi EMCAR publie son code en open-source avec validation expérimentale, des acteurs français comme Enchanted Tools (Miroki) pourraient accélérer leurs interfaces de programmation expressive pour cobots dans des secteurs non-industriels (médiation culturelle, thérapie).

RecherchePaper

1 source

3arXiv cs.RO

Video Assessment Conditionnée par l'Action et le Langage pour le Contrôle Incarné

ALVA, pour Action- and Language-Conditioned Video Assessment, est une méthode d'évaluation de trajectoires présentée dans une prépublication arXiv d'août 2026 (référence 2608.08273), qui vérifie si un agent robotique a réellement exécuté une instruction en langage naturel donnée en plusieurs étapes. Le système s'appuie sur un modèle vision-langage pré-entraîné en deux temps : il résume d'abord les transitions visuelles conditionnées sur les actions exécutées, puis confronte ce résumé à l'instruction pour produire un score discret de progression sur la trajectoire. Testé dans des environnements domestiques 3D simulés, ALVA se montre conservateur, avec un taux de faux positifs proche de zéro, et utilisé comme récompense terminale pour l'optimisation de politiques, il surpasse les références fondées sur l'image finale ou la similarité d'embeddings et réduit l'écart avec un oracle de vérité terrain. Ce travail s'attaque à un point faible connu de l'apprentissage par renforcement pour agents suivant des instructions : concevoir une récompense fiable capable de détecter si une tâche multi-étapes est vraiment accomplie, sans se laisser tromper par des états visuellement proches mais fonctionnellement incorrects. Pour les équipes qui entraînent des politiques VLA (vision-language-action), un évaluateur conservateur, quitte à sous-noter certaines réussites, limite le risque qu'un agent apprenne à exploiter les failles d'une récompense trop permissive et conforte l'idée que des VLM généralistes peuvent servir de juges interprétables pour le contrôle robotique. Ces résultats restent toutefois circonscrits à des environnements simulés, sans validation sur robot physique, ce qui limite pour l'instant leur portée industrielle directe. La démarche s'inscrit dans un courant de recherche plus large visant à remplacer les récompenses figées, fondées sur l'appariement de l'image finale ou la distance d'embedding, par des juges basés sur des modèles de fondation capables de raisonner sur une trajectoire complète et le langage de la consigne. Cette prépublication arXiv n'a pas encore été relue par les pairs et ne compare pas ALVA à des systèmes commerciaux. Les auteurs le présentent comme un mécanisme de feedback interprétable pour les tâches de contrôle robotique simulées étudiées, laissant ouverte son extension à des tâches plus complexes ou à des robots réels, étape logique mais non annoncée à ce stade.

RecherchePaper

1 source

4arXiv cs.RO

ACE : contrôle à base d'agents pour la manipulation incarnée via raisonnement de flux de travail zéro-shot

Une équipe de recherche publie sur arXiv (arXiv:2607.04162v1) ACE, pour Agentic Control for Embodied Manipulation, un cadre de raisonnement en zero-shot destiné à la manipulation d'objets sur table à partir d'instructions en langage naturel. Plutôt que de faire correspondre directement le langage à des actions motrices bas niveau, comme le font la plupart des politiques VLA de bout en bout, ACE orchestre un raisonnement de type workflow agentique couplé à deux compétences robotiques réutilisables : une interface de repérage visuel et une primitive générique de saisie-dépose. Le sous-objectif actif est traduit en un masque visuel qui désigne à la fois l'objet cible et sa destination, masque qui est suivi dans le temps, exposé à la vérification humaine, puis transmis à une politique d'exécution indépendante de la tâche. Le système fonctionne en boucle fermée grâce à une mémoire multi-échelle temporelle qui vérifie après chaque action si le sous-objectif a réussi, avant de décider de poursuivre, réessayer, corriger ou replanifier. Sur des tâches longues et logiquement complexes, comme la formation d'équations avec des cubes numérotés ou la récupération d'objets sous contrainte, ACE atteint 50% de réussite pour la formation d'équations et 70% pour la récupération sous contrainte, quand les approches de bout en bout classiques échouent largement sur ces mêmes tâches. Ce résultat cible un point de friction précis du secteur : la capacité d'un système à généraliser à des scènes et contraintes sémantiques inédites sans réentraînement spécifique à la tâche, ce qui reste l'un des principaux écarts entre les démonstrations en laboratoire et un déploiement robuste en environnement réel. En montrant qu'un raisonnement explicite par étapes, combiné à un contrôle médié par masque, surpasse des politiques end-to-end sur des tâches à horizon long, ACE apporte un argument concret pour les intégrateurs et équipes de R&D qui cherchent des architectures de manipulation capables de gérer l'échec d'exécution et la correction humaine en cours de tâche, plutôt que de miser uniquement sur l'échelle des données d'entraînement. ACE s'inscrit dans la lignée des travaux récents sur les architectures agentiques pour la robotique, qui cherchent à combiner les capacités de raisonnement des grands modèles de langage avec des compétences robotiques modulaires et vérifiables, en alternative aux politiques VLA monolithiques comme Pi-0 ou GR00T. Les auteurs positionnent explicitement leur approche contre des baselines de bout en bout sur les mêmes bancs d'essai, mais l'évaluation reste limitée à des scénarios de manipulation tabletop en conditions contrôlées, sans indication de déploiement industriel ni de partenariat annoncé à ce stade.

RecherchePaper

1 source