Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
RechercheRobohub 

Robot Talk, épisode 165 : les robots derrière la recherche, avec Kushant Patel

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

L'épisode 165 du podcast Robot Talk met face à face Claire et Kushant Patel, ingénieur logiciel au Brookhaven National Laboratory, laboratoire américain du Department of Energy. L'échange porte sur les robots qui travaillent dans des installations scientifiques, notamment les accélérateurs de particules. Kushant Patel développe des logiciels qui permettent aux robots et aux instruments de percevoir, cartographier et traverser l'espace physique. Chez Brookhaven, il conçoit des systèmes de contrôle pour des lignes de lumière de synchrotron avancées. L'épisode est un entretien, pas une annonce produit : aucun chiffre de payload, de degrés de liberté ou de volume de déploiement n'est communiqué, et aucun robot commercial n'est nommé.

L'intérêt tient à ce que ce profil dit de la robotique en milieu scientifique. Les synchrotrons et accélérateurs sont des environnements où l'instrument lui-même doit être piloté avec précision, et où la frontière entre robot mobile, bras et appareil de mesure se brouille. Le parcours de l'intervenant illustre un transfert de compétences, de la perception et de la cartographie vers le contrôle d'équipements de recherche. Pour les intégrateurs, c'est un rappel que des niches très exigeantes, peu médiatisées, absorbent une part du savoir-faire en navigation et en autonomie.

Kushant Patel a obtenu un master en ingénierie mécatronique à l'University of Waterloo. Il a ensuite passé deux ans à l'University of California, Berkeley, à apprendre à des robots quadrupèdes à cartographier et inspecter des matières nucléaires, puis un an à l'University of California, Davis, sur des interfaces cerveau-machine en boucle fermée. Aucun calendrier ni pilote n'est évoqué dans la présentation de l'épisode, et le détail de ses travaux à Brookhaven reste à découvrir à l'écoute.

À lire aussi

Robot Talk, épisode 153 : des robots inspirés de l'origami, avec Chenying Liu
1Robohub 

Robot Talk, épisode 153 : des robots inspirés de l'origami, avec Chenying Liu

Chenying Liu, Junior Research Fellow et Associate Member of Faculty au Department of Engineering Science de l'Université d'Oxford, était l'invitée du 153e épisode du podcast Robot Talk pour présenter ses travaux sur l'intelligence physique incarnée (embodied physical intelligence). Sa recherche explore comment la forme physique d'un robot peut activement contribuer à la perception, au traitement de l'information, à la prise de décision et au mouvement, en s'inspirant notamment des principes géométriques de l'origami. L'épisode ne communique pas de métriques techniques précises, pas de charges utiles, de degrés de liberté ni de résultats expérimentaux chiffrés, ce qui le situe davantage dans la vulgarisation académique que dans l'annonce produit. L'approche d'Oxford que défend Liu représente un contrepoids notable au paradigme dominant du tout-logiciel : plutôt que de déléguer l'intelligence uniquement aux modèles de fondation et aux VLA (Vision-Language-Action models), l'idée est d'intégrer la computation directement dans la géométrie et les matériaux du robot. Cette co-conception mécanique-contrôle promet des systèmes plus robustes et plus efficaces en énergie, particulièrement pertinents pour des environnements non structurés où les modèles sim-to-real peinent encore. Ce courant de recherche, parfois appelé morphological computation ou soft robotics computationnelle, est actif dans plusieurs laboratoires mondiaux, MIT CSAIL, ETH Zurich, EPFL, ainsi qu'en France au CNRS LIRMM et à l'INRIA. Oxford se positionne ici via une chercheuse indépendante dont le programme, encore jeune, n'a pas encore de partenaires industriels publiquement annoncés. La prochaine étape naturelle serait une publication de résultats expérimentaux ou un prototype démontrant le gain d'autonomie promis par cette philosophie de conception.

UELe CNRS LIRMM et l'INRIA sont cités comme acteurs du courant de computation morphologique, mais l'épisode de podcast n'a pas d'impact opérationnel direct sur l'écosystème français.

RecherchePaper
1 source
Robot Talk, épisode 154 : la navigation visuelle chez les insectes et les robots, avec Andrew Philippides
2Robohub 

Robot Talk, épisode 154 : la navigation visuelle chez les insectes et les robots, avec Andrew Philippides

Andrew Philippides, professeur de biorobotique à l'Université du Sussex (Royaume-Uni), mène des travaux à l'intersection de la biologie expérimentale, de la robotique et du machine learning pour décoder les mécanismes de navigation visuelle chez les insectes sociaux. Co-directeur du Centre for Computational Neuroscience and Robotics et du programme doctoral be.AI (financé par le Leverhulme Trust), il étudie spécifiquement comment les fourmis et les abeilles parviennent à se repérer et à apprendre des trajectoires complexes avec un cerveau de quelques milliers de neurones seulement. L'enjeu pour la robotique mobile est direct : les algorithmes de navigation actuels (SLAM, odométrie visuelle) restent coûteux en calcul et fragiles face aux environnements non structurés. Les insectes, eux, résolvent ce problème avec une efficacité énergétique et computationnelle hors norme. Comprendre ces mécanismes permet de concevoir des algorithmes bioinspiré légers, potentiellement déployables sur des robots à ressources contraintes, drones miniatures, robots agricoles autonomes, robots d'inspection en milieu dégradé. Les travaux de Philippides s'inscrivent dans un courant de recherche en pleine expansion qui inclut des équipes comme celle d'Antoine Wystrach (CNRS Toulouse) sur la navigation des fourmis, ou les projets de robotique neuromorphique portés par Intel (Loihi) et l'Université de Zurich. Le groupe du Sussex collabore avec des biologistes comportementaux pour valider les modèles sur terrain réel, limitant ainsi le sim-to-real gap qui affecte nombre d'approches purement computationnelles. Les prochaines étapes annoncées portent sur l'intégration de ces algorithmes dans des plateformes robotiques embarquées.

UELes travaux d'Antoine Wystrach au CNRS Toulouse sur la navigation des fourmis s'inscrivent directement dans ce courant de recherche bioinspiré, positionnant la France comme contributeur actif à la conception d'algorithmes de navigation légers pour drones agricoles et robots d'inspection.

RecherchePaper
1 source
Robot Talk Épisode 161 : les systèmes haptiques collaboratifs, avec Allison Okamura
3Robohub 

Robot Talk Épisode 161 : les systèmes haptiques collaboratifs, avec Allison Okamura

Allison Okamura, professeure Richard W. Weiland Engineering à l'Université Stanford et directrice adjointe du Wu Tsai Stanford Neurosciences Institute, était l'invitée du 161e épisode du podcast Robot Talk, animé par Claire. L'échange portait sur les systèmes robotiques haptiques collaboratifs, un domaine qui vise à doter les robots et les interfaces de téléopération d'un retour de force et de toucher fidèle. Okamura dirige au Stanford Robotics Center des travaux couvrant la téléopération chirurgicale, la réalité virtuelle avec retour tactile, la robotique molle et la rééducation physique. L'haptique reste l'un des verrous les plus sous-estimés de la robotique industrielle et médicale : sans retour de force calibré, un bras chirurgical téléopéré ou un robot collaboratif ne peut pas distinguer une manipulation délicate d'un geste destructeur. Les recherches d'Okamura adressent directement ce déficit en couplant modèles neuromécaniques issus du Wu Tsai Institute et actionneurs souples, ouvrant la voie à des systèmes qui transmettent texture, rigidité et glissement en temps réel. Pour les intégrateurs B2B, les avancées dans ce domaine conditionnent l'adoption des robots dans la chirurgie mini-invasive, l'assemblage de précision et la rééducation. Stanford occupe une position centrale dans la recherche haptique mondiale, aux côtés du MIT CSAIL, de Shadow Robot (UK) et d'entreprises comme Immersion Corporation ou HaptX pour la partie commerciale. En France, des acteurs comme Haption (Laval) développent des bras à retour d'effort pour la simulation industrielle et médicale. Le podcast Robot Talk ne fournit pas de détails sur des résultats expérimentaux spécifiques ni sur des déploiements concrets issus de cet épisode, ce qui limite l'évaluation de l'état réel des travaux présentés.

UEHaption (Laval, France) est cité comme acteur européen pertinent dans la haptique industrielle et médicale, mais l'article ne rapporte aucun résultat expérimental ni déploiement concret issu de cet épisode.

RecherchePaper
1 source
Raisonnement par graphe de zones sémantiques pour la recherche multi-robots guidée par le langage
4arXiv cs.RO 

Raisonnement par graphe de zones sémantiques pour la recherche multi-robots guidée par le langage

Une équipe de chercheurs a publié SAGR (Semantic Area Graph Reasoning), un framework hiérarchique permettant à des grands modèles de langage (LLM) de coordonner des essaims multi-robots pour la recherche sémantique en environnement inconnu. Évalué sur 100 scénarios du dataset Habitat-Matterport3D, SAGR affiche jusqu'à 18,8 % de gain d'efficacité sur la recherche de cibles sémantiques dans les grands environnements, tout en restant compétitif avec les méthodes d'exploration state-of-the-art basées sur la couverture de frontières. Le système construit incrémentalement un graphe sémantique de zones à partir d'une carte d'occupation sémantique, encodant instances de pièces, connectivité, frontières disponibles et états des robots dans une représentation compacte transmise au LLM pour le raisonnement de haut niveau. La navigation locale et la planification géométrique restent déterministes. L'apport central est architectural : SAGR résout le problème d'interface entre raisonnement symbolique et coordination géométrique, un point de friction récurrent dans les systèmes multi-robots. Les approches classiques (frontier coverage, information gain) sont aveugles à l'intention de tâche, elles ne savent pas qu'une « cafetière » se trouve probablement dans une cuisine, pas un couloir. SAGR délègue cette inférence contextuelle au LLM via une abstraction topologique structurée, sans exposer le modèle au bruit d'une carte brute. C'est une séparation claire des responsabilités : le LLM raisonne sur la sémantique des pièces, les robots exécutent localement. Pour un intégrateur ou un opérateur d'entrepôt multi-AGV, cela ouvre la voie à des instructions en langage naturel comme « trouve le chariot de nettoyage » sans reconfiguration de la logique de navigation. Ce travail s'inscrit dans une tendance forte de 2024-2025 : l'injection de LLM dans la boucle de planification robotique, aux côtés de travaux comme SayPlan (Rana et al.), NavGPT ou des approches VLA type RT-2 et π₀. SAGR se distingue en ciblant explicitement la coordination multi-agent plutôt que le robot unique, et en validant sur un benchmark standardisé (HM3D) plutôt qu'en démo lab. La prochaine étape logique sera le passage du simulateur au réel, le sim-to-real gap sur la segmentation sémantique restant le principal obstacle non adressé par les auteurs.

RechercheActu
1 source