Aller au contenu principal
RecherchearXiv cs.RO 

Dépendance sensible du mouvement d'un robot à pattes sur milieu granulaire

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

Des chercheurs ont étudié en laboratoire les performances de SandBot, un robot hexapode de 2,3 kg, sur un lit de milieu granulaire composé de graines de pavot de 1 mm. Sur sol dur, avec une démarche en tripode alterné, ce type de robot bio-inspiré atteint environ 2 longueurs de corps par seconde (près de 60 cm/s), une vitesse relative comparable à celle de la blatte. Sur le milieu granulaire, les paramètres de contrôle standard donnent au mieux des vitesses inférieures de deux ordres de grandeur à cette référence. Un réglage empirique, éloigné des valeurs optimales sur sol dur, permet de remonter jusqu'à 30 cm/s. La vitesse dépend fortement de la fraction de compaction du milieu (φ) et de la fréquence de rotation des pattes (ω). Quand φ diminue ou que ω augmente, le robot passe d'une « marche rotative » à une nage lente. Les auteurs proposent un modèle cinématique de la marche rotative, fondé sur la pénétration et le glissement d'une patte courbe dans le milieu. Il reproduit la dépendance à la fréquence et la bascule entre les deux modes.

Ce travail est un résultat de recherche fondamentale, sans produit ni déploiement. Il montre pourtant un écart bien connu entre robotique de démonstration et terrain réel : un contrôleur performant sur sol rigide peut perdre l'essentiel de ses capacités sur sable, neige meuble ou sol détrempé. Pour un intégrateur qui vise l'inspection extérieure, la défense ou l'exploration, cela rappelle que la locomotion ne se transpose pas d'un sol à l'autre sans réglage. La sensibilité à la compaction suggère aussi que des robots opérant sur sols meubles auront besoin d'estimer l'état du terrain et d'adapter leur démarche en ligne. Le modèle reste limité : les auteurs reconnaissent eux-mêmes qu'il révèle surtout le manque de compréhension physique des milieux granulaires, qui se comportent tantôt comme un solide, tantôt comme un fluide.

Cette étude, un preprint arXiv de 2009 dont la version 2 vient d'être rediffusée, s'inscrit dans la lignée des robots à pattes rapides inspirés des insectes, dont les hexapodes à pattes courbes en rotation. Elle précède de beaucoup les approches actuelles d'apprentissage par renforcement et de transfert simulation-réel, qui n'ont pas encore de modèle de contact granulaire pleinement fiable. L'article ne cite pas d'acteur concurrent précis, ni d'essai annoncé. Les suites naturelles seraient une meilleure physique du contact granulaire, puis l'adaptation automatique des paramètres de marche au terrain.

Dans nos dossiers

À lire aussi

Vers des robots à pattes lunaires : leçons d'un déploiement sur le terrain à LUNA
1arXiv cs.RO 

Vers des robots à pattes lunaires : leçons d'un déploiement sur le terrain à LUNA

Des chercheurs ont rapporté les enseignements de la campagne analogue LUNA 2025, au cours de laquelle deux robots à pattes, l'ANYmal-D (quadrupède industriel d'ANYbotics) et le Magnecko, ont évolué sur un simulant de régolithe meuble et sur un terrain imitant des cratères. Les équipes ont aussi collecté des données de navigation sur de longues distances et des données visuelles-inertielles dans des conditions d'éclairage difficiles. Le résultat principal est que les quadrupèdes peuvent bel et bien traverser ce simulant, mais avec des performances dégradées par l'enfoncement et le glissement des pieds, par les contacts qui soulèvent de la poussière, et par des défaillances de perception. Ces dernières ont trois causes: la surexposition, les ombres portées et les zones à faible texture. L'étude, publiée sur arXiv (2610.12276), ne fournit pas dans son résumé de chiffres sur la vitesse, le taux de réussite ou la distance parcourue. Il s'agit d'un retour d'expérience de terrain en milieu analogue, et non d'une démonstration en conditions lunaires réelles. L'intérêt de ces travaux tient au fait que la préparation des robots à pattes pour la Lune reste limitée par des incertitudes encore mal quantifiées: interaction pied-régolithe, génération de poussière, dégradation de la vision sous éclairage solaire rasant et contraintes opérationnelles. Les rovers à roues, qui dominent l'exploration spatiale, peinent sur les pentes raides, les sols meubles et les champs de blocs, précisément là où se trouvent les cibles scientifiques comme les bords de cratères ou les zones d'ombre permanente. Cette étude confirme que le potentiel de la locomotion à pattes est réel, mais elle montre aussi que les politiques de locomotion apprises en simulation, généralement entraînées sur des sols plus ou moins rigides, ne suffisent pas. Les auteurs plaident pour des politiques conscientes du régolithe, une perception robuste à l'éclairage, des essais analogues reproductibles et une validation au niveau de la mission entière. Pour un décideur ou un intégrateur, le message est clair: l'écart entre la démonstration en laboratoire et la fiabilité sur le terrain reste ici très large, en particulier côté perception. Le contexte est celui d'un intérêt croissant pour les robots à pattes dans le spatial. L'ANYmal, issu de l'écosystème de l'ETH Zurich, a déjà été testé dans des environnements analogues, et plusieurs agences et laboratoires explorent des architectures à pattes ou hybrides, face à des rovers à roues éprouvés. Le Magnecko, plus expérimental, représente une autre approche de la locomotion à pattes. La campagne LUNA, installée sur une installation d'analogue lunaire en Europe, sert de banc d'essai de référence pour ces plateformes. Les prochaines étapes évoquées par les auteurs portent sur l'amélioration des politiques de locomotion adaptées au régolithe, sur une perception robuste aux conditions d'éclairage lunaires, ainsi que sur des protocoles de test standardisés. Aucun calendrier de mission ni de vol n'est annoncé, et l'on reste donc à un stade de recherche et de maturation technologique, loin d'un déploiement réel sur la surface lunaire.

UEÉtude menée sur une installation d'analogue lunaire en Europe avec l'ANYmal d'ANYbotics (écosystème ETH Zurich), utile à la filière spatiale et robotique européenne, sans retombée directe sur la France.

RecherchePaper
1 source
FARO : optimisation de mouvement de robot sensible à la faisabilité
2arXiv cs.RO 

FARO : optimisation de mouvement de robot sensible à la faisabilité

Des chercheurs présentent FARO (Feasibility-Aware Robot Motion Optimization), un nouveau framework publié sur arXiv (2607.18362v1) qui s'attaque à un problème central de la robotique humanoïde : planifier rapidement des mouvements inédits pour des scénarios de loco-manipulation jamais rencontrés auparavant. L'approche combine trois éléments techniques : un module kino-dynamique imbriqué qui vérifie la faisabilité d'une séquence de contacts candidate et génère une trajectoire dynamiquement cohérente, une recherche arborescente guidée par cette faisabilité, et une stratégie d'échantillonnage des plans de contact pilotée par un grand modèle de langage (LLM). Les trajectoires produites sont ensuite suivies par un contrôleur entraîné par apprentissage par renforcement (RL), que les auteurs jugent suffisamment robuste pour une exécution en conditions réelles de loco-manipulation. Une vidéo de démonstration accompagne la publication. Aucune métrique chiffrée précise (temps de calcul, taux de réussite, plateforme robotique testée) n'apparaît dans le résumé, ce qui limite pour l'instant l'évaluation indépendante des performances annoncées. Ce travail s'attaque à un verrou connu du secteur : la nature hybride, sous-actionnée et de très haute dimension des humanoïdes rend le calcul de trajectoires de loco-manipulation extrêmement coûteux, surtout quand il faut décider en temps quasi réel quelle séquence de contacts (mains, pieds, appuis) utiliser face à une situation nouvelle. En accélérant la vérification de faisabilité et en déléguant l'exploration combinatoire des plans de contact à un LLM, FARO illustre une tendance de fond : l'usage des modèles de langage non plus pour générer du texte ou des commandes haut niveau, mais comme heuristique de recherche dans des problèmes d'optimisation robotique classiquement résolus par des méthodes purement numériques. Si les résultats se confirment à plus grande échelle, cela pourrait réduire l'écart persistant entre démonstrations scriptées et comportements réellement adaptatifs, un des points faibles récurrents des humanoïdes actuels. Le papier s'inscrit dans la lignée des travaux combinant planification kino-dynamique, recherche arborescente et contrôle par renforcement, une architecture de plus en plus courante dans les publications académiques sur la loco-manipulation humanoïde depuis l'essor de plateformes comme Figure, Optimus ou les modèles VLA (Pi-0, GR00T N2, Helix). L'absence d'affiliation industrielle explicite dans le résumé suggère une contribution principalement académique ; les suites logiques incluraient des tests sur robot physique documentés et des comparaisons chiffrées face aux méthodes de planification existantes.

RecherchePaper
1 source
Robot humanoïde marche sur sable, gravier et pentes grâce à un cadre d'entraînement plus rapide
3Interesting Engineering 

Robot humanoïde marche sur sable, gravier et pentes grâce à un cadre d'entraînement plus rapide

Des chercheurs du Georgia Institute of Technology ont mis au point un nouveau cadre d'apprentissage automatique baptisé « Learn to Teach » (L2T), qui permet à un robot humanoïde bipède de marcher sur du sable, du gravier, de l'herbe détrempée, des pentes, des escaliers et des surfaces glissantes, tout en réduisant nettement le temps et la puissance de calcul nécessaires à l'entraînement du contrôleur. Contrairement à l'apprentissage classique par renforcement de type enseignant-élève, où un modèle « professeur » est d'abord entraîné en simulation avant de transmettre ses connaissances à un modèle « élève » qui pilote le robot réel, la méthode de Georgia Tech entraîne les deux agents simultanément. Selon Feiyang Wu, chercheur principal du projet, l'approche séquentielle classique pose deux problèmes : elle prend trop de temps et gaspille une partie des informations collectées par le professeur en cours d'apprentissage. Le contrôleur a été testé sur un robot humanoïde grandeur nature dans le laboratoire du professeur associé Ye Zhao, où l'équipe a aussi poussé et tiré la machine pendant les essais pour observer sa capacité à ajuster sa démarche et rester stable. Les travaux ont été présentés à l'ICRA (IEEE International Conference on Robotics and Automation). Cette avancée s'attaque à un goulot d'étranglement bien identifié dans la robotique humanoïde : l'entraînement de contrôleurs en simulation nécessite souvent des heures de calcul sur du matériel GPU coûteux, un frein direct à l'itération rapide et au déploiement à grande échelle. En faisant apprendre le professeur et l'élève en parallèle, et en permettant au professeur de tirer des enseignements de l'expérience de l'élève, l'équipe réduit ce que les roboticiens appellent le « fossé d'imitation » entre les conditions idéalisées de la simulation et la réalité du terrain, un problème central dans le débat sur le fameux « sim-to-real gap ». Fait notable, le même contrôleur généraliste a surpassé le logiciel fourni par le fabricant du robot sur plusieurs types de terrains, sans nécessiter de contrôleurs distincts par environnement, ce qui illustre la valeur d'une recherche en apprentissage automatique directement confrontée au monde réel plutôt qu'à des démonstrations scénarisées. Wu reconnaît que l'équipe ne s'attendait pas elle-même à une telle polyvalence pour un robot humanoïde aussi volumineux, la locomotion agile sur terrain accidenté n'ayant jusqu'ici jamais été véritablement démontrée pour ce type de machine. Au-delà de la marche, les chercheurs estiment que le cadre « Learn to Teach » pourrait s'appliquer à d'autres architectures de robots et à des tâches variées exigeant un déplacement fiable en environnement imprévisible, ouvrant une piste de recherche transférable bien au-delà du seul cas d'usage testé à Atlanta.

RecherchePaper
1 source
4arXiv cs.RO 

Transition de mouvement pour robot à partir d'un a priori de mouvement humain

Des chercheurs présentent STAMP (Spatio-Temporal Alignment with a Motion Prior), un cadre logiciel qui vise à enchaîner des mouvements de robots humanoïdes acquis séparément pour en faire une séquence continue. Le procédé passe par une boucle « robot vers humain vers robot ». Les deux mouvements sont d'abord retargetés (transposés) sur un squelette humain. Un modèle d'alignement appris classe ensuite des candidats de position, de cap et de durée de transition pour le mouvement suivant. Un modèle génératif de mouvement humain, utilisé comme prior, produit alors la transition en « inbetweening », c'est-à-dire en générant les images intermédiaires entre deux poses. La séquence complète est enfin retargetée sur le robot et sert de référence pour entraîner une politique de suivi de mouvement. Les auteurs l'évaluent sur le Unitree G1 et le ROBOTIS K1, et disent avoir réalisé des démonstrations physiques de séquences longues. L'abstract ne donne aucun chiffre : taux de réussite, nombre de mouvements enchaînés et durée des séquences ne sont pas précisés. L'intérêt tient à un problème pratique. Les politiques de suivi de mouvement savent aujourd'hui reproduire des comportements variés, mais les composer en un enchaînement fluide reste un point faible. L'interpolation simple relie des poses sans vérifier que la position relative, le cap et le timing se prêtent à une transition. Un prior génératif, lui, peut inventer de la marche, des rotations ou des gestes non voulus si les bornes sont mal agencées. STAMP traite donc l'alignement des bornes comme un problème à part entière, ce qui est une piste crédible pour construire des répertoires de comportements modulaires, utiles aux intégrateurs qui veulent assembler des gestes sans les réenregistrer. L'approche passe par l'espace humain, ce qui permet de réutiliser la connaissance des transitions d'un robot à l'autre. Cette promesse de transfert entre morphologies reste à confirmer, car seuls deux robots sont testés et les résultats sont ceux des auteurs, sans indication de la part de démonstrations sélectionnées. Ce travail s'inscrit dans la lignée des méthodes de suivi de mouvement humanoïde et des modèles génératifs de mouvement humain, qui ont gagné en maturité ces dernières années. La combinaison de ces briques est ici orientée vers la continuité des séquences. Le choix du Unitree G1, plateforme répandue en recherche, facilite la reproductibilité. Le ROBOTIS K1 élargit le test à une seconde morphologie. Il s'agit d'une prépublication arXiv (2610.30817v1), non évaluée par des pairs, accompagnée d'une page projet. Aucun déploiement industriel ni pilote n'est annoncé. Les prochaines étapes naturelles seraient des comparaisons chiffrées avec l'interpolation et d'autres méthodes génératives, ainsi que des tests sur davantage de robots et de mouvements.

UEPas d\'impact direct sur la France/UE

RecherchePaper
1 source