RecherchearXiv cs.RO 21 octobre 2026

XoNav : un exosquelette comme interface haptique personnalisée pour l'aide à la navigation

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

XoNav est un exosquelette de hanche à quatre actionneurs, présenté dans un preprint arXiv (octobre 2026), qui transmet directement aux articulations de la hanche des consignes de guidage pour la marche sans vision. Là où la plupart des aides portables encodent les directions en signaux audio ou vibrotactiles que l'utilisateur doit traduire en mouvement, le dispositif génère un signal « Advance » et deux niveaux de freinage (« Braking ») via des actionneurs du plan sagittal, ainsi que deux niveaux de guidage latéral (« Steering ») via des actionneurs du plan frontal. Un classifieur de phases de marche bilatéral à base de LSTM, alimenté par deux IMU fixées aux cuisses, déclenche les signaux en coordination avec le pas et les supprime à l'arrêt. Sur des utilisateurs inconnus, les rappels atteignent 95,2 à 97,9 %, avec des délais moyens de détection de 38,6 ms (appui vers oscillation) et 63,1 ms (oscillation vers appui). Une optimisation bayésienne contrainte, avec l'humain dans la boucle, personnalise le freinage (résistance minimale) et la direction (confort maximal) tout en garantissant détectabilité et sécurité. Lors d'essais de navigation yeux bandés en « magicien d'Oz » sur trois parcours, les participants ont gardé 98,8 % de la distance parcourue dans un couloir de 0,75 m de large, avec un gain moyen de vitesse de progression de 4,9 % par essai. Une caméra portée sur le corps, RTAB-Map et Nav2 ont aussi permis une étude de faisabilité de navigation autonome, avec contournement d'obstacles non cartographiés.

L'intérêt tient au choix de la modalité : transmettre l'information de guidage par la force, au niveau même de l'articulation qui exécute le mouvement, plutôt que par un canal sensoriel qu'il faut décoder. Pour les personnes aveugles ou malvoyantes, cela pourrait réduire la charge cognitive et le temps de réaction. Les résultats montrent aussi que la personnalisation automatisée, et non un réglage unique, est jugée nécessaire pour que les cues restent distinguables sans dépasser les limites de sécurité : le cue de freinage le plus ferme est resté sous 53 % du seuil de sécurité. Il faut toutefois relativiser. Les essais de navigation reposent sur un opérateur humain qui simule le planificateur, la partie autonome n'est qu'une étude de faisabilité, et le résumé ne précise ni la taille de l'échantillon ni la présence de participants réellement aveugles (les participants étaient simplement yeux bandés). Aucune donnée n'est fournie sur le poids, l'autonomie ni le prix.

Le travail se situe à la croisée de deux courants : les exosquelettes d'assistance à la marche, aujourd'hui surtout conçus pour augmenter ou rééduquer le mouvement, et les aides à la navigation (cannes intelligentes, ceintures vibrantes, applications audio). L'usage de l'exosquelette comme interface haptique est moins exploré. La brique de navigation s'appuie sur des outils open source éprouvés en robotique mobile (RTAB-Map pour la cartographie visuelle, Nav2 pour la planification), ce qui facilite la reproduction. Les étapes suivantes logiques seraient des tests avec des utilisateurs aveugles, un fonctionnement en conditions réelles (extérieur, foule, escaliers) et le bouclage complet entre perception autonome et guidage, sans opérateur. Aucun calendrier de pilote ni projet de commercialisation n'est annoncé.

Impact France/UE

Pas d\'impact direct sur la France/UE

Dans nos dossiers

Exosquelettes arXiv cs.RO

À lire aussi

1arXiv cs.RO

Interface de navigation universelle : données sans robot pour la navigation des robots à roues

Un article arXiv (2609.20114v1) présente Universal Navigation Interface (UNI), une méthode de collecte de données de navigation pour robots à roues sans robot cible ni téléopération. Le dispositif est un déambulateur à quatre roues (rollator) équipé d'un smartphone, poussé par un opérateur humain ; incapable de monter des escaliers, de franchir des bordures non abaissées ou de passer par des espaces étroits, il biaise naturellement les trajectoires vers des itinéraires praticables en roues. Les auteurs ont collecté 37,2 km de données réelles, converties en trajectoires métriques pour entraîner des modèles de navigation conditionnés par objectif. Le fine-tuning sur ces données réduit l'erreur de prédiction de trajectoire de 17,4 à 24,8 % sur le jeu de test UNI, avec des gains plus inégaux sur d'autres datasets, et un transfert en boucle fermée vers un fauteuil roulant motorisé a été validé sur des scénarios de bordures et d'escaliers. Cette approche s'attaque à un goulot d'étranglement connu de la robotique mobile : la collecte de données de navigation exige d'ordinaire une téléopération spécifique à chaque plateforme, coûteuse et difficile à faire passer à l'échelle. En montrant qu'un objet du quotidien, sans robot cible ni capteurs sophistiqués, peut produire des trajectoires exploitables pour l'entraînement, UNI ouvre une piste de réduction de coûts pour les intégrateurs de robots à roues, qu'il s'agisse d'AMR industriels, de robots de livraison ou d'aides à la mobilité comme les fauteuils roulants. Le résultat appuie l'idée que des proxys physiques bon marché peuvent fournir une supervision réelle sans simulation ni robot final, même si les gains ne se généralisent pas uniformément aux jeux de données externes testés, un rappel que la méthode reste sensible au domaine d'entraînement. UNI prolonge une lignée d'outils de collecte "robot-free" popularisée en manipulation par des dispositifs comme Universal Manipulation Interface, qui enregistrait des démonstrations via une pince portative sans bras robotique ; UNI transpose cette logique à la navigation à roues en exploitant les contraintes physiques d'un objet grand public, un déambulateur pour personnes à mobilité réduite. Il s'agit d'un travail de recherche publié en preprint sur arXiv, sans lien annoncé avec un produit commercial ou un déploiement industriel. Les prochaines étapes évoquées par les auteurs portent sur l'élargissement des tests à d'autres jeux de données et plateformes robotiques, au-delà du fauteuil roulant motorisé utilisé pour la validation en boucle fermée.

RecherchePaper

1 source

2arXiv cs.RO

EIDA : adaptation de la dynamique d'exécution et d'interface pour la navigation de robots, du réel à la simulation puis au réel

Des chercheurs publient sur arXiv (2610.01219) EIDA, pour « Execution-Interface Dynamics Adaptation », une méthode qui vise à réduire l'écart entre simulation et robot réel en navigation. Le problème ciblé est précis. Une politique apprise en simulation échoue souvent parce que les commandes de vitesse produisent, sur la plateforme réelle, un mouvement et un retour de vitesse différents de ceux modélisés à l'entraînement. EIDA ajuste ces réponses à partir de données d'exécution recueillies sur la plateforme cible, sans reconstruire la dynamique des actionneurs. Un premier modèle, qui prédit les incréments de pose dans le repère du corps, met à jour la géométrie du simulateur. Un second modèle prédit le retour de vitesse que perçoit la politique, et un court historique de ce retour est ajouté à son entrée. Le tout tourne dans un simulateur léger parallélisé sur GPU. Sur les jeux de validation complets du Jackal (robot à roues) et du Unitree Go2 (quadrupède), les modèles ajustés réduisent les erreurs de position et de lacet par rapport au modèle de mouvement prédéfini du simulateur. Sur 100 environnements de navigation évalués dans un autre simulateur physique, EIDA obtient le meilleur taux de réussite et le meilleur score de navigation parmi les politiques apprises comparées, avec ou sans guidage global. Sur un Go2 réel, il atteint le but sans collision dans 20 essais sur 20 en scène statique, contre 4 sur 20 pour la base de référence. L'intérêt tient à l'approche. Beaucoup d'équipes cherchent à résoudre le « sim-to-real » en modélisant finement les moteurs, les couples et les frottements, ce qui est coûteux et propre à chaque machine. EIDA place l'adaptation à l'interface d'exécution, c'est-à-dire entre la commande de vitesse et le mouvement observé, et s'appuie sur des données collectées à l'exécution. Pour un intégrateur qui déploie des politiques de navigation sur plusieurs plateformes, un recalage à partir d'un jeu de données de conduite est plus réaliste qu'une identification complète de la dynamique. Le résultat sur les ablations est aussi instructif : l'écart ne vient pas seulement du mouvement réel, mais de la manière dont la politique estime sa propre vitesse, ce qui oblige à aligner ces estimations. Il faut toutefois relativiser. Il s'agit d'un préprint non évalué par des pairs. Le test physique porte sur un seul robot, en scène statique, avec 20 essais, et rien n'indique encore une tenue en environnement dynamique ou sur d'autres morphologies. Ce travail s'inscrit dans la lignée des méthodes « real-to-sim-to-real », qui vont des approches de randomisation de domaine à l'identification de systèmes et aux modèles de dynamique appris. La navigation par apprentissage par renforcement entraîné en simulation parallèle sur GPU est devenue courante pour les quadrupèdes comme le Go2, et la question du transfert reste son principal frein. Le choix du Jackal et du Go2 montre la volonté de couvrir un robot à roues et un robot à pattes, mais la validation en conditions réelles ne concerne que ce dernier. Les auteurs ne mentionnent ni pilote industriel ni calendrier. La suite logique serait des essais en scènes dynamiques, sur davantage de plateformes, et une comparaison avec des méthodes d'adaptation en ligne.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

3arXiv cs.RO

SPAN-Nav : une conscience spatiale généralisée pour la navigation incarnée polyvalente

SPAN-Nav est un modèle de fondation de bout en bout, décrit dans une version révisée (v2) de l'article arXiv 2603.09163, qui vise à doter la navigation incarnée d'une perception 3D universelle à partir de simples flux vidéo RGB. Les chercheurs entraînent le modèle sur une tâche de prédiction d'occupation, c'est-à-dire d'estimation des zones libres et occupées de l'espace, dans de nombreux environnements intérieurs et extérieurs. Pour limiter le coût de calcul, ils compressent ces connaissances spatiales en un unique token, qu'ils jugent suffisant pour porter les indices grossiers utiles à la navigation. Ce token est ensuite injecté explicitement dans le raisonnement sur les actions, selon une logique inspirée de la chaîne de pensée (Chain-of-Thought). L'équipe publie aussi un jeu de données de 4,2 millions d'annotations d'occupation couvrant l'intérieur et l'extérieur, ainsi que plusieurs types de tâches de navigation. Le modèle revendique l'état de l'art sur trois benchmarks et des essais en conditions réelles. L'intérêt tient à un point faible bien identifié des approches de navigation fondées sur les modèles vision-langage (VLM). Ces modèles généralisent bien en navigation guidée par le langage (VLN), mais leur planification de trajectoire se dégrade dans les environnements complexes, faute de compréhension géométrique fiable. Montrer qu'un seul token spatial suffit à corriger une partie de ce défaut est un résultat utile pour les intégrateurs: cela suggère qu'on peut gagner en robustesse sans capteurs 3D dédiés ni surcoût de calcul prohibitif sur des plateformes embarquées, avec une simple caméra RGB. L'entraînement multitâche semble aussi transférer ces acquis à des tâches sans supervision spatiale explicite. Il faut toutefois rester prudent: l'article ne donne pas, dans ce résumé, de chiffres de gain, de noms de benchmarks ni de plateformes robotiques. Le fossé entre résultats académiques et déploiement reste donc à évaluer, et les tests réels décrits n'ont pas de protocole détaillé. Ce travail s'inscrit dans la montée des modèles vision-langage-action (VLA) et des VLM appliqués à la navigation, qui héritent de leur généralisation sémantique mais pas de leur sens de l'espace. Plusieurs équipes cherchent à y remédier en ajoutant des représentations 3D, des cartes d'occupation ou des modules de profondeur, souvent au prix d'architectures plus lourdes. SPAN-Nav se distingue par sa compacité et son intégration de bout en bout. La suite dépendra de la disponibilité du jeu de données et du code, de la reproduction des résultats par des tiers et de tests sur des robots mobiles, quadrupèdes ou humanoïdes en environnement industriel. Aucun pilote commercial ni calendrier n'est annoncé à ce stade.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

4arXiv 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