Aller au contenu principal
Retargeting de mouvement à dense résolution temporelle pour robots à pattesIllustration générée par IA
RecherchearXiv cs.RO 

Retargeting de mouvement à dense résolution temporelle pour robots à pattes

1 source couvre ce sujet·Source originale ↗·

Compilé et résumé par IA · sources vérifiables en un clic · publié sans lecture humaine préalable · méthodologie

Résumé IASource unique

Une équipe de chercheurs publie sur arXiv (v1, septembre 2026) une méthode baptisée DTMR (Dense Temporal Motion Retargeting) pour adapter à des robots à pattes des mouvements issus d'humains ou d'animaux. Le problème visé est l'écart morphologique entre la source et le robot : une réception de saut ou un temps de vol humain ne sont pas réalisables tels quels par une machine aux masses, couples et inerties différents. Les approches classiques corrigent soit la géométrie, soit le timing, soit les deux en séquence. DTMR optimise le timing et le contrôle dans un seul problème, et le terme « dense » signifie que le tempo est ajusté à chaque pas de contrôle. Le problème est résolu par un MPC (commande prédictive) à échantillonnage, exécuté en parallèle sur GPU. L'évaluation porte sur deux heures de mouvements humains retargetés sur quatre robots humanoïdes. Les auteurs affirment que DTMR surpasse les méthodes de référence, surtout sur les mouvements dynamiques. À budget de déformation temporelle égal, il retargete plus précisément qu'une base qui optimise aussi la dimension temporelle, avec un calcul environ 19 fois plus rapide. Des politiques entraînées sur ces références ont été transférées sur un humanoïde réel.

L'intérêt tient à la place de cette étape dans la chaîne de production des comportements humanoïdes. Les politiques apprises par imitation ou par renforcement, qu'elles soient en simulation ou destinées au déploiement, dépendent de la qualité des trajectoires de référence. Si un saut est mal cadencé, la politique apprend soit à compenser par des artefacts, soit échoue. Ne déformer le temps que là où c'est nécessaire préserve le reste du mouvement, ce qui compte pour les gestes expressifs ou les tâches de loco-manipulation. Le gain d'un facteur 19 réduit le coût de préparation de grands corpus de mouvements, un goulot réel pour qui veut passer de quelques démos à des bibliothèques de compétences. Il faut toutefois rester prudent : le transfert réel n'est mentionné que sur un seul robot, sans taux de réussite ni précisions sur la nature des mouvements testés. Les comparaisons se font contre des baselines choisies par les auteurs, et la métrique de précision n'est pas détaillée dans le résumé. Il s'agit d'un résultat de recherche, pas d'un produit livré ni d'un déploiement.

Ce travail s'inscrit dans une lignée qui va du retargeting cinématique par optimisation de pose aux pipelines de suivi de mouvement humain (type DeepMimic, puis les approches de tracking à grande échelle sur humanoïdes) et à l'essor du MPC par échantillonnage accéléré sur GPU. Il intéresse directement les acteurs qui entraînent des modèles généralistes à partir de données de mouvement humain, comme Figure, Tesla (Optimus), Unitree, Agility ou NVIDIA avec GR00T, ainsi que les laboratoires européens travaillant sur la locomotion, dont Wandercraft côté français. Les suites probables sont une diffusion du code et une validation sur davantage de plateformes et de mouvements à forte dynamique, comme les sauts, les roulades ou la course. Elles passeront aussi par l'intégration dans les pipelines d'entraînement de politiques complètes.

À lire aussi

Retargeting de mouvement avec préférences spatio-temporelles pour la loco-manipulation humanoïde
Illustration générée par IA
1arXiv cs.RO 

Retargeting de mouvement avec préférences spatio-temporelles pour la loco-manipulation humanoïde

Une équipe de chercheurs propose Spatiotemporal Retargeting (STR), une méthode de retargeting de mouvement humain vers robot humanoïde, publiée sur arXiv (2610.30540). Le retargeting convertit des démonstrations humaines en trajectoires de référence pour le contrôle du corps entier et la loco-manipulation. STR part d'un constat: les budgets d'itérations par image sont uniformes, alors que seuls certains instants exigent une précision élevée sur les relations corps-objet. Un modèle vision-langage (VLM) sélectionne les signaux de mouvement et les parties du corps pertinents. Les images clés sont détectées à partir des variations de ces signaux. Le solveur reçoit alors des itérations supplémentaires sur ces images clés, et les parties sélectionnées reçoivent des poids d'interaction plus élevés. Un module nommé Mechanics-Aware Contact Anchoring (MCA) affine les positions de contact sur la surface de l'objet grâce à un modèle approximatif de torseur d'efforts (wrench), en conservant les directions de surface retenues. Les auteurs y ajoutent Spatiotemporal Reinforcement Learning (STRL), qui combine un échantillonnage adaptatif des étapes clés et une récompense de contact fondée sur la proximité à la cible et sur les forces de contact. Les tests en simulation utilisent un Unitree G1, et les essais réels un Unitree R1. L'intérêt tient à l'efficacité de calcul. Les pipelines de retargeting représentent souvent un coût caché dans la production de données pour humanoïdes, et concentrer l'effort là où la manipulation se joue (saisie, dépose, contact prolongé) est une piste pragmatique. Les auteurs annoncent une meilleure couverture et continuité des contacts à moindre coût, ainsi qu'un meilleur taux de réussite des tâches en aval. Cela va dans le sens d'un contrôle qui exploite des références de meilleure qualité plutôt que de simples trajectoires cinématiquement plausibles. Il faut toutefois rester prudent. Le résumé ne donne ni gain chiffré, ni nombre de tâches, ni durée des essais réels. Il ne précise pas non plus la dépendance au VLM, dont les choix de signaux et de parties du corps pourraient varier d'une requête à l'autre. Les essais sur R1 restent un résultat de laboratoire, sans lien avec un déploiement industriel. Ce travail s'inscrit dans la lignée des méthodes de retargeting par optimisation et des politiques de suivi de mouvement par apprentissage par renforcement, devenues courantes sur les plateformes Unitree à bas coût, très répandues dans la recherche. Il rejoint la tendance qui consiste à utiliser des modèles de fondation pour guider les étapes de la chaîne de données, et pas seulement l'exécution. Les acteurs industriels comme Figure, Tesla ou Agility mènent des efforts comparables, mais en grande partie fermés. Il n'est donc pas possible de comparer directement leurs résultats à cette approche. La suite logique serait une validation sur des objets plus variés, avec des comparaisons chiffrées face aux méthodes de retargeting existantes, puis une démonstration sur des tâches longues, avant tout transfert vers des usages en entrepôt ou en usine.

RecherchePaper
1 source
Pipeline rapide de retargeting de mouvement pour l'apprentissage à grande échelle des robots humanoïdes
Illustration générée par IA
2arXiv cs.RO 

Pipeline rapide de retargeting de mouvement pour l'apprentissage à grande échelle des robots humanoïdes

Des chercheurs du laboratoire DAROS présentent FRDV (Fast Retargeting with Dynamics Validation), un cadre logiciel qui convertit de grandes bases de données de capture de mouvement humain en trajectoires exploitables par des robots humanoïdes. Il se compose de deux étages. Le premier est un retargeting cinématique sous contraintes, fondé sur un solveur de programmation quadratique séquentielle (SQP) développé sur mesure, une itération en temps réel (Real-Time Iteration) et un traitement parallèle par segments (chunks). Il atteint jusqu'à 9 156 images par seconde, soit environ 136 fois plus vite que GMR et ProtoMotions, les deux références comparées. Des contraintes propres à chaque robot sont intégrées à l'optimisation pour limiter les artefacts courants, comme la pénétration du sol ou l'auto-collision. Le second étage, optionnel, sert aux mouvements qui exigent une vérification supplémentaire. Un contrôleur iLQR à contacts implicites teste la référence sous dynamique complète du corps rigide, repère les mouvements dynamiquement infaisables et corrige les défauts de contact tels que le pied flottant ou le patinage. L'évaluation a consisté à entraîner des politiques d'apprentissage par renforcement de suivi de mouvement avec plusieurs pipelines de pointe, puis à comparer fidélité de suivi et taux de succès. Un transfert sim-to-real a été démontré sur un Unitree G1. Les vidéos et le code sont publiés. L'enjeu est très pratique : le retargeting est devenu un goulot d'étranglement dans l'apprentissage humanoïde. Les approches d'optimisation de trajectoire cinédynamique sont coûteuses en calcul et demandent souvent des retouches manuelles par mouvement, ce qui limite l'exploitation de jeux de données comptant des milliers d'heures. Un facteur 136 change l'ordre de grandeur : retargeter un corpus entier devient une opération de routine, ce qui facilite l'adaptation à plusieurs morphologies de robots. La validation dynamique, utilisée seulement quand c'est nécessaire, filtre les mouvements irréalisables avant de gaspiller du temps d'entraînement RL. Deux réserves s'imposent. Le chiffre de 9 156 images par seconde est un maximum, dont le matériel et la configuration de référence ne sont pas précisés ici. La démonstration réelle se limite à un seul robot, le G1, plateforme académique très répandue mais peu représentative des humanoïdes industriels plus lourds. Ces travaux s'inscrivent dans la vague des pipelines de suivi de mouvement par RL, où les politiques imitent des références humaines avant d'être transférées au robot. Les outils open source comme GMR et ProtoMotions ont rendu ces méthodes accessibles, mais leur coût de calcul et leur dépendance à des réglages manuels freinent le passage à l'échelle. FRDV vise cette limite en se positionnant comme brique d'infrastructure, et non comme modèle de fondation. Les prochaines étapes naturelles seraient des tests sur d'autres plateformes humanoïdes, des mouvements plus dynamiques et une intégration dans les chaînes d'entraînement des modèles généralistes. Le code étant public, l'adoption par la communauté dira si le gain de vitesse se confirme hors du banc d'essai des auteurs.

RecherchePaper
1 source
Splines spatio-temporelles pour des mouvements de robot adaptatifs
Illustration générée par IA
3arXiv cs.RO 

Splines spatio-temporelles pour des mouvements de robot adaptatifs

Des chercheurs proposent, dans un preprint arXiv (2610.29839), une formulation des primitives de mouvement fondée sur des splines qui représente la géométrie spatiale et la progression temporelle au sein d'un même ensemble de variables continues. Les primitives classiques décrivent un mouvement robotique par des fonctions de base indexées sur le temps ou sur une phase. Ici, inspirés par les représentations « espace-temps » de la physique, les auteurs estiment conjointement une courbe de Bézier partagée. La complexité du modèle spatial et celle du modèle temporel se règlent indépendamment, par exemple avec une modulation de phase propre à chaque démonstration. Comme cas d'usage, ils utilisent une optimisation alternée qui estime simultanément les intervalles de trajectoire observés dans des démonstrations partielles. Les simulations montrent une récupération conjointe précise, un affinement possible en jouant sur la complexité et la continuité du modèle, et une meilleure robustesse à la variance du jeu de démonstrations. Une démonstration physique porte sur une tâche de retournement de patient assistée par un robot, testée sur un mannequin. Pour l'apprentissage par démonstration, le principal enjeu est que les humains ne répètent jamais un geste au même rythme. Les méthodes à base de phase doivent aligner temporellement les démonstrations avant de pouvoir en extraire une trajectoire moyenne, ce qui fragilise l'apprentissage dès que la variabilité augmente ou que les démonstrations sont incomplètes. Séparer la complexité spatiale de la complexité temporelle permet d'ajuster le modèle là où il en a besoin, sans gonfler l'ensemble. Les capacités de retiming et de synchronisation en ligne intéressent les applications où le robot doit s'adapter au rythme d'un humain ou d'un patient, comme les soins et la manutention assistée, ainsi que la collaboration homme-robot en atelier. Il faut toutefois rester prudent. Les résultats reposent sur des simulations et sur un seul essai physique avec un mannequin. Les auteurs ne publient dans le résumé aucune métrique chiffrée, aucune comparaison quantitative avec les méthodes concurrentes, ni aucun test sur des humains. Ce travail s'inscrit dans la lignée des movement primitives, dont les dynamic movement primitives (DMP) et les probabilistic movement primitives (ProMP). Elles dominent depuis une dizaine d'années l'apprentissage de trajectoires à partir de démonstrations, mais traitent le temps comme un index externe. Il se situe en parallèle des grands modèles vision-langage-action (VLA) comme Pi-0 ou GR00T, qui apprennent la dynamique de façon implicite à grande échelle. Les approches à base de splines restent plus légères, plus interprétables et plus faciles à contraindre, ce qui pèse dans les contextes critiques comme la santé. Le preprint est une première version, non relue par des pairs. Il n'annonce ni code, ni pilote clinique, ni calendrier d'industrialisation. Les suites logiques seraient des validations sur de vrais patients et des comparaisons avec les primitives de mouvement établies.

RecherchePaper
1 source
Encodage de mouvement multi-domaines : imitation expressive en temps réel pour robots à pattes
Illustration générée par IA
4arXiv cs.RO 

Encodage de mouvement multi-domaines : imitation expressive en temps réel pour robots à pattes

Un preprint mis à jour sur arXiv (2512.07673v2, version corrigée d'une soumission antérieure) présente Multi-Domain Motion Embedding (MDME), une représentation de mouvement pour l'imitation temps réel sur robots à pattes. La méthode combine, en parallèle, un encodeur à ondelettes qui capture les motifs périodiques structurés comme la marche, et un embedding probabiliste qui modélise les mouvements apériodiques et variables, à partir d'un jeu d'entrées minimal. Les auteurs testent l'approche en imitation sans retargeting: la politique de contrôle du robot est conditionnée directement sur les embeddings appris pour reconstruire les états retargetés idéaux, sans réglage par mouvement ni retargeting en ligne. Les essais couvrent des plateformes humanoïdes et quadrupèdes, avec reproduction de trajectoires longues et un déploiement temps réel en zero-shot sur des mouvements inédits. Le texte ne précise ni les robots nommément, ni les degrés de liberté, ni de chiffres de charge utile ou de temps de cycle: c'est un travail de recherche en preprint, pas un produit commercialisé. Si les résultats se confirment, l'apport tient surtout à la suppression de deux goulots d'étranglement des pipelines d'imitation de mouvement: le réglage manuel par mouvement et le retargeting en ligne, qui alourdissent aujourd'hui le passage d'une bibliothèque de mouvements captés à un comportement exécutable sur robot réel. Qu'une seule représentation couvre à la fois humanoïdes et quadrupèdes, plutôt que des embeddings spécialisés par morphologie, va dans le sens d'une mutualisation des pipelines d'apprentissage pour les intégrateurs opérant plusieurs types de plateformes. Cela reste une démonstration en conditions de recherche, avec les réserves habituelles sur la sélection des mouvements testés et l'absence de comparaison chiffrée détaillée dans le résumé disponible. Ce travail s'inscrit dans la lignée des recherches sur l'apprentissage de représentations de mouvement pour le contrôle robotique, où les approches précédentes traitaient généralement séparément les motifs périodiques et les mouvements libres. Les auteurs revendiquent une amélioration par rapport à ces approches antérieures en reproduction de mouvement et en généralisation à des mouvements inédits, sans nommer les méthodes de référence utilisées pour la comparaison. Aucun acteur industriel, aucun partenariat de déploiement ni calendrier de pilote n'est mentionné: la suite logique serait une publication évaluée par les pairs, suivie d'éventuels tests sur des plateformes robotiques commerciales.

RecherchePaper
1 source