RecherchearXiv cs.RO 8 octobre 2026

SurGE : évolution guidée par gradient de substitution pour la co-conception de robots à pattes avec élasticité parallèle

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs proposent SurGE (Surrogate Gradient-guided Evolution), un cadre de co-conception pour robots à pattes équipés d'éléments élastiques en parallèle, décrit dans l'article arXiv 2606.21866 (version 2). Le système calcule des gradients de substitution de l'objectif de conception à travers un pipeline différentiable. Ce pipeline combine un modèle cinodynamique de corps rigide unique (Kino-SRB) et une politique de contrôle qui tient compte de la conception. Ces gradients sont ensuite injectés dans l'algorithme évolutionnaire CMA-ES, par un décalage de la moyenne de la distribution et une décroissance du pas de type cosinus. Les tests portent sur un robot sauteur à 4 degrés de liberté de conception, équipé d'un ressort parallèle unidirectionnel. Face à un CMA-ES standard, SurGE divise par six l'écart-type entre graines aléatoires et resserre la population de 18 %, tout en égalant ou améliorant le meilleur objectif. Sur matériel, dans un sous-espace de conception à deux dimensions, la méthode réduit l'objectif de 37,65 % par rapport à une conception initiale réglée à la main.

Le problème visé est un point dur de la robotique à pattes. Les ressorts parallèles peuvent réduire la consommation des actionneurs et augmenter les performances en saut ou en course. Mais le choix de leur raideur, de leur course et de leur point d'engagement reste largement empirique. Les contacts sont discontinus et le ressort unidirectionnel ne s'engage qu'à partir d'un certain seuil. Ces non-différentiabilités rendent les gradients analytiques inutilisables, d'où le recours habituel à des méthodes sans gradient, coûteuses en simulation et sensibles à la graine. SurGE propose un compromis. Un modèle simplifié fournit une direction de descente approximative, et l'évolution corrige les erreurs de ce modèle. Le gain de robustesse (six fois moins de variance entre exécutions) compte davantage pour un ingénieur que le meilleur score, car il réduit le nombre de relances nécessaires. Le transfert de la tendance de la simulation vers le matériel est aussi un résultat utile face au fossé sim-to-real. Les limites sont nettes : un seul robot sauteur, un espace de conception réduit à 4 dimensions en simulation et 2 sur matériel, et une amélioration mesurée contre une conception manuelle dont la qualité n'est pas précisée. On ne sait pas si la méthode passe à l'échelle d'un robot bipède ou quadrupède complet.

Ces travaux s'inscrivent dans un courant plus large de co-conception morphologie-contrôle, qui va de l'optimisation évolutionnaire classique aux simulateurs différentiables et à l'apprentissage par renforcement. Les pattes élastiques en parallèle se retrouvent dans plusieurs plateformes de recherche et industrielles, ce qui donne un cadre d'application plausible. Le papier est un résultat académique, sans produit ni calendrier de déploiement. La suite logique consiste à étendre la méthode à des espaces de conception plus riches, à d'autres types de mécanismes élastiques et à des robots plus complexes. Le code et les conditions de reproduction détermineront son adoption.

Impact France/UE

Pas d\'impact direct sur la France/UE

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Gradients de valeur pour la conception de robots à morphologies multiples

Des chercheurs ont publié le 2 juin 2026 sur arXiv (référence 2606.00702) une méthode visant à accélérer la conception de robots via ce qu'ils nomment les "value gradients". Le principe consiste à entraîner une unique fonction de valeur issue du reinforcement learning sur un ensemble varié de morphologies robotiques, puis à utiliser cette fonction, une fois gelée, comme proxy différentiable pour optimiser de nouveaux designs sans relancer de cycle d'apprentissage complet. Les expériences portent sur des modèles entraînés sur jusqu'à 50 robots distincts, couvrant des espaces de conception de plus de 1 100 paramètres continus d'embodiment: longueurs de membres, configurations articulaires, propriétés mécaniques. La méthode a été évaluée sur des variantes perturbées d'un même robot mais aussi sur des morphologies entièrement nouvelles appartenant à des classes non vues à l'entraînement, testant ainsi sa capacité de généralisation. Le problème que ce travail adresse est central en co-conception robotique: optimiser conjointement la morphologie d'un robot et son contrôleur nécessite traditionnellement de relancer un cycle complet de reinforcement learning pour chaque design candidat, une opération computationnellement prohibitive qui freine l'exploration de l'espace de conception. En gelant la fonction de valeur après un premier entraînement généralisé, les auteurs la transforment en oracle différentiable, permettant d'optimiser directement les paramètres physiques via descente de gradient, sans resimulation coûteuse. Au-delà de l'optimisation, l'analyse des gradients permet d'identifier quels paramètres de design ou de contrôle limitent les performances, une capacité analytique précieuse pour les ingénieurs souhaitant localiser des goulots d'étranglement avant d'engager des cycles de prototypage physique coûteux. La co-conception robotique est un domaine actif depuis plusieurs années, avec des approches concurrentes allant des algorithmes évolutionnaires aux méthodes de simulation physique différentiable explorées notamment par MIT CSAIL, ETH Zurich ou Google DeepMind. La particularité de cette contribution est de ne pas exiger de simulateur différentiable lors de l'optimisation: seule la fonction de valeur préentraînée suffit, la rendant potentiellement compatible avec des pipelines de simulation standard non différentiables. Les suites naturelles concernent l'extension à des espaces de conception encore plus larges, des tâches multi-objectifs et des morphologies plus complexes comme les manipulateurs industriels ou les humanoïdes. Il s'agit à ce stade d'une contribution purement académique, sans partenariat industriel ni déploiement annoncé.

RecherchePaper

1 source

2arXiv cs.RO

Conception évolutive générative de robots souples à base de voxels avec optimalité prouvable

Une équipe de recherche a publié sur arXiv (arXiv:2609.29491v1, 25 septembre 2026) un nouveau framework baptisé MISCO, conçu pour optimiser la conception de robots souples à base de voxels (VSR, voxel-based soft robots) grâce aux modèles génératifs profonds. MISCO associe un algorithme d'estimation de distribution à un autoencodeur variationnel spécialement conçu, doté d'apprentissage multi-tâches, de conscience positionnelle et de signalisation inter-voxels. Ces composants renforcent la capacité de représentation des morphologies de VSR et permettent un échantillonnage et une optimisation beaucoup plus efficaces des distributions morphologiques possibles. Les auteurs fournissent des garanties théoriques de convergence asymptotique vers des designs globalement optimaux, assorties d'un taux de convergence favorable. Des expériences menées en simulation, et uniquement en simulation, démontrent la capacité de MISCO à naviguer dans de vastes espaces de conception et à faire évoluer des robots souples performants sur des tâches variées, tout en équilibrant efficacité d'optimisation et diversité morphologique. L'intérêt de ces travaux tient moins à un produit qu'à une démonstration méthodologique rare dans le domaine: la plupart des algorithmes évolutionnaires appliqués à la robotique souple restent heuristiques et sans garantie mathématique de convergence, alors que MISCO en apporte une, prouvée formellement. Pour les chercheurs en robotique molle et en co-conception morphologie-contrôle, cela ouvre une voie vers des pipelines de génération de designs plus fiables et plus scalables face à des espaces de recherche combinatoires jusqu'ici traités par essais-erreurs coûteux en calcul. Il faut toutefois noter la limite centrale de l'étude: aucune validation matérielle n'est mentionnée, tout repose sur des simulateurs physiques, ce qui laisse ouverte la question classique du "reality gap" entre morphologies optimisées virtuellement et leur fabrication réelle. Les VSR s'inscrivent dans une lignée de recherche initiée par les travaux fondateurs sur l'évolution artificielle de robots modulaires souples, popularisée plus récemment par des systèmes comme les xénobots développés dans des laboratoires américains, où corps et comportement sont co-évolués plutôt que conçus séparément. Les approches historiques s'appuyaient largement sur des algorithmes évolutionnaires classiques de type CPPN-NEAT, qui peinent à passer à l'échelle. MISCO s'inscrit dans une tendance plus large de l'IA où les modèles génératifs profonds remplacent progressivement les heuristiques d'optimisation traditionnelles, y compris en conception mécanique et robotique rigide. Aucun partenariat industriel, pilote ou calendrier de validation physique n'est annoncé à ce stade: le travail demeure une contribution académique et théorique, publiée sans expérimentation sur robot réel.

RecherchePaper

1 source

3arXiv cs.RO

Transformer Transformer : un modèle unifié pour la co-conception de robots conditionnée par le mouvement

Une équipe de recherche publie sur arXiv (2607.25798v1) un nouveau modèle baptisé Transformer Transformer, conçu pour la co-conception de robots conditionnée par le mouvement. L'idée : générer automatiquement des architectures robotiques complètes capables de suivre des trajectoires d'effecteur cibles issues de démonstrations humaines, tout en optimisant des fonctions de récompense définies par l'utilisateur. Le système repose sur les RoboTokens, une tokenisation unifiée des morphologies, états et actions des robots, qui permet à une seule architecture de diffusion transformer de fonctionner sur des espaces d'embodiment très différents : robots bimanuels à roues, quadrupèdes, humanoïdes. Plutôt que d'optimiser pour une récompense unique, le modèle agit comme un modèle de dynamique générique, dont les prédictions d'état et d'action servent ensuite à calculer des valeurs spécifiques à chaque objectif, via une procédure nommée Dynamics Self-Guidance qui guide la diffusion vers des designs à haute valeur. Preuve concrète : les chercheurs ont fabriqué une version optimisée de la plateforme ALOHA, réduisant l'erreur de suivi de trajectoire de plus de 70 % par rapport au design d'origine. L'intérêt pour le secteur tient à ce que la conception mécanique des robots reste largement découplée du contrôle et de l'apprentissage, alors que la performance en manipulation dépend fortement de l'embodiment. Un modèle capable d'optimiser en zero-shot pour des récompenses et trajectoires jamais vues, plus rapidement qu'une baseline évolutionniste, ouvre la voie à des cycles de co-conception matériel-logiciel beaucoup plus rapides pour les intégrateurs et les fabricants de bras ou de plateformes bimanuelles. C'est un signal supplémentaire que les architectures de type transformer/diffusion, déjà dominantes pour les politiques VLA, s'étendent maintenant à la conception physique elle-même, et pas seulement au contrôle. Le travail s'inscrit dans la lignée de la recherche sur la co-conception robotique, historiquement dominée par des algorithmes évolutionnistes coûteux en calcul et spécifiques à une seule récompense. ALOHA, plateforme bimanuelle open source popularisée par les travaux de Stanford et Google, sert ici de banc d'essai matériel concret plutôt que de simple simulation. Le papier ne précise pas de calendrier de déploiement industriel ni de partenaire, il s'agit à ce stade d'un résultat de recherche fraîchement publié, dont la portée reste à confirmer sur des espaces de conception plus larges.

RecherchePaper

1 source

4arXiv cs.RO

Opérateurs neuronaux pour la modélisation par substitution de l'espace de conception des robots continus à actionnement par tendons

Des chercheurs ont soumis sur arXiv (identifiant 2605.19104, mai 2026) un cadre de modélisation par apprentissage d'opérateurs pour les robots continus actionnés par tendons. Le problème adressé est fondamental : les modèles physiques classiques issus de la mécanique des poutres de Cosserat sont trop coûteux en calcul pour le contrôle temps réel, tandis que les approches d'apprentissage automatique existantes se spécialisent sur un design de robot précis et ne transfèrent pas. La contribution propose de reformuler le problème comme un apprentissage d'opérateurs, une famille de méthodes qui apprend des mappings entre espaces fonctionnels plutôt qu'entre vecteurs fixes. Un modèle unique ingère conjointement les paramètres de conception du robot (géométrie des segments, propriétés mécaniques) et les entrées d'actionnement par tendons, et prédit la configuration résultante. Quatre architectures sont présentées : deux variantes de Deep Operator Networks (DeepONets) et deux variantes de Fourier Neural Operators (FNOs), toutes entraînées sur des données de simulation. L'enjeu industriel est la généralisation inter-designs en espace de conception. Pour un OEM ou un intégrateur en robotique chirurgicale, évaluer des milliers de variantes mécaniques sans relancer de simulations physiques complètes représente un gain de cycle de design considérable. Les auteurs décrivent une "bonne précision" et des temps d'inférence compatibles avec le contrôle embarqué, sans donner d'erreurs quantitatives dans l'abstract. Point de vigilance éditorial : l'entraînement est réalisé exclusivement sur données simulées, et aucune validation hardware n'est rapportée. Les robots continus à tendons sont particulièrement exposés au sim-to-real gap, notamment les frottements de câbles, l'hystérésis, et les déformations non modélisées sous charge. Les robots continus occupent une niche stratégique en endoscopie robotisée et inspection en espace confiné, avec des acteurs commerciaux comme Intuitive Surgical (Da Vinci), Auris Health (Monarch, racheté par J\&J) et Medtronic. Côté recherche académique, les groupes travaillant sur la modélisation apprise pour robots déformables incluent Imperial College London, ETH Zürich et plusieurs labos nord-américains. Ce preprint reste une contribution théorique et computationnelle : aucun déploiement, aucun partenariat industriel ni timeline de validation physique ne sont mentionnés. La prochaine étape naturelle, et le vrai test de la méthode, sera la validation sur banc d'essai avec des prototypes réels aux designs variés.

UEImpact indirect et lointain : des groupes européens comme Imperial College London et ETH Zürich travaillent sur des problématiques voisines, mais ce preprint sans validation hardware ni partenariat industriel n'a pas d'effet immédiat sur la France ou l'industrie robotique de l'UE.

RecherchePaper

1 source