Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
RechercheIEEE Spectrum Robotics 

Vendredi vidéo : la mise hors service des robots prend un tour amusant

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

Dans sa sélection hebdomadaire de vidéos, IEEE Spectrum commence par une moquerie de la dernière opération de communication de Figure. Devanthro vend des balles en plastique à 1 000 dollars pièce, livrables avant Noël. Côté recherche, Hybrid Robotics présente Workhorse, un système qui apprend la manipulation du corps entier avec contacts, à partir de vidéos de démonstrations humaines sans robot, en s'appuyant sur une vision RGB égocentrique et la proprioception. Sur un Unitree G1 réel, le robot trie des boîtes avec les mains et un coup de pied, rattrape une boîte lancée, puis renverse une valise et grimpe dessus. Le MIT dévoile SANDO, un système de navigation qui planifie et ajuste en temps réel une trajectoire sans collision parmi des obstacles mobiles, avec des capteurs et un calcul embarqués et des garanties mathématiques de sécurité. À NC State, un robot nageur souple inspiré des comatules (étoiles de mer à plumes) réalise trois modes de nage (verticale type méduse, direction type poisson, réorientation 3D type rotor) avec seulement deux entrées pneumatiques. L'EPFL montre un moteur linéaire en forme de fil. KUKA teste un lavage automobile où des bras robotisés modélisent le véhicule avant de le nettoyer. Sont aussi évoqués Pollen Robotics, RAI Institute, DEEP Robotics, Generalist, General Robotics Lab et Sanctuary AI.

L'intérêt tient moins à une annonce isolée qu'à ce que l'ensemble révèle de la maturité du secteur. Workhorse illustre une piste de plus en plus suivie : apprendre à partir de vidéos humaines plutôt que de téléopération coûteuse, ce qui réduirait le coût de collecte de données. Les tâches montrées sont toutefois des démonstrations sur plateforme de recherche, sans taux de réussite publié dans ce résumé. Le cas KUKA est instructif pour les intégrateurs : l'article rapporte que les avis récents sur ce site suggèrent que les robots ne sont pas encore au niveau, ce qui rappelle l'écart entre un concept déployé auprès du public et un service fiable. De même, le commentaire sur Sanctuary AI relève un montage où le clip central démarre alors que la main tient déjà la bande à peler. C'est un rappel utile pour juger des vidéos de préhension : la phase d'accroche est souvent la plus difficile et la moins montrée.

Le contexte est celui d'une course humanoïde où la communication spectaculaire de Figure suscite désormais de l'ironie dans la communauté, comme le montre l'initiative de Devanthro. La France est représentée par Pollen Robotics, qui diffuse une vidéo légère de son robot. Le calendrier à venir est chargé : CoRL 2026 se tient du 9 au 12 novembre à Austin, et Humanoids 2026 du 6 au 9 décembre à Santa Clara, deux rendez-vous où seront confrontés résultats académiques et démonstrations industrielles. Les mini-keynotes d'ICRA 2026 sur la manipulation, les humanoïdes et la conception incarnée sont par ailleurs disponibles en ligne pour qui veut suivre les orientations de la recherche.

Dans nos dossiers

UnitreeSanctuary AIPollen Robotics — ReachyICRA / IROS / CoRL

À lire aussi

Vidéo du vendredi : l'albatros chute, tournoie, se redresse et s'éloigne à la voile
1IEEE Spectrum Robotics 

Vidéo du vendredi : l'albatros chute, tournoie, se redresse et s'éloigne à la voile

Le dernier Video Friday d'IEEE Spectrum met en avant ALBATROSS, un robot hybride aérien et marin conçu à la Singapore University of Technology and Design et décrit dans Science Robotics. Il se largue depuis les airs, descend en autorotation sans parachute, se redresse passivement après son amerrissage, puis réutilise ses ailes rigides comme voiles pour naviguer de façon autonome grâce au vent, avec un minimum d'actionneurs. Sharpa a dévoilé à l'IROS trois produits : D01, présenté comme un robot à détection tactile intégrée pour la manipulation dextre, W02, une main dextre tactile ultra-compacte, et AE01, un gant exosquelette haptique destiné à collecter des données. Boston Dynamics affirme qu'Atlas lui fera gagner la course aux humanoïdes, en s'appuyant sur le précédent commercial de Spot et de Stretch. La sélection compte aussi un patin de pied souple à épines pour robot sauteur (CLIMB Lab, Toronto), la plateforme HARP, où des drones indépendants se reconfigurent physiquement en vol (General Robotics Lab), des démonstrations de mobilité d'ANYmal (ETH Zurich), un bras robotisé auto-assemblé conçu par un lycéen canadien, Daniel Zhu, pour le secours en décombres, et une démonstration de conduite autonome d'XPENG. L'équipe IT Imperial a enfin relié le connectome MaleCNS d'une mouche drosophile mâle à un humanoïde Unitree G1, dans une boucle caméra, modèle neuronal, décodage moteur, mouvement. Ce qui ressort tient moins à un produit qu'à un déplacement des centres d'intérêt. ALBATROSS illustre une logique de morphologie intelligente, où la structure remplace des sous-systèmes embarqués, avec une promesse de capteurs marins persistants et déployables rapidement. Reste à savoir si cela dépasse le stade du prototype académique. Côté dextérité, Sharpa vise une brique recherchée, le tactile, ainsi que la collecte de données par téléopération haptique, devenue un goulot d'étranglement pour entraîner les modèles de manipulation. Les formules de Boston Dynamics relèvent du positionnement commercial et ne sont accompagnées d'aucun chiffre de déploiement ou de production dans ce numéro. Le rédacteur de Spectrum se dit lui-même lassé des coups de communication autour des humanoïdes, un signal de fatigue du secteur face aux vidéos spectaculaires non contextualisées. L'expérience IT Imperial est à prendre avec prudence : le rédacteur ignore si la tâche est bien plus facile ou plus difficile qu'elle n'en a l'air, et aucune métrique n'est fournie. Ces travaux s'inscrivent dans un calendrier de conférences chargé, avec CoRL 2026 du 9 au 12 novembre à Austin puis Humanoids 2026 du 6 au 9 décembre à Santa Clara. Boston Dynamics y défend sa position face aux acteurs de l'humanoïde, tandis que l'ETH Zurich, via ANYmal, et XPENG illustrent la pression venue de la recherche académique et de l'automobile. Tevel, dont les drones cueilleurs de fruits sont salués par Spectrum comme une survivance inattendue, rappelle qu'une robotique agricole peut durer sans les budgets de l'humanoïde. Aucun acteur français ou européen n'est cité dans ce numéro, hormis l'ETH Zurich côté suisse. Les prochaines étapes sont celles de la publication académique : validation sur le terrain pour ALBATROSS, démonstrations de Sharpa et suites des projets HARP et IT Imperial.

RechercheActu
1 source
RAYA : apprendre où et quand intervenir pour la récupération des robots
2arXiv cs.RO 

RAYA : apprendre où et quand intervenir pour la récupération des robots

Des chercheurs ont publié le 21 septembre 2026 sur arXiv (référence 2609.21690) RAYA, un framework hybride combinant apprentissage et contrôle analytique pour la récupération de robots après détection d'un risque de défaillance. Le système place une marge de récupérabilité apprise, calculée sur horizon fini, directement dans un contrôleur optimal à contraintes strictes, couplée à un ordonnanceur appris qui réajuste dynamiquement les priorités de tâche pour faciliter la récupération. Testé sur 7 200 épisodes de simulation par contrôleur, sur des bancs d'essai quadrirotor et véhicule autonome, RAYA transfère ses composants appris sans réentraînement vers des trajectoires, perturbations, changements de dynamique et configurations de friction inédits. Une version embarquée a ensuite été installée sur un drone Crazyflie de 35 grammes: lors de 40 vols réels sous vent, avec soit un décalage aérodynamique non modélisé soit une perte de 40% de la commande moteur, les trois méthodes de référence ont échoué dans tous les essais, tandis que RAYA a complété 10 missions sur 10, chacune de six cycles. Ce résultat s'attaque à un problème connu en robotique de sécurité: un système peut détecter une défaillance imminente sans conserver l'autorité de contrôle nécessaire pour l'éviter, en particulier quand les garde-fous n'interviennent qu'après coup, une fois le plan nominal déjà engagé. En intégrant la récupérabilité comme critère au moment même où l'action est choisie, plutôt qu'en veto tardif, RAYA illustre un déplacement des mécanismes de sécurité vers une logique prédictive intégrée au contrôleur, plutôt que réactive et externe. Pour les intégrateurs de drones et de véhicules autonomes opérant en conditions incertaines (vent, usure moteur, terrain glissant), l'écart mesuré face aux méthodes de référence, un échec total contre une réussite complète, indique que la robustesse aux pannes partielles reste un point faible malgré les progrès récents de l'apprentissage par renforcement appliqué au contrôle. Ce travail s'inscrit dans une recherche visant à unifier apprentissage profond et contrôle optimal sous contraintes dures, plutôt qu'à traiter la sécurité comme un filtre ajouté après coup à la planification, une approche que les auteurs critiquent explicitement. RAYA se positionne ainsi face aux filtres de sécurité classiques et aux barrières de contrôle apprises existantes. Le choix du Crazyflie, plateforme légère largement utilisée en recherche académique pour valider des algorithmes de contrôle, situe cette publication comme une preuve de concept plutôt qu'un produit prêt à l'industrialisation; aucun partenariat industriel ni calendrier commercial n'est mentionné. Le code et les détails du projet sont disponibles sur raya-control.github.io, sans précision sur une éventuelle extension à des plateformes robotiques plus lourdes.

RecherchePaper
1 source
Vidéo du vendredi : la découverte de mouvements robotiques révèle des comportements inattendus
3IEEE Spectrum Robotics 

Vidéo du vendredi : la découverte de mouvements robotiques révèle des comportements inattendus

La semaine robotique de mi-juin 2026 a été marquée par la présentation de MotionDisco, un framework conçu pour découvrir des comportements de loco-manipulation "contact-rich" sur des horizons longs, sans recourir à la téléopération ni au retargeting de démonstrations humaines. Contrairement aux approches classiques fondées sur des milliers d'exemples capturés par mocap, MotionDisco génère ces comportements moteurs à partir de zéro en explorant l'espace des configurations physiques de manière autonome. Les séquences produites incluent des comportements qualifiés d'"atypiques" même par leurs auteurs, dont certains surprennent par leur aspect non-anthropomorphe. En parallèle, ROBOTIS a dévoilé AI Sapiens, un pipeline permettant à un humanoïde d'apprendre des mouvements depuis une vidéo capturée par smartphone, sans équipement de motion capture professionnel, avec une mise en open source annoncée. LUMOS Robotics a lancé Project EDGE en proposant 100 robots NIX gratuits à des partenaires universitaires et laboratoires sélectionnés à l'échelle mondiale. L'ESA a diffusé un timelapse du robot Dextre, positionné en bout de Canadarm2 sur l'ISS, opéré depuis le sol pour décharger des équipements depuis le compartiment non pressurisé de la capsule Dragon de SpaceX. L'intérêt de MotionDisco pour les équipes d'ingénierie tient à sa promesse de contourner le principal goulot d'étranglement du développement en robotique humanoïde : la collecte de données de démonstration. Les approches VLA (Vision-Language-Action) et les méthodes par imitation requièrent des volumes importants de données de haute qualité, coûteuses à produire par téléopération ou mocap. Un framework capable de "découvrir" des comportements moteurs complexes sans données humaines initiales réduirait ce coût d'entrée, avec un impact direct pour les intégrateurs qui externalisent aujourd'hui cette phase à des prestataires spécialisés. Cela dit, aucune métrique de robustesse, de taux de succès ni de généralisation n'est fournie dans la présentation publique, ce qui limite l'interprétation : les vidéos sélectionnées montrent des résultats visuellement convaincants, pas une validation de déploiement. L'annonce d'AI Sapiens par ROBOTIS signale une démocratisation possible du motion learning : si un smartphone suffit pour entraîner un humanoïde, le besoin en infrastructure de mocap type Vicon ou OptiTrack disparaît pour les laboratoires à budget limité. MotionDisco s'inscrit dans un axe de recherche en expansion depuis 2024, porté par des travaux comme DeepMimic (UC Berkeley) et AMP (Adversarial Motion Priors), qui cherchent à automatiser la génération de comportements locomoteurs sans supervision humaine directe. ROBOTIS, fabricant coréen connu pour la gamme de servos Dynamixel et ses plateformes humanoïdes éducatives (OP3, DARWIN), positionne AI Sapiens comme une brique accessible pour les labos dépourvus de pipelines téléopérés coûteux, face à des acteurs comme Unitree ou Fourier Intelligence qui misent eux aussi sur la réduction du coût de collecte de données. LUMOS Robotics reste peu documentée publiquement : Project EDGE ressemble davantage à un programme d'early adopters qu'à un déploiement commercial établi. Les opérations Dextre sur l'ISS rappellent que la téléopération spatiale demeure le segment le plus mature pour la manipulation dextère à distance dans des conditions réelles contraintes. Les étapes à surveiller : la publication éventuelle du code MotionDisco et le calendrier de la mise en open source du pipeline ROBOTIS.

UEL'ESA est le seul acteur européen cité, avec une opération de routine du robot Dextre sur l'ISS ; aucun impact opérationnel ou commercial direct pour la France ou l'UE.

RecherchePaper
1 source
Vidéo : un robot maîtrise l'air hockey et bat des humains sans jamais toucher une vraie table
4Interesting Engineering 

Vidéo : un robot maîtrise l'air hockey et bat des humains sans jamais toucher une vraie table

Une équipe de trois étudiants de l'Université de la Colombie-Britannique (UBC) a développé une table de air hockey contrôlée par intelligence artificielle, capable d'affronter des joueurs humains sans avoir jamais été entraînée sur une vraie table. Le système repose sur un transfert simulation-réel (sim-to-real) : l'agent IA a été entraîné exclusivement dans un jumeau numérique haute-fidélité de la table, via une méthode d'apprentissage par renforcement appelée "soft actor-critic" (SAC), qui remplace les moteurs physiques classiques comme Unity ou Unreal pour accélérer les itérations sur des millions de parties simulées. Une fois le modèle entraîné, il a été transféré directement dans le robot physique, équipé d'une caméra aérienne à 120 images par seconde et d'un palet recouvert de bande rétroréfléchissante pour améliorer le tracking. Résultat : l'IA s'est montrée compétitive face à un adversaire humain dès le premier contact avec la table réelle, sans phase d'adaptation supplémentaire. Ce qui rend ce résultat notable, c'est la gestion explicite du "reality gap", le fossé qui sépare habituellement les performances en simulation de celles dans le monde réel. Le air hockey est un cas particulièrement difficile : le palet se déplace à grande vitesse, ses rebonds sont chaotiques, et le système doit absorber des latences caméra, des fluctuations de tension, des vibrations mécaniques et un tracking imparfait. L'équipe a répondu à ce problème par ce qu'on appelle la "domain randomization" : plutôt que de simuler une table parfaite, ils ont introduit délibérément des imperfections, rails inégaux, rebonds inconsistants, chutes d'alimentation, latence variable, pour forcer l'agent à raisonner en termes de distributions de positions probables plutôt qu'en trajectoires exactes. C'est une approche qui contredit le réflexe habituel de "nettoyer" les simulateurs, et dont les résultats suggèrent que l'imperfection contrôlée peut être un levier d'apprentissage plus robuste que la précision physique maximale. Sur le plan du contexte, ce projet étudiant s'inscrit dans un effort de recherche plus large sur les transferts sim-to-real pour les systèmes autonomes, thème central dans la robotique de manipulation, les drones et les véhicules autonomes. Il ne s'agit pas d'un produit commercialisé ni d'un déploiement industriel, mais d'une preuve de concept académique dont le code est disponible sur GitHub. Les laboratoires travaillant sur des agents de manipulation à grande échelle, comme Physical Intelligence (Pi) avec pi-0 ou des équipes universitaires spécialisées en sim-to-real, explorent des problèmes analogues sur des environnements bien plus complexes. Ce qui distingue ce travail, c'est la clarté méthodologique et la reproductibilité revendiquée : si l'approche tient à plus grande échelle, la domain randomization couplée au SAC pourrait réduire significativement les coûts et délais d'entraînement de robots autonomes dans des environnements industriels non structurés.

RecherchePaper
1 source