RecherchearXiv cs.RO 16 octobre 2026

Sécurité perceptive unifiée contre les chutes pour robots humanoïdes

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs proposent VIGOR, une approche de sécurité en cas de chute pour robots humanoïdes qui couvre toutes les phases d'un incident : évitement de la chute, atténuation de l'impact et relevé. Le système a été évalué en simulation, puis sur un Unitree G1, avec une capacité de généralisation « zero-shot » (sans réentraînement) sur des terrains variés. La méthode repose sur un enseignant « privilégié » entraîné à partir de rares démonstrations humaines et de terrains simulés. Il est ensuite distillé en un élève déployable, qui n'utilise que la profondeur égocentrique (caméra embarquée) et la proprioception. L'élève prédit une représentation latente appelée « goal-in-context », qui encode la posture cible de relevé par rapport au terrain environnant et pilote la réaction coordonnée de tout le corps. Les résumés accessibles ne donnent ni taux de réussite, ni nombre de terrains testés, ni chiffres d'impact.

L'enjeu est pratique pour tout déploiement en environnement encombré. Contrairement aux quadrupèdes ou aux robots à roues, un humanoïde subit à la chute des impacts de forte énergie, des contacts complexes sur l'ensemble du corps et de grands changements de point de vue. Or la fiabilité du relevé conditionne la disponibilité en exploitation : un robot qui ne se relève pas seul immobilise un poste et exige une intervention humaine. Les politiques de relevé existantes sont le plus souvent aveugles et testées sur sol plat. Une politique guidée par la vision, capable d'adapter sa posture cible à des marches, des obstacles ou des surfaces irrégulières, s'attaque donc à un point faible rarement montré dans les démonstrations. Les auteurs soutiennent aussi que mélanger pose, dynamique et terrain dans un même espace de données impose une couverture exhaustive et freine la généralisation. Leur découplage, avec des poses humaines alignées d'un terrain à l'autre, vise à réduire ce besoin. Il reste à vérifier sur du matériel autre que le G1, un robot de petite taille, et sur des chutes plus dynamiques.

Ce travail s'inscrit dans une littérature qui traitait jusqu'ici l'évitement de chute, la réduction de l'impact et le relevé comme des problèmes séparés, ou qui apprenait des politiques de bout en bout sans perception. Le G1 de Unitree est devenu une plateforme de recherche courante grâce à son coût relativement bas, ce qui facilite la reproduction des résultats. Il s'agit d'une prépublication arXiv (version 3), sans validation par les pairs à ce stade, dont une page projet est annoncée. Aucun partenaire industriel ni calendrier de transfert vers un produit n'est mentionné. La suite logique serait une intégration avec les politiques de locomotion et de manipulation, puis des tests de robustesse sur de plus grands humanoïdes industriels.

Dans nos dossiers

Unitree arXiv cs.RO

À lire aussi

1arXiv cs.RO

PolygMap : un cadre de locomotion perceptive pour la montée d'escaliers des robots humanoïdes

Traversée d'escaliers pour robots humanoïdes: des chercheurs présentent PolyMap, un système de navigation qui construit en temps réel une carte sémantique polygonale des marches à partir de la fusion de plusieurs capteurs, LiDAR, caméra RGB-D et centrales inertielles. Le robot segmente chaque plan de marche sous forme de polygones puis calcule où poser le pied grâce à un planificateur qui exploite directement ces segments plans. L'ensemble tourne sur une carte NVIDIA Orin embarquée, avec une sortie de planification de mouvement corps entier à 20-30 Hz, une cadence suffisante pour ajuster la trajectoire du robot en marchant sans interrompre la locomotion. Les auteurs, dont les travaux sont documentés dans un article déposé sur arXiv (2510.12346, version 2, remplaçant une publication antérieure), rapportent des essais réels en intérieur et en extérieur validant la robustesse et l'efficacité de l'approche pour la montée d'escaliers. L'enjeu dépasse la simple prouesse technique: la marche humanoïde actuelle reste largement conçue pour des sols plats et prévisibles, un schéma de marche générique qui ne demande pas au robot de regarder où il pose le pied. Grimper un escalier inconnu exige au contraire une perception précise et une planification de pas en temps réel, exactement le type de tâche où les démonstrations spectaculaires en environnement contrôlé échouent souvent une fois confrontées à un terrain réel non calibré. En combinant cartographie sémantique et planification de pas sur du matériel embarqué à cadence élevée, PolyMap répond directement à ce fossé entre démonstration et déploiement, un point sensible pour tout intégrateur envisageant des humanoïdes en environnement industriel ou logistique comportant des dénivelés. Cette approche s'inscrit dans une lignée de recherche plus large sur la locomotion perceptive, qui cherche à remplacer les mouvements scriptés par une perception active de l'environnement, un axe également exploré par d'autres laboratoires académiques et industriels travaillant sur la marche humanoïde. Le papier étant une publication arXiv de recherche et non une annonce produit, aucun calendrier de commercialisation n'est communiqué; il s'agit ici d'une contribution méthodologique destinée à alimenter les futurs systèmes de contrôle plutôt que d'un déploiement commercial annoncé.

RecherchePaper

1 source

2arXiv cs.RO

Robot humanoïde : apprendre des interventions de sécurité personnalisées pour le contrôle partagé haptique humain-robot

Traduction de l'article demandée. Un système de retour haptique personnalisé permet désormais aux robots partagés en téléopération d'apprendre les préférences de sécurité individuelles d'un utilisateur à partir de démonstrations limitées, plutôt que d'imposer des réglages génériques prédéfinis. L'approche, baptisée Learning from Haptics (LfH), s'appuie sur une couche d'optimisation différentiable fondée sur des fonctions de barrière de contrôle (Control Barrier Function, CBF), un outil mathématique classique pour garantir qu'un système reste dans une zone d'état sûre. Concrètement, l'opérateur n'a plus besoin de régler manuellement les paramètres du contrôleur par essais-erreurs: il montre au système comment il souhaite que celui-ci intervienne pendant la téléopération, et l'algorithme ajuste automatiquement les paramètres de sécurité sous-jacents pour reproduire ce comportement démontré. Les auteurs ont validé le cadre à la fois en simulation et sur un banc matériel réel, montrant que le système apprend des interventions personnalisées à partir de peu de données utilisateur et réduit l'écart entre le retour haptique généré et les préférences réellement démontrées. Cette avancée s'attaque à une limite connue des systèmes de guidage haptique en contrôle partagé humain-robot: les stratégies d'intervention prédéfinies ne s'adaptent ni aux préférences individuelles des opérateurs, ni aux spécificités de chaque scénario applicatif (chirurgie assistée, téléopération industrielle, exosquelettes, manipulation à distance). Pour les intégrateurs et concepteurs de systèmes à contrôle partagé, cela signifie potentiellement moins de temps de calibration terrain et une meilleure acceptabilité utilisateur, un facteur souvent négligé mais déterminant dans l'adoption réelle de ces interfaces. Le résultat conforte aussi une tendance plus large en robotique interactive: remplacer le réglage manuel de paramètres de contrôle par de l'apprentissage à partir de démonstrations éparses, une approche qui gagne du terrain face aux méthodes classiques de tuning expert. Le travail s'inscrit dans la lignée des recherches sur le contrôle partagé haptique et les CBF, deux domaines matures séparément mais rarement combinés de façon apprenante. Les CBF sont largement utilisés en robotique de sécurité (véhicules autonomes, manipulateurs collaboratifs) pour garantir formellement l'évitement de zones dangereuses, mais leurs paramètres restent généralement fixés à la main par des experts. En les rendant différentiables et ajustables par apprentissage, les auteurs ouvrent la voie à des systèmes de téléopération qui s'adaptent utilisateur par utilisateur. L'article, publié sur arXiv fin juillet 2026, ne précise pas de partenaire industriel ni de calendrier de déploiement au-delà des expériences en laboratoire, ce qui en fait pour l'instant un travail de recherche fondamentale plutôt qu'une solution prête à l'intégration.

RecherchePaper

1 source

3arXiv cs.RO

PGMT : suivi de mouvement général perceptif pour robots humanoïdes

Un article arXiv mis à jour (2609.08511v2) présente PGMT, Perceptive General Motion Tracking, une méthode qui permet à un robot humanoïde d'adapter ses mouvements au terrain plutôt que de suivre une trajectoire de référence pensée pour un sol plat. Le système apprend d'abord un socle générique de suivi de mouvement et de récupération, puis ajoute une perception du sol via des aperçus de terrain conditionnés par le mouvement en cours, complétés par un relâchement du suivi qui autorise des écarts de trajectoire sans perdre l'intention du geste. Testé en zero-shot sur un robot Unitree G1, sans réentraînement spécifique, PGMT assure une locomotion stable sur des obstacles réels atteignant 37 cm de hauteur, tout en gérant dans une seule politique téléopération, suivi de mouvements dynamiques et récupération après chute. L'enjeu dépasse la prouesse technique : la plupart des démonstrations de motion tracking humanoïde reposent sur un sol plat et prévisible, un terrain "agnostique" qui devient physiquement infaisable dès que le sol se complique, marches, gravats ou dénivelés. En montrant qu'une politique unique gère locomotion adaptative, mouvements complexes et récupération de chute sans contrôleurs séparés par terrain, PGMT s'attaque à l'écart entre démonstrations scénarisées et usage réel, un point sensible pour les intégrateurs visant un déploiement en entrepôt, en usine ou sur chantier. Obtenu par apprentissage par renforcement plutôt que par un modèle vision-langage-action massif, ce résultat rappelle que plusieurs voies techniques coexistent encore pour franchir l'écart simulation-réel. PGMT prolonge des travaux de suivi de mouvement humanoïde qui supposaient jusqu'ici un sol plat pour transférer capture de mouvement, vidéos ou téléopération vers un robot physique. Le choix du Unitree G1, plateforme très utilisée en recherche académique pour son coût maîtrisé, situe ces travaux dans un cadre scientifique plutôt que commercial : c'est une démonstration de laboratoire, sans pilote industriel ni calendrier de déploiement annoncé. Les auteurs présentent PGMT comme une politique unifiée généralisable au-delà du sol plat, documentée sur une page de projet dédiée, ouvrant la voie à une intégration future dans des piles de contrôle humanoïdes plus larges.

RecherchePaper

1 source

4arXiv cs.RO

CMP-IRRT* : un planificateur à hauteur adaptative assisté par la perception pour robots quadrupèdes

Des chercheurs proposent CMP-IRRT, un planificateur de trajectoire 2D pour robots quadrupèdes qui tient compte de la hauteur des obstacles, décrit dans une prépublication arXiv (v1, octobre 2026). Le système part d'une seule image RGB calibrée, prise en vue de dessus. Un module de perception estime les zones occupées, puis convertit des prédictions de profondeur en carte de hauteur relative au sol. Le planificateur effectue ensuite une vérification de collision conditionnée par la hauteur: les obstacles hauts sont bloqués, les obstacles bas restent franchissables. L'échantillonnage est guidé par un module nommé CMP (Channel Mamba PointNet), qui oriente la recherche vers les régions prometteuses tout en conservant, en secours, l'échantillonnage classique dans l'espace libre et l'échantillonnage informé de Informed RRT. Sur des benchmarks de planification 2D, CMP-IRRT* réduit le nombre de nœuds explorés et d'itérations par rapport à des méthodes classiques et à des méthodes guidées par réseau de neurones. Une ablation contrôlée attribue une partie du gain au guide basé sur Mamba. Dans des scénarios construits où les obstacles bas sont franchissables, la longueur du chemin diminue jusqu'à 16,3 %. Une démonstration sur un Unitree Go2 montre des comportements de contournement et de franchissement exécutables. Le code est publié sur GitHub. L'intérêt tient à un défaut courant des chaînes de navigation: beaucoup modélisent encore l'environnement en cases libres ou occupées. Pour un quadrupède capable d'enjamber un câble, une bordure ou un petit objet, ce choix produit des détours inutiles, donc des trajets plus longs et plus coûteux en énergie et en temps. Intégrer la hauteur dans le test de collision rapproche la planification des capacités réelles de la locomotion, ce qui compte pour l'inspection industrielle, la logistique ou la sécurité sur site. Le gain de planification, lui, vise un budget de calcul limité, utile sur du matériel embarqué. Les résultats appellent toutefois de la prudence: le gain maximal de 16,3 % vient de scénarios construits pour ce besoin, non d'environnements industriels réels, et la validation matérielle se limite à une démonstration sur un seul robot. L'article ne donne pas, dans son résumé, de taux de réussite ni de temps de calcul sur le robot, ni de mesure de la robustesse de l'estimation de hauteur monoculaire. Ce travail s'inscrit dans la lignée des planificateurs à échantillonnage guidés par apprentissage, qui prolongent RRT et Informed RRT avec des réseaux comme PointNet, ici combiné à Mamba, une architecture à espace d'états. Il s'adresse à une plateforme très répandue en recherche, le Go2 d'Unitree, ce qui facilite la reproduction grâce au code ouvert. Ses principales limites sont la dépendance à une vue de dessus calibrée, peu réaliste hors laboratoire ou sans caméra fixe ou drone, et une planification restée en 2D. Les suites logiques seraient une perception embarquée, une extension à la 3D et des essais sur des terrains plus variés, face à des approches de locomotion perceptive apprises de bout en bout qui évitent la planification explicite.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source