RechercheInteresting Engineering 14 octobre 2026

Une seule caméra, 500 commandes par seconde : un drone de course atteint 100 km/h et surpasse les champions humains

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Une équipe du MAVLab de la faculté d'ingénierie aérospatiale de l'université de technologie de Delft (TU Delft) affirme avoir conçu un drone de course autonome qui a battu trois anciens champions du monde humains ainsi que toutes les autres équipes autonomes lors de la compétition Abu Dhabi Autonomous Drone Racing Competition 2025, avec des pointes à environ 100 km/h (62 mph). Baptisé MonoRace, le système perçoit son environnement avec une seule caméra frontale et une centrale inertielle (IMU). Un réseau de neurones repère les portes du parcours dans chaque image, souvent floue et déformée à cette vitesse, tandis que l'IMU et un modèle de la dynamique du drone estiment position et mouvement, sans GPS ni capture de mouvement externe. Le logiciel gère aussi des perturbations réelles comme les interférences sur la caméra et la saturation des capteurs. Le pilotage repose sur un petit réseau de neurones entraîné par apprentissage par renforcement, qui produit directement les commandes moteur 500 fois par seconde sur la puce du contrôleur de vol, sans empilement de contrôleurs intermédiaires ni planification de trajectoire préalable. Les travaux sont publiés dans Science Robotics.

L'intérêt tient à la comparaison avec les systèmes autonomes précédents, qui s'appuyaient sur davantage de capteurs. Ici, la performance vient d'une perception minimale et d'un contrôle de bout en bout suffisamment léger pour tourner sur du matériel embarqué très contraint. Autre point notable : les organisateurs ont conçu et exploité à la fois le drone et le circuit, si bien que l'équipe n'en maîtrisait ni le matériel ni le tracé. Cela atténue le reproche habituel de démonstration taillée sur mesure, même si la course reste un environnement structuré, avec des portes connues à détecter, et que le résultat ne dit rien de la tenue dans des scènes ouvertes ou imprévisibles. Pour les ingénieurs et décideurs, le message est que l'on peut obtenir de la vitesse et de la robustesse en cherchant à tirer le maximum d'intelligence de ressources limitées plutôt qu'en ajoutant des capteurs et du calcul, ce qui joue sur le coût, la masse et la consommation. Selon Christophe De Wagter, l'objectif n'était pas de doter le robot de capteurs plus puissants, mais de mesurer ce que l'on peut extraire de moyens restreints.

La course de drones sert depuis des années de banc d'essai à l'IA robotique, car elle impose décisions rapides et marges d'erreur minimes. Le groupe de Delft, où le professeur Guido de Croon défend cette logique, y poursuit une ligne de recherche sur l'autonomie légère. Ici, l'optimisation visait la vitesse, mais l'équipe indique que la même approche pourrait privilégier l'efficacité énergétique ou la sécurité, du petit robot aspirateur aux immenses grues portuaires. Les chercheurs y voient des principes transposables aux véhicules, aux robots mobiles et, à terme, aux machines aériennes et humanoïdes, qui doivent décider vite avec un calcul embarqué réduit. Aucune commercialisation ni pilote industriel n'est annoncé : il s'agit à ce stade d'un résultat de recherche validé en compétition, non d'un produit livré ni d'un déploiement réel. Les prochaines étapes à surveiller sont la généralisation hors des portes de course et le transfert vers des tâches où l'on privilégie la sûreté et la sobriété plutôt que la vitesse pure.

Impact France/UE

Travaux menés par TU Delft (Pays-Bas, UE) sur l'autonomie légère, transposables à la robotique européenne embarquée, sans acteur français impliqué.

À lire aussi

1arXiv cs.RO

HumanFlow : navigation de drone MAV parmi les humains par diffusion, avec suivi, prévision et contrôle du mouvement

Des chercheurs ont publié en mai 2026 un préprint arXiv (arXiv:2605.25685) présentant HumanFlow, un modèle de diffusion latente conçu pour la navigation de drones autonomes (MAVs, Micro Aerial Vehicles) dans des espaces peuplés. L'architecture unifie deux tâches habituellement traitées séparément : le suivi de la position 3D des personnes en temps réel (tracking) et la prédiction de leurs trajectoires futures (forecasting), le tout conditionné sur le contexte 3D de la scène environnante. La politique de contrôle associée repose sur un MPC (Model Predictive Control) approché par correspondance de flux (flow-matching), couplé directement à l'espace latent du modèle de perception. Les validations ont été conduites en simulation, en rejouant des trajectoires humaines réelles. Les auteurs annoncent de meilleures performances de tracking que les méthodes de référence, avec une efficacité computationnelle supérieure, et une navigation sans collision maintenue même en cas de visibilité partielle ou d'occultations sévères. L'apport central de HumanFlow est ce couplage serré (tight coupling) entre la perception humaine et la commande du robot, une intégration rarement réalisée dans la littérature de navigation sociale. Les systèmes existants échouent fréquemment lorsque des personnes sont partiellement masquées, produisant des estimations incohérentes avec la scène qui dégradent la sécurité et l'efficacité opérationnelle. En générant des prédictions de mouvement lisses et physiquement plausibles y compris sous occultation forte, le modèle réduit ce point de défaillance critique. Pour les intégrateurs de drones en environnement industriel, logistique ou public, c'est l'une des principales barrières à la certification : garantir la détection fiable des humains dans les angles morts. La démonstration que l'espace latent d'un modèle de diffusion peut directement piloter un contrôleur MPC ouvre une voie architecturale potentiellement transposable à des robots au sol ou des bras manipulateurs évoluant aux côtés d'opérateurs. HumanFlow s'inscrit dans un courant de recherche actif sur la navigation sociale robotique, dominé jusque-là par des approches basées sur des estimateurs déterministes ou des réseaux de prédiction de trajectoires tels que les architectures LSTM et Transformer. L'utilisation de modèles de diffusion pour la prédiction de mouvements humains est récente, apparue au milieu des années 2020, et HumanFlow en est l'une des premières applications directement couplées au contrôle. Ses concurrents directs incluent des pipelines séparant explicitement perception, prédiction et planification. Il faut noter que les validations restent entièrement en simulation : aucun déploiement physique sur drone réel n'est rapporté dans ce préprint, ce qui laisse ouverte la question du sim-to-real gap pour cette classe de modèles génératifs. Les prochaines étapes logiques seraient des essais sur MAV réel en environnement semi-contrôlé.

RecherchePaper

1 source

2Interesting Engineering

Un drone remplace ses caméras par le toucher pour apprendre à se percher sur une branche

Des chercheurs de l'université technique de Delft (TU Delft), aux Pays-Bas, ont mis au point un drone capable de se percher sur des branches en s'appuyant sur le toucher plutôt que sur la seule vision par caméra. Le système repose sur une main robotique anthropomorphe légère à trois doigts, dotée de capteurs capacitifs souples et d'un contrôle tactile en boucle fermée. Chaque doigt comporte trois phalanges arrondies reliées par des articulations rotoïdes, avec des ressorts de torsion qui referment passivement la main sans consommer d'énergie active. La structure est imprimée en 3D en PLA rigide, recouverte d'interfaces en silicone souple pour la friction au contact. Les capteurs tactiles utilisent une feuille de cuivre intégrée sous le silicone : le contact avec un objet conducteur modifie la capacitance, mesurée par un contrôleur MPR121 qui délivre des signaux de contact binaires en temps réel. Ne disposant au départ que d'une estimation approximative de la position de la branche, le drone balaie la zone selon une trajectoire sinusoïdale en huit, étagée verticalement, tout en ouvrant et fermant les doigts jusqu'au premier contact, qui déclenche ensuite un ajustement fin de position et d'orientation. Cette approche répond à une limite bien identifiée des drones perchés en environnement encombré, typiquement en forêt, où le feuillage, les occlusions et le mouvement des branches mettent en échec les systèmes purement vision. Une fois la prise stabilisée, le drone peut couper ses moteurs, réduisant le bruit et économisant la batterie, ce qui ouvre la voie à des missions de surveillance environnementale ou de collecte de données prolongées sans recharge fréquente. L'intérêt technique tient surtout à l'architecture de contrôle par états (décollage, recherche, détection de contact, approche, positionnement, rotation, finalisation, accroche, abandon), qui permet une réaction dynamique au toucher plutôt qu'une manœuvre d'atterrissage prédéfinie, avec une vérification de la stabilité de la prise avant de s'engager et un retour en vol stationnaire possible en cas d'échec. Pour les intégrateurs de drones d'inspection ou d'agriculture de précision, cela illustre une piste alternative au tout-vision pour l'autonomie énergétique embarquée. Le travail s'inscrit dans une recherche plus large sur le perchage passif des drones, un axe suivi depuis plusieurs années par différents laboratoires pour prolonger l'autonomie des micro-aéronefs, TU Delft étant reconnue dans ce domaine via son laboratoire de microdrones (MAVLab). D'autres approches existantes reposent sur des crochets rigides, des ventouses ou une détection visuelle par apprentissage profond pour repérer les points d'accroche, avec les mêmes limites de robustesse en conditions réelles. Il s'agit ici d'un projet de recherche académique et non d'un produit commercialisé : l'article ne précise ni partenariat industriel, ni calendrier de déploiement, ni confirmation que les essais aient eu lieu en forêt plutôt qu'en laboratoire.

UERecherche menée par TU Delft (Pays-Bas), un laboratoire européen reconnu en microdrones, ce qui renforce la position de l'UE sur l'axe du perchage passif tactile.

RecherchePaper

1 source

3Interesting Engineering

Un robot-chien termine un marathon de 42 km sur une seule charge de batterie, plus efficace qu'un humain

Un robot quadrupède baptisé RAIBO2, développé par des chercheurs du KAIST (Corée du Sud), a bouclé un marathon complet de 42,195 km en 4 heures, 19 minutes et 52 secondes sans changer ni recharger sa batterie, lors du Sangju Dried-Persimmon Marathon 2024. Le robot a maintenu une vitesse moyenne d'environ 2,64 m/s (5,9 mph, soit environ 9,5 km/h) sur l'ensemble du parcours. Les résultats ont été publiés dans la revue Nature le 23 septembre 2026. Cette performance fait suite à un échec initial : en septembre 2024, une version antérieure du robot était tombée en panne de batterie autour du 37e kilomètre, l'équipe expliquant que la machine avait consommé plus d'énergie que prévu en changeant constamment d'allure pour s'adapter aux autres coureurs. L'efficacité énergétique du robot est mesurée par le coût de transport (cost of transport, COT), un indicateur rapportant l'énergie dépensée au poids déplacé et à la distance parcourue. RAIBO2 affiche un COT de 0,25, contre 0,37 pour la référence humaine citée dans l'étude, ce qui ne signifie pas que le robot est plus efficace qu'un humain sous tous les angles, mais qu'il consomme relativement moins d'énergie selon ce critère précis. Cette avancée s'attaque à l'un des principaux obstacles des robots à pattes : l'autonomie. Contrairement aux plateformes à roues, les quadrupèdes doivent dépenser en permanence de l'énergie pour soutenir leur poids et subissent des pertes liées aux impacts, aux mouvements articulaires et au contact pied-sol. Selon l'étude Nature, les quadrupèdes précédents plafonnaient généralement autour de 20 km d'autonomie par charge ; RAIBO2 la triple. Pour les intégrateurs et décideurs industriels, cela ouvre des perspectives concrètes pour des applications où le retour à une station de recharge est difficile voire impossible : recherche et sauvetage, inspection industrielle, reconnaissance en extérieur sur terrains accidentés, escaliers ou zones sinistrées. L'approche démontre surtout qu'une meilleure autonomie ne passe pas nécessairement par une batterie plus grosse, mais par une réduction combinée des pertes mécaniques, électriques et locomotrices. Plutôt que d'augmenter la capacité de la batterie, l'équipe du KAIST a redessiné l'ensemble du système après l'échec de 2024 : pattes allégées, électronique de pilotage moteur repensée pour réduire les pertes électriques, et surtout une politique de locomotion entraînée par apprentissage par renforcement en simulation, conçue pour minimiser les mouvements articulaires inutiles et les pertes liées aux collisions pied-sol. La conception mécanique et le contrôle logiciel ont été optimisés conjointement plutôt que séparément. L'étude ne détaille pas de calendrier de déploiement commercial ni de pilotes industriels annoncés ; il s'agit à ce stade d'une démonstration de recherche publiée, dont l'enjeu principal reste de prouver qu'un gain d'autonomie systémique est possible sur une plateforme à pattes, un défi que la plupart des quadrupèdes commerciaux actuels n'ont pas encore résolu.

RecherchePaper

1 source

4arXiv cs.RO

Robots acquièrent des compétences de manipulation en secondes grâce à une seule vidéo humaine

Des chercheurs ont présenté HOST (Human-to-robot One-Shot Skill AcquisiTion), un framework permettant à un robot d'acquérir une nouvelle compétence de manipulation à partir d'une seule vidéo humaine, en 29 secondes en moyenne au moment de l'inférence. Le système fonctionne par une cascade de prédictions auto-référencées : il estime d'abord la progression du robot dans la tâche démontrée, traduit cette progression en observations futures propres à l'embodiment du robot, puis en déduit les actions à exécuter. L'entraînement de cette cascade s'appuie sur une correspondance entre la trajectoire du robot et la vidéo de démonstration, projetées sur une même variété de progression de tâche, ce qui permet d'aligner les cibles d'apprentissage sur le déroulé futur de la vidéo. Sur les tâches testées, HOST atteint un taux de réussite moyen de 62%, soit 45 points de plus qu'une baseline zero-shot, tout en conservant les compétences déjà maîtrisées par le robot. Ce résultat s'attaque directement à un goulot d'étranglement connu du secteur de la robotique manipulatrice : les méthodes actuelles d'apprentissage de compétences reposent sur des boucles d'entraînement lourdes et coûteuses, qui en plus dégradent souvent les compétences précédemment acquises à chaque nouvel apprentissage (le problème dit du "catastrophic forgetting"). En affichant des performances supérieures à une baseline fine-tunée sur 50 démonstrations robot par tâche, tout en n'utilisant qu'une seule vidéo humaine et 507 fois moins de temps d'acquisition, HOST illustre une piste concrète pour réduire drastiquement le coût de déploiement des VLA (vision-language-action models) en environnement industriel réel, un enjeu central pour les intégrateurs qui doivent reconfigurer rapidement des cellules robotiques sur de nouvelles références produit sans campagne de collecte de données coûteuse. Cette approche s'inscrit dans la lignée des travaux récents sur l'apprentissage par imitation cross-embodiment, où des modèles comme GR00T N2 ou Pi-0 cherchent également à exploiter des données humaines ou hétérogènes pour accélérer l'apprentissage robotique. La contribution spécifique de HOST réside dans sa capacité à opérer en one-shot, à l'inférence, sans réentraînement du modèle sous-jacent, et sans effacer les compétences déjà en mémoire du robot. Les auteurs renvoient vers un site du projet pour des démonstrations complémentaires ; il s'agit à ce stade de résultats de recherche publiés sur arXiv, non d'un produit ou d'un déploiement industriel.

RecherchePaper

1 source