RecherchearXiv cs.RO 7 octobre 2026

Transport collaboratif sûr de plusieurs robots grâce aux fonctions de densité

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs proposent un cadre de commande prédictive (MPC) hiérarchique fondé sur des fonctions de densité, destiné au transport collaboratif sécurisé d'un objet par plusieurs robots quadrupèdes. L'équipe de robots pousse un objet partagé vers une pose cible en s'appuyant uniquement sur les poses initiale et finale, sans trajectoire de référence précalculée. Au niveau supérieur, un MPC centralisé à l'échelle de la boîte optimise les forces de contact, tout en appliquant une contrainte de densité de commande qui garantit la convergence vers le but et l'évitement d'obstacles. Au niveau inférieur, chaque robot résout son propre MPC distribué sur l'ensemble du corps (whole-body), afin de suivre son point de contact mobile en tenant compte des obstacles statiques et des positions variables de ses voisins. Ce schéma repose sur une hypothèse explicite de partage d'informations entre robots. L'évaluation, réalisée dans le simulateur MuJoCo avec une dynamique de contact complète, porte sur deux et trois quadrupèdes Unitree Go2 qui poussent des objets rigides à travers des passages étroits. Les comparaisons s'appuient sur deux références appariées, l'une fondée sur des Control Barrier Functions (CBF), l'autre sur un suivi de trajectoire issu de RRT*.

L'intérêt tient à la manière dont le problème est posé. La manipulation en poussée seule (push-only) impose de coordonner forces et couples couplés sur un objet que l'on ne peut pas saisir, ce qui reste difficile pour des équipes de robots à pattes. Ici, la planification ne passe plus par une trajectoire figée : la contrainte de densité encode à la fois l'objectif et les obstacles, et la sécurité est traitée dans la boucle d'optimisation plutôt que dans un planificateur séparé. Pour un intégrateur logistique ou un responsable d'usine, l'enjeu à terme serait le déplacement de charges encombrantes sans équipement dédié. Il faut toutefois rester prudent. Les résultats sont exclusivement simulés, il n'y a pas de transfert vers du matériel réel (sim-to-real), l'hypothèse de partage d'informations masque la question de la communication et de la perception en conditions réelles, et le texte ne fournit pas ici de chiffres de performance, de taux de succès ni de temps de calcul. La démonstration reste donc une preuve de concept académique, pas une capacité déployable.

Ce travail s'inscrit dans la lignée des méthodes de sécurité fondées sur les CBF et des planificateurs par échantillonnage comme RRT*, que les auteurs prennent précisément pour références, avec une formulation par densité présentée comme plus adaptée aux tâches couplées. Le choix du Go2 d'Unitree, plateforme quadrupède économique et très répandue dans les laboratoires, facilite la reproductibilité et un éventuel passage au matériel. Les vidéos de mise en œuvre sont publiées sur la page du projet, mais ce sont des démonstrations en simulation, donc potentiellement sélectionnées. Les prochaines étapes naturelles seraient des essais sur robots physiques, davantage de robots et des environnements plus encombrés ou dynamiques, ainsi qu'une levée de l'hypothèse d'information partagée au profit d'une coordination décentralisée avec perception embarquée.

Impact France/UE

Pas d\'impact direct sur la France/UE

Dans nos dossiers

Unitree

À lire aussi

1arXiv cs.RO

Apprendre de l'humain pour une assistance proactive dans le transport collaboratif homme-robot

Une équipe de recherche en robotique présente PROACT, un framework pour le transport collaboratif homme-robot, décrit dans un article arXiv (2609.25351v1) publié en septembre 2026. Le système combine anticipation du comportement humain et contrôle compliant du corps entier d'un robot, via une architecture transformer entraînée sur un vaste jeu de données réel de démonstrations de transport en binôme humain-humain. Ce modèle apprend à prédire le mouvement futur de l'objet transporté à partir du comportement collaboratif observé. Testé sur 108 essais réels avec un manipulateur mobile à 9 degrés de liberté, PROACT réduit le travail d'interaction moyen de 59,2% par rapport à une approche purement compliante, et de 20,4% par rapport à une commande prédictive (MPC) classique. Le temps de complétion moyen baisse de 12,9% et 6,9% respectivement face à ces deux références. Une vidéo des expériences a été mise en ligne pour illustrer les résultats. Le transport collaboratif d'objets lourds ou encombrants reste un problème non résolu en robotique, avec des applications directes en logistique, en manufacturing et à domicile. Jusqu'ici, les approches se scindaient en deux familles incompatibles: des robots efficaces pour déplacer l'objet mais rigides face aux ajustements de l'utilisateur, ou des robots souples et réactifs mais incapables d'agir sans guidage humain constant. En démontrant qu'un seul modèle peut réduire simultanément l'effort physique perçu par l'utilisateur et le temps d'exécution, PROACT apporte une preuve empirique que l'anticipation apprise et la compliance mécanique ne sont pas mutuellement exclusives, un résultat qui intéresse directement les intégrateurs travaillant sur la cobotique industrielle et l'assistance physique. Le travail s'inscrit dans la lignée des recherches sur le contrôle compliant et le model prédictive control appliqués à la manipulation collaborative, deux approches jusque-là traitées séparément dans la littérature. L'apport de PROACT est de fusionner ces deux paradigmes grâce à un modèle appris du comportement humain plutôt qu'à des règles ou une planification pure. L'article ne précise pas de partenariat industriel ni de calendrier de déploiement commercial: il s'agit à ce stade d'un résultat de recherche validé en environnement contrôlé, avec du matériel expérimental, et non d'un produit ou d'un pilote industriel annoncé.

RecherchePaper

1 source

2arXiv cs.RO

Sensibilité adaptative aux collisions pour une collaboration homme-robot efficace et sûre

Des chercheurs présentent un nouveau cadre logiciel permettant à un bras robotique collaboratif de moduler dynamiquement sa sensibilité aux collisions selon la partie du corps impliquée, plutôt que d'appliquer un seuil de force fixe uniforme sur toute sa surface comme l'exigent aujourd'hui les normes de collaboration homme-robot (HRC), telles que la norme ISO 10218-2:2025 régissant le régime PFL (Power and Force Limiting). Le système calcule en temps réel la force de collision estimée pour chaque segment du robot à partir de sa Masse Effective (Effective Mass, EM), une grandeur qui varie selon la configuration du bras et le point de contact. Les tests ont été menés sur un bras UR10e réel équipé d'une peau sensible AIRSKIN pour la détection et la localisation des impacts, ainsi qu'en simulation sur un bras KUKA LBR iiwa, dont la détection de collision repose cette fois sur les capteurs de couple articulaire. Dans un scénario de type prise-et-dépose (pick-and-place) combinant collisions transitoires et quasi-statiques, les auteurs rapportent un gain de productivité supérieur à 45% par rapport à l'approche standard à seuil fixe. Pour les intégrateurs et décideurs industriels, l'enjeu dépasse la simple optimisation de cycle: la méthode s'attaque directement au compromis sécurité-productivité qui freine l'adoption des cobots en environnement partagé avec des opérateurs humains. Aujourd'hui, un seuil de force unique impose un arrêt du robot dès qu'un contact dépasse la limite la plus stricte, même lorsque la zone touchée (proche d'une articulation à faible inertie, par exemple) serait en réalité sans danger. En rendant la limite de force dépendante du contexte cinématique et compatible avec deux architectures de détection différentes (peau tactile et couple articulaire), les auteurs démontrent une généralisation au-delà d'un capteur ou d'un modèle de bras propriétaire, ce qui est notable pour un secteur où beaucoup de démonstrations restent liées à un matériel unique. Ce travail s'inscrit dans la continuité des efforts pour affiner l'application pratique des normes PFL, jugées trop conservatrices par une partie de la communauté robotique depuis leur conception initiale. Le choix de tester à la fois sur UR10e (Universal Robots) avec AIRSKIN (Fraunhofer) et sur KUKA LBR iiwa positionne la méthode comme agnostique au fournisseur, avec une portée annoncée comme applicable à tout robot dont l'EM peut être calculée. Il s'agit ici d'un résultat de recherche publié sur arXiv (version révisée, replace v3), non d'un produit commercial ni d'un déploiement industriel: les validations quasi-statiques et transitoires restent limitées à un scénario de laboratoire, et le chiffre de 45% de gain de productivité mériterait d'être confirmé sur des cas d'usage industriels réels avant généralisation.

UELe framework s'appuie sur des acteurs européens (KUKA, capteur AIRSKIN issu de recherches Fraunhofer) et vise a assouplir l'application des normes de sécurité collaborative homme-robot (ISO 10218-2:2025) utilisées dans l'industrie européenne.

RecherchePaper

1 source

3arXiv cs.RO

Transport robuste d'objets sans préhension avec des robots quadrupèdes

Des chercheurs proposent un cadre de transport non préhensile d'objets par robots quadrupèdes, c'est-à-dire sans pince ni saisie : la charge est simplement posée sur le dos du robot et maintenue par frottement. Le travail, publié sur arXiv (2610.07245), repose sur trois briques. Une optimisation de trajectoire « consciente de l'incertitude » génère des mouvements d'objet dont la sensibilité en boucle fermée aux paramètres incertains est minimale. Un contrôleur prédictif convexe (MPC) couplé suit ensuite cette trajectoire de référence. Il prédit conjointement la dynamique du centre de masse (CoM) du quadrupède et celle de la charge. Enfin, une commande corps entier (whole-body QP) impose les contraintes sur les forces de réaction au sol. Le dispositif a été évalué en simulation intensive et sur robot réel, avec des variations des paramètres inertiels de l'objet. Comparée à deux références, une orientation fixe et une trajectoire en ligne droite, la trajectoire optimisée réduit le glissement d'environ 50 % face à l'orientation fixe et d'environ 30 % face à la ligne droite. L'erreur de suivi du CoM du robot est aussi plus faible. Le résumé ne précise ni le robot utilisé, ni la masse des charges, ni les vitesses testées. L'intérêt tient à un problème très concret pour les intégrateurs : transporter des objets non fixés, comme un plateau, un bac ou un colis, sans les arrimer, avec une masse et une répartition d'inertie rarement connues à l'avance. Planifier le mouvement de l'objet en tenant compte de cette incertitude, plutôt que de la corriger après coup, va dans le sens d'une robustesse que les démonstrations de laboratoire montrent rarement. Il faut toutefois relativiser. Les gains sont relatifs à des références simples, pas à l'état de l'art. Un glissement réduit de 30 à 50 % n'équivaut pas à une absence de chute. Le résumé ne donne aucune valeur absolue, taux de réussite ou charge utile maximale. Il s'agit d'un résultat académique de niveau de maturité TRL bas, sans lien annoncé avec un produit ou un déploiement. Ce travail s'inscrit dans la lignée des contrôleurs MPC pour la locomotion à pattes, devenus la base du contrôle des quadrupèdes industriels, comme ceux de Boston Dynamics, ANYbotics ou Unitree. Il se distingue des approches par apprentissage (RL ou VLA), qui dominent aujourd'hui l'actualité de la robotique humanoïde. Il privilégie un contrôle modèle-based, interprétable et plus facile à certifier, ce qui compte pour l'inspection ou la logistique en environnement sensible. Aucune suite n'est annoncée dans le résumé. Les prochaines étapes logiques seraient des tests sur des charges plus variées, sur terrain irrégulier et à plus grande vitesse. Elles pourraient aussi viser une hybridation avec des politiques apprises pour estimer en ligne les paramètres de la charge.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

4arXiv cs.RO

De la cognition au contrôle : apprentissage multi-agents pour le transport collaboratif humain-humanoïde

Des chercheurs ont présenté C2C (Cognition-to-Control), une architecture de collaboration homme-robot pour le transport d'objets, dans une version mise à jour d'un article publié sur arXiv (2603.03768v2, catégorie "replace"). Plutôt que de standardiser les modules logiciels eux-mêmes (planificateur, modèle du partenaire, politique de coordination, contrôleur), C2C standardise les signaux physiques échangés entre eux : un chemin de charge vérifié géométriquement pour représenter l'intention de tâche, un état physique indépendant de sa source pour décrire le partenaire, des commandes bornées en espace de tâche à 11 dimensions pour la coordination apprise, la faisabilité propre au robot restant du ressort du contrôle corps entier (whole-body control). Le système de référence associe un modèle vision-langage, une vérification géométrique déterministe et de l'apprentissage par renforcement multi-agent (MARL) sensible au partenaire ; sur neuf scénarios de transport, les variantes MARL adaptatives atteignent 77,1 à 82,1 % de succès moyen, contre 56,5 % pour une référence à partenaire scripté. Sur robot physique, un Unitree G1 associé à un humain obtient 100 % de succès en transport dans un espace confiné et 80 % pour la manipulation d'objets très longs, et un système à trois porteurs (deux humanoïdes G1 et un humain) valide la même structure d'interface sur matériel réel. Le problème visé est concret pour les intégrateurs : les piles de collaboration homme-robot pleinement intégrées deviennent fragiles dès qu'on change un seul composant, par exemple en remplaçant un partenaire simulé par un humain, ou une équipe à deux porteurs par une équipe à trois. En montrant que la même interface reste fonctionnelle avec des acteurs neuronaux ou des arbres de décision interprétables, avec deux ou trois porteurs, et avec une substitution simulation-vers-réel, les auteurs suggèrent qu'un système de transport collaboratif homme-humanoïde peut être construit de façon modulaire plutôt que reconstruit à chaque itération. C'est un signal pertinent pour les déploiements d'humanoïdes en logistique et en usine, où la coordination physique fiable avec des opérateurs humains reste un frein avant la montée en échelle commerciale. Ce travail s'inscrit dans la vague de recherche combinant modèles vision-langage-action et apprentissage multi-agent pour la robotique humanoïde, où l'écart entre démonstrations simulées et performance réelle reste un point de friction classique du secteur. Le choix du Unitree G1, robot bipède largement utilisé par les laboratoires académiques pour ce type d'expérimentation en raison de sa disponibilité commerciale, situe l'étude comme une validation de laboratoire plutôt qu'un déploiement industriel : l'article ne mentionne ni institution ni entreprise partenaire, ni calendrier de mise en production, et les scénarios à deux et trois porteurs testés ouvrent la voie à une généralisation vers des équipes homme-robot plus larges comme prochaine étape.

RecherchePaper

1 source