Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Vers la pose autonome de briques avec le robot Spot de Boston Dynamics
RecherchearXiv cs.RO 

Vers la pose autonome de briques avec le robot Spot de Boston Dynamics

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

Des chercheurs ont présenté sur arXiv un système de preuve de concept pour l'empilage autonome de briques, fondé sur le robot quadrupède Spot de Boston Dynamics équipé de son bras manipulateur. Le robot fait la navette entre une zone d'approvisionnement et une zone d'assemblage. Il se localise grâce à des marqueurs fiduciaires AprilTag et navigue par les missions « autowalk » natives de Spot. Les positions et orientations cibles des briques sont définies dans un logiciel de CAO, puis exportées directement pour l'exécution robotique. L'évaluation porte sur dix assemblages successifs d'un mur courbe de quatre couches, composé de 14 briques en bois. Les erreurs moyennes de translation restent sous 10 mm et les erreurs moyennes de lacet (yaw) sous 1,5 degré. L'erreur quadratique moyenne (RMSE) globale sur l'ensemble des essais atteint toutefois 27,72 mm en translation et 2,06 degrés en rotation. Un test en extérieur, avec des escaliers entre les deux zones, a également été mené.

L'intérêt du travail tient moins à la précision, encore insuffisante pour maçonner, qu'à la chaîne de bout en bout. Le passage de la CAO à l'exécution est automatisé, et le système reste modulaire, donc adaptable à d'autres géométries de mur. L'écart entre moyenne (moins de 10 mm) et RMSE (près de 28 mm) montre une dispersion importante : certains placements dérivent fortement, ce qui compte pour un intégrateur, car une tolérance de chantier se juge sur les pires cas et non sur la moyenne. Il faut aussi relativiser les conditions : des briques en bois, légères, sans mortier, un mur de 14 éléments et une démonstration en laboratoire, avec un seul test en extérieur dont les chiffres ne sont pas détaillés. Aucun temps de cycle, aucun débit ni aucune charge utile n'est annoncé. Il s'agit donc d'une validation de faisabilité de la mobilité sur terrain varié, pas d'un produit ni d'un déploiement.

Ce travail s'inscrit dans une lignée de recherches sur la robotique de construction, où dominent les bras fixes ou montés sur rail et les plateformes mobiles à roues, comme les systèmes de maçonnerie robotisée industriels. Le quadrupède propose une autre option : franchir les escaliers et circuler entre des zones de travail séparées, là où les roues échouent. Sa limite probable reste la capacité du bras de Spot, bien en deçà de la manutention de blocs réels. Les suites logiques seraient le passage à des briques ou blocs réels, l'ajout de perception en ligne pour corriger les écarts de pose sans dépendre uniquement des AprilTags, et des essais sur chantier réel. Aucun calendrier de pilote n'est annoncé.

Impact France/UE

Pas d\'impact direct sur la France/UE

Dans nos dossiers

Boston DynamicsarXiv cs.RO

À lire aussi

H-SPAR : simulation hydrodynamique pour le transport de particules et les robots autonomes
1arXiv cs.RO 

H-SPAR : simulation hydrodynamique pour le transport de particules et les robots autonomes

Des chercheurs ont publié sur arXiv (2610.01985) H-SPAR, un simulateur open source qui couple pour la première fois dans un même environnement trois éléments généralement traités séparément en robotique marine : le champ de courant, l'autonomie du véhicule et la cible d'échantillonnage. L'outil combine des champs de vitesse variables dans l'espace et le temps, un transport lagrangien de particules (chaque particule est suivie individuellement dans l'écoulement), un échantillonnage probabiliste et l'autonomie d'un véhicule de surface sans équipage (USV) sous ROS 2 et Gazebo. Des champs d'écoulement précalculés, partagés, pilotent à la fois l'advection des particules et les forces de courant appliquées au véhicule en boucle fermée. Les premiers résultats chiffrés concernent la planification : le planificateur SVF-RRT, qui tient compte des courants, réduit de 69,4 % le coût amont par rapport à un RRT classique au niveau du plan, mais cette réduction tombe à 41,7 % à l'exécution sous courants variables. Pour la couverture de zone, l'orientation du balayage fait varier le taux d'échantillonnage de particules jusqu'à 22,2 % dans la configuration complète. Le code est disponible sur GitHub et une page projet accompagne la publication. L'intérêt tient surtout à l'écart mesuré entre plan et exécution. Près de 28 points de gain disparaissent dès que le véhicule doit suivre sa trajectoire dans un courant qui évolue, avec ses contraintes de manœuvre et ses déviations. Cela rappelle qu'un planificateur validé uniquement sur des métriques de planification surestime ses performances réelles, un biais familier en robotique terrestre sous l'étiquette « sim-to-real ». Pour les opérateurs de surveillance environnementale (qualité de l'eau, microplastiques, panaches de polluants, hydrocarbures), l'enseignement est pratique : choisir le cap de balayage ou l'algorithme sans simuler conjointement le courant et le transport des particules peut fausser à la fois le coût de mission et la quantité de matière collectée. Il s'agit toutefois d'un travail de simulation. Aucune validation sur un USV réel n'est annoncée, et le simulateur reste à confronter aux mesures de terrain, notamment sur la précision des champs de courant précalculés. Le contexte est celui de simulateurs marins existants, qui modélisent généralement soit la dynamique du véhicule, soit l'écoulement, rarement les deux avec la cible de mesure. L'écosystème ROS 2/Gazebo, déjà standard pour les USV de recherche, facilite l'adoption par les laboratoires et les intégrateurs, et la publication du code ouvre la voie à des comparaisons reproductibles entre planificateurs. SVF-RRT* est cité comme planificateur existant, ce qui signale que la valeur de H-SPAR est d'abord celle d'un banc d'essai. Les suites logiques seraient l'ajout d'autres planificateurs sensibles aux courants, des campagnes d'essais en conditions réelles et des champs d'écoulement issus de données océanographiques. Aucun calendrier ni acteur industriel européen n'est mentionné dans le résumé.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source
Politiques vision-langage-action de bout en bout pour l'amarrage autonome d'un rover lunaire
2arXiv cs.RO 

Politiques vision-langage-action de bout en bout pour l'amarrage autonome d'un rover lunaire

Une équipe de chercheurs publie sur arXiv (2610.19224) une politique vision-langage-action (VLA) de bout en bout pour l'amarrage autonome d'un rover lunaire. Le système associe directement les observations caméra aux commandes de contrôle, sans les composants intermédiaires d'une chaîne de navigation classique (perception, cartographie, planification). Pour l'entraîner, les auteurs ont conçu un cadre de formation extensible qui génère des démonstrations d'experts tenant compte de la sécurité, dans un simulateur lunaire haute fidélité. La politique est ensuite comparée à une chaîne de navigation modulaire de référence, en boucle fermée, face à des perturbations perceptives absentes de l'entraînement. Les résultats la décrivent comme « compétitive » face à cette référence. Les auteurs ajoutent un mécanisme d'horizon d'exécution adaptatif : le modèle détermine sur quelle distance le rover peut avancer en boucle ouverte sans danger, ce qui réduit la fréquence d'inférence tout en limitant les contacts avec des obstacles par rapport à des horizons fixes. Le résumé ne donne aucun chiffre précis, ni taux de réussite, ni gain de calcul, ni taille du modèle. L'intérêt tient à un problème réel de la navigation planétaire. Sur la Lune, les contrastes d'éclairage sont extrêmes, avec des ombres très dures et des zones éblouies, et les erreurs de mesure se propagent d'un module conçu à la main au suivant, ce qui fragilise la chaîne modulaire. Tester une politique VLA dans ce cadre revient à vérifier si la généralisation issue du préentraînement sur données vision-langage d'échelle internet, déjà observée en robotique terrestre et en conduite autonome, résiste à un environnement très éloigné des données d'origine. Le compromis entre calcul et sécurité compte aussi, car les processeurs embarqués durcis aux radiations sont bien moins puissants que les GPU terrestres. Limiter la fréquence d'inférence est donc une contrainte d'ingénierie centrale. Il faut cependant relativiser : tout a été évalué en simulation, sans validation matérielle, et « compétitif » n'indique ni supériorité ni marge de sécurité suffisante pour une qualification spatiale. Ce travail s'inscrit dans l'élan des modèles VLA, qui ont gagné la manipulation et la conduite autonome ces dernières années, tandis que la navigation des rovers planétaires repose depuis longtemps sur des chaînes modulaires éprouvées, comme celles des rovers martiens de la NASA. Les travaux concurrents explorent l'apprentissage de bout en bout pour la navigation terrestre, mais la surface lunaire restait peu caractérisée. Les prochaines étapes logiques seraient des tests sur matériel embarqué, des essais en analogue lunaire réel et des évaluations de sécurité plus strictes, sans calendrier annoncé à ce stade.

RecherchePaper
1 source
RoboStriker : jeux stratégiques en espace latent pour la boxe humanoïde autonome
3arXiv cs.RO 

RoboStriker : jeux stratégiques en espace latent pour la boxe humanoïde autonome

RoboStriker, un système d'apprentissage par renforcement multi-agent conçu pour la boxe entre robots humanoïdes autonomes, est présenté dans un article déposé sur arXiv en août 2026 (référence 2608.16195). Le constat de départ est un échec structurel : appliquer l'apprentissage multi-agent directement à l'espace moteur brut d'un humanoïde provoque un effondrement physique au niveau des articulations, empêchant toute tactique de combat viable d'émerger. Les auteurs formulent donc la boxe comme un jeu de Markov à somme nulle joué non pas dans l'espace des actions brutes, mais dans un espace latent structuré. RoboStriker distille d'abord des mouvements de boxe prédéfinis dans une variété latente topologiquement bornée, puis fait évoluer les stratégies de combat via une méthode nommée Latent-Space Neural Fictitious Self-Play. Les politiques obtenues ont ensuite été déployées et validées sur des robots humanoïdes réels, au-delà de la simulation. Ce travail cible un problème central pour la robotique humanoïde : l'écart entre démonstrations spectaculaires et robustesse réelle sur des tâches riches en contacts. La boxe, où l'équilibre et la réactivité sont critiques, sert de banc d'essai pour des applications humanoïdes plus posées comme la manipulation ou la collaboration en environnement imprévisible. En montrant qu'une contrainte structurelle de l'exploration, via un décodeur de mouvements pré-entraîné, réduit fortement les échecs catastrophiques d'équilibre par rapport à un apprentissage direct dans l'espace des actions brutes, l'étude prouve empiriquement que l'apprentissage multi-agent de bout en bout reste difficilement exploitable sans garde-fou architectural sur du matériel réel. Pour les intégrateurs, cela suggère que l'autonomie tactique complexe n'émerge pas encore de manière fiable d'un entraînement non contraint. RoboStriker s'inscrit dans la lignée des recherches sur l'auto-jeu et l'apprentissage multi-agent, popularisées par des systèmes de jeu comme AlphaGo et désormais transposées à la robotique physique, où une chute ou une collision matérielle coûte bien plus cher qu'une partie simulée. L'article ne cite aucune plateforme humanoïde commerciale ni aucun laboratoire industriel précis : il s'agit d'une contribution académique déposée sur arXiv, pas encore validée par relecture par les pairs, dont les auteurs publient le code, des vidéos et du matériel supplémentaire pour permettre une reproduction indépendante avant toute adoption industrielle. La boxe humanoïde rejoint une liste croissante de tâches extrêmes, parkour, danse, sports de combat, utilisées pour stress-tester la robustesse des contrôleurs avant leur transfert vers des usages industriels comme la logistique ou la manipulation en entrepôt.

RecherchePaper
1 source
Prise de décision enrichie par la causalité pour robots mobiles autonomes en environnements dynamiques
4arXiv cs.RO 

Prise de décision enrichie par la causalité pour robots mobiles autonomes en environnements dynamiques

Des chercheurs ont publié sur arXiv (ref. 2504.11901, cinquième version) un framework de prise de décision basé sur l'inférence causale pour les robots mobiles autonomes (AMR) évoluant dans des environnements partagés avec des humains. Plutôt que de s'appuyer uniquement sur des corrélations statistiques, leur système apprend un modèle causal explicite des dynamiques d'environnement, notamment l'estimation de la consommation batterie et les risques d'obstruction par des passants, pour décider quand et comment exécuter une tâche. Pour valider leur approche, l'équipe a développé PeopleFlow, un simulateur basé sur Gazebo capable de générer des trajectoires réalistes de multiples agents (humains et robots) en tenant compte de facteurs contextuels comme l'heure, la configuration spatiale et l'état du robot. Le cas d'usage principal est un entrepôt en activité partagée, benchmark face à une baseline non-causale classique. L'apport principal est de déplacer la logique de décision de la corrélation vers la causalité, une distinction non triviale en robotique opérationnelle. Là où un système standard détecte qu'il y a "souvent du monde à 14h dans l'allée B" et l'évite, un modèle causal comprend pourquoi, ce qui lui permet d'anticiper des situations nouvelles et de planifier la minuterie d'une tâche logistique en conséquence. Pour un COO gérant une flotte d'AMR dans un entrepôt mutualisé avec des préparateurs de commandes, cela se traduit potentiellement par moins d'arrêts non planifiés, une meilleure gestion de la charge batterie, et une cohabitation plus fluide. Il convient toutefois de noter que les résultats présentés sont exclusivement issus de simulation, sans validation terrain, ce qui constitue une limite importante à ce stade. Ce travail s'inscrit dans un contexte de déploiement croissant d'AMR dans des espaces mixtes, des entrepôts e-commerce aux hôpitaux, où des acteurs comme MiR (Teradyne), Locus Robotics ou le français Exotec font face à des défis de navigation sociale de plus en plus complexes. La recherche en planification causale reste largement académique, mais elle trace une voie complémentaire aux approches par apprentissage par renforcement ou par règles explicites. La prochaine étape logique serait une validation sur robot physique en environnement réel, un passage sim-to-real que l'article n'adresse pas encore.

UELes opérateurs français d'AMR comme Exotec, confrontés à la navigation en entrepôts partagés avec des préparateurs humains, sont le public cible naturel de ce framework, mais l'absence de validation terrain limite l'applicabilité immédiate.

RecherchePaper
1 source