RecherchearXiv cs.RO 22 octobre 2026

Pilotage du mouvement au moment du test pour la récupération perceptive de chute des robots humanoïdes

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs présentent RISE, une méthode de récupération après chute pour humanoïdes qui permet d'orienter, au moment de l'inférence, la façon dont le robot se relève. L'idée de départ est qu'une même posture au sol admet plusieurs façons de se redresser, qui diffèrent par la trajectoire, les transitions d'appui et le cap final. Une récupération fiable ne dit pas laquelle de ces options le robot exécute. RISE apprend d'abord un « vocabulaire de récupération », c'est-à-dire un ensemble de mouvements partagés reliant l'intention de mouvement aux actions moteurs via le retour sensoriel. Un planificateur visuel à diffusion s'entraîne ensuite sur des exécutions de ce vocabulaire. Il prédit l'intention de mouvement sous forme d'états futurs du corps, puis génère des latents de mouvement conditionnés par cette intention. Les résultats sont des simulations de récupérations variées et d'adaptation au terrain, complétées par des démonstrations réelles sur un Unitree G1. L'article, déposé sur arXiv (2610.30061), ne chiffre pas dans son résumé les taux de réussite ni les temps de relevé.

L'intérêt tient à la distinction entre récupérer et choisir comment récupérer. Dans un entrepôt, un atelier encombré ou près d'un équipement, se relever n'importe comment peut bloquer un passage, heurter un obstacle ou laisser le robot orienté dans la mauvaise direction. Ici, des coûts de tâche (cap voulu, vitesse de relevé, chemin) guident la prédiction sans réentraînement, ce qui limite le coût d'adaptation pour un intégrateur qui voudrait ajuster le comportement à un site. Il faut toutefois rester prudent. Il s'agit d'un préprint, la validation quantitative la plus large est faite en simulation, et la partie réelle se limite à des démonstrations sur un seul robot, sans indication de robustesse sur des chutes variées, des sols dégradés ou des cycles répétés. Le fossé entre simulation et réel, et entre démonstration et déploiement, reste donc ouvert.

Ce travail s'inscrit dans la montée des politiques de récupération apprises pour humanoïdes, qui ont d'abord visé la fiabilité du relevé depuis des postures arbitraires, souvent en aveugle ou avec des primitives fixes. RISE ajoute la perception visuelle et un contrôle explicite de l'intention, en s'appuyant sur les modèles de diffusion déjà répandus en planification robotique. Le Unitree G1 est devenu une plateforme de recherche courante grâce à son coût relativement bas, ce qui facilite la comparaison avec d'autres travaux. Les prochaines étapes naturelles seraient des évaluations chiffrées face aux méthodes existantes, des essais sur d'autres morphologies et une intégration avec des politiques de manipulation ou de navigation de plus haut niveau. Aucun calendrier de pilote ou de commercialisation n'est annoncé.

Dans nos dossiers

Unitree arXiv cs.RO

À lire aussi

1arXiv cs.RO

Calcul au moment du test pour les modèles fondation de comportement des robots humanoïdes

Des chercheurs proposent une méthode, baptisée Test-Time Command Optimization (TTCO), pour réduire l'écart entre les mouvements demandés à un humanoïde et ceux qu'il exécute réellement. Elle s'applique aux Behavior Foundation Models (BFMs), des contrôleurs généralistes de corps entier capables de suivre un large répertoire de mouvements. Ces modèles souffrent d'un « command-exécution gap » systématique : la trajectoire exécutée dévie de la trajectoire commandée. TTCO ne réentraîne pas le BFM. Elle modifie la commande d'entrée par optimisation par échantillonnage, en simulant en boucle fermée le BFM couplé à la dynamique du robot, jusqu'à ce que le mouvement exécuté colle au mouvement visé. Sur trois BFMs et le jeu de données de capture de mouvement AMASS, l'erreur moyenne de position globale du corps baisse de 79 à 84 % en simulation. Les auteurs dérivent aussi une stratégie approximativement optimale pour répartir le calcul, qui continue d'améliorer les résultats quand le budget augmente. Enfin, TTCO peut produire des étiquettes d'action propres à chaque BFM à partir de trajectoires robot enregistrées, sans les commandes de téléopération d'origine. Ces étiquettes servent à entraîner des politiques de loco-manipulation de haut niveau, validées en simulation et sur robot réel, et à réutiliser des démonstrations existantes d'un BFM à l'autre. L'enjeu est la précision. Les démonstrations de mouvements spectaculaires masquent souvent des erreurs de plusieurs centimètres, rédhibitoires dès qu'il faut saisir, porter ou poser un objet. Ici, le gain vient du calcul au moment du test plutôt que d'un nouvel entraînement, ce qui permet d'améliorer des contrôleurs déjà déployés. La génération d'étiquettes d'action rend aussi les jeux de démonstrations portables entre modèles, un point utile pour les intégrateurs qui changent de plateforme. Il faut toutefois relativiser : le chiffre de 79-84 % porte sur la simulation, le calcul d'optimisation par commande a un coût, et le résumé ne donne ni temps de calcul ni taux de réussite en tâches réelles. Ce travail s'inscrit dans la montée des modèles de fondation pour humanoïdes, où l'on cherche à transposer aux robots les gains du calcul à l'inférence observés en langage. Il vient compléter les BFMs et les politiques vision-langage-action, qui produisent des commandes de haut niveau sans garantir leur exécution fidèle. La suite logique est la réduction du coût de TTCO, voire son exécution en ligne, et sa démonstration sur des tâches industrielles de manipulation.

RecherchePaper

1 source

2arXiv 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

3arXiv cs.RO

Attention au pas : perception anticipée pour la locomotion des robots humanoïdes

Des chercheurs proposent, dans un preprint arXiv (2610.29612), une méthode de perception « anticipée » pour la locomotion de robots humanoïdes. Les politiques de locomotion perceptive observent en général une carte d'élévation dense centrée sur le robot, alors que seul le terrain sous et autour des prochains pas compte pour la décision. Les auteurs filtrent donc l'entrée avant que la politique ne la voie. Un modèle léger de prédiction des points d'appui (FPM) estime les futurs appuis à partir de la seule proprioception et de la commande de vitesse. La carte d'élévation n'est échantillonnée que dans de petites zones autour de ces points. Le FPM est entraîné en même temps que la politique et réentraîné périodiquement sur de nouveaux déroulements, au fur et à mesure que la marche se stabilise. Selon les auteurs, la politique atteint une difficulté de terrain donnée en environ un tiers des itérations d'entraînement nécessaires avec la carte complète. Elle transfère aussi sans réglage supplémentaire (zero-shot) vers un Unitree G1. L'intérêt est d'abord économique. Apprendre en même temps quoi regarder et comment marcher ralentit l'entraînement. Les encodeurs à mécanisme d'attention, qui résolvent ce problème, coûtent cher en calcul. Ici, un simple prétraitement atteint, d'après les auteurs, les performances d'un encodeur à attention entraîné pour plusieurs fois le coût. Il fait mieux que la carte complète quand les points d'appui sont rares, par exemple dans des couloirs étroits à parois, et sur des terrains jamais vus. Les essais sur le G1 couvrent obstacles, escaliers, trous et descentes de marches, au-delà de la distribution d'entraînement, en intérieur comme en extérieur. Pour les équipes qui entraînent des politiques en simulation, le gain d'efficacité en échantillons est donc substantiel. Il faut toutefois rester prudent. Il s'agit d'un preprint, sans relecture par les pairs. Les chiffres viennent des auteurs, et le résumé ne donne ni nombre d'essais, ni taux de réussite, ni comparaison avec d'autres méthodes de perception que celles citées. Il s'agit d'un résultat de recherche, sans produit ni déploiement industriel. Ce travail s'inscrit dans le courant de la locomotion perceptive apprise par apprentissage par renforcement, qui repose depuis plusieurs années sur des cartes d'élévation denses ou sur des encodeurs appris, parfois à base d'attention. Il s'applique à une plateforme devenue standard en recherche, le G1 d'Unitree, ce qui facilite la reproduction par d'autres laboratoires. La limite probable est la dépendance à la qualité de la prédiction des appuis. Celle-ci repose uniquement sur la proprioception et la commande, donc une erreur de prédiction peut priver la politique du terrain utile. Le résumé ne dit pas comment la méthode se comporte avec une cartographie bruitée. Les suites naturelles seraient des tests sur d'autres morphologies et une intégration avec des commandes de plus haut niveau. Aucune échéance n'est annoncée.

RecherchePaper

1 source

4arXiv cs.RO

Sécurité perceptive unifiée contre les chutes pour robots humanoïdes

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.

RecherchePaper

1 source