Morphogenèse distribuée d'essaims par automates…

1arXiv cs.RO

Actionnement sélectif de cellules unitaires en treillis pour la morphologie distribuée des robots souples

Des chercheurs présentent, dans un preprint déposé sur arXiv le 18 juin 2026 (réf. 2606.18704), une cellule unitaire pneumatique monolithique qui intègre simultanément une géométrie de treillis à montants courbés et un actionneur soufflet bidirectionnel au sein d'un unique élément fabriqué d'un seul tenant. Contrairement à l'approche dominante dans laquelle les actionneurs sont insérés après coup dans des structures en treillis passives, cette conception réalise ce que les auteurs appellent une co-conception actionneur-treillis à l'échelle de la cellule unitaire. Les expérimentations portent sur des pavages de 1x1, 2x2 et 3x3 cellules, qui démontrent une génération de déplacement et de force scalable avec des performances cycliques répétables. Un réseau 3x3x3 produit des modes de déformation globaux distincts -- flexion contrôlée, préhension directionnelle -- sans aucune modification physique de l'architecture matérielle : seul le schéma de pressurisation sélective des cellules change. L'équipe démontre également un déplacement rampant obtenu en couplant cellules actives et passives, la locomotion émergeant d'une déformation asymétrique. Ce résultat reformule le problème de contrôle de la morphologie en robotique souple : plutôt que de concevoir un effecteur par comportement cible, un même substrat matériel peut générer des comportements multiples via la programmation du champ d'actuation spatial. Pour les intégrateurs industriels et les concepteurs d'effecteurs adaptatifs, cela signifie qu'une pièce monolithique pourrait remplacer plusieurs modules distincts, réduisant les points de défaillance et la complexité d'assemblage. La reproductibilité cyclique observée est un signal positif pour une éventuelle industrialisation, même si les auteurs restent dans un cadre de caractérisation laboratoire -- aucune donnée de durée de vie à grande échelle ni de comparaison charge utile/force en conditions réelles n'est fournie. La robotique souple sur structures en treillis s'est développée principalement pour adapter la compliance locale et guider la déformation dans des applications médicales, de manipulation douce ou d'exploration en environnements non structurés. Les approches concurrentes incluent les robots à câbles, les alliages à mémoire de forme, les actionneurs diélectriques élastomères (DEA) et les structures pneumatiques modulaires type PneuNet -- chacune avec ses compromis sur la vitesse, la force et la scalabilité. Ce travail positionne les treillis pneumatiques monolithiques comme une quatrième voie, avec l'avantage d'une fabrication continue. Aucune entreprise ni partenaire industriel n'est mentionné ; les prochaines étapes suggérées par les auteurs incluent le passage à des réseaux plus grands et l'exploration d'algorithmes de planification du champ d'actuation pour des tâches de manipulation complexes.

RecherchePaper

1 source

2arXiv cs.RO

Rétroaction distribuée par covariance harmonique pour la fermeture de trous dans des essaims de robots planaires

Des chercheurs proposent, dans le preprint arXiv 2610.12637v1, une méthode de commande distribuée pour refermer les « trous » de couverture dans un essaim de robots planaires. Chaque agent possède un disque de détection, et l'ensemble de ces disques forme un complexe de Čech qui évolue dans le temps. Le retour d'état proposé, dit « harmonique-covariance », exploite des signaux harmoniques portés par les arêtes du complexe pour localiser les trous, puis les convertit en forces appliquées aux agents. Pour que le calcul reste distribué, les auteurs utilisent un polynôme de degré fixe du laplacien de Hodge régularisé, évalué par de simples applications locales de l'opérateur. Dans une démonstration numérique de 15 secondes, tous les trous sont refermés à 9,9 s et restent fermés jusqu'à la fin. Il s'agit d'une simulation unique, sans robot physique ni nombre d'agents précisé dans le résumé. L'apport est surtout théorique, mais il touche un point sensible de la robotique en essaim : la couverture et la connectivité de réseaux de capteurs mobiles sont généralement traitées par des heuristiques sans garanties formelles. Ici, le système en boucle fermée admet une trajectoire globale unique à partir de tout état initial sûr. Des calculs finis, réalisés hors ligne et sans interroger les données de trajectoire, fournissent des bornes inférieures rationnelles de l'aire cumulée des trous sur l'horizon considéré. Ces bornes convergent vers cette aire cumulée, qu'elle soit finie ou infinie. Lorsqu'elle est finie, les trous se ferment au sens de la moyenne temporelle : l'aire normalisée moyenne sur toute fenêtre de durée fixe tend vers zéro. C'est une certification a priori, utile pour des applications où l'on doit prouver la couverture avant le déploiement (surveillance, inspection, recherche et sauvetage). La garantie reste toutefois une convergence en moyenne, pas une fermeture exacte à date fixe pour tous les cas. Ces résultats reposent sur des hypothèses restrictives : aire des trous mesurable et bornée, évolution continue sans fusion ni scission, et seulement un nombre fini de nouveaux trous temporaires. Ces conditions sont difficiles à garantir dans un environnement réel bruité, avec pertes de communication ou obstacles, et le texte ne mentionne ni validation expérimentale ni comparaison avec des méthodes existantes. Le travail s'inscrit dans la lignée de la topologie algorithmique appliquée aux réseaux de capteurs (homologie, complexes de Čech et de Rips, laplaciens de Hodge) et des commandes de couverture distribuées, domaines où les garanties de bout en bout restent rares. Les étapes suivantes plausibles seraient l'assouplissement des hypothèses sur la topologie des trous, des tests sur plateformes physiques et une extension en trois dimensions. Aucun calendrier ni partenaire industriel n'est annoncé, et on est donc très en amont d'un produit ou d'un déploiement.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

3arXiv cs.RO

Apprentissage par renforcement modulaire pour essaims coopératifs

Une équipe de chercheurs propose, dans un preprint déposé sur arXiv le 7 mai 2026 (arXiv:2605.04939), une méthode d'apprentissage par renforcement modulaire pour les essaims de robots coopératifs. Le problème ciblé est précis : dans un essaim, chaque robot dispose d'une capacité de calcul et de mémoire limitée, n'observe qu'un sous-ensemble restreint de ses voisins, et n'a aucune visibilité sur l'effet de ses actions sur l'utilité collective. Les approches standard de MARL distribué (Multi-Agent Reinforcement Learning) apprennent à chaque agent à coordonner ses actions avec le groupe, mais elles imposent de représenter un espace d'états d'interaction potentiellement combinatoire, ce qui dépasse rapidement les contraintes mémoire de robots à faible puissance. La solution proposée est une représentation décomposée : chaque dimension de l'état spatial est traitée par un module d'apprentissage indépendant, et les résultats sont ensuite agrégés pour guider la politique. Les auteurs valident l'approche sur des simulations de tâches de collecte (foraging), un benchmark classique en robotique en essaim. L'intérêt industriel est direct pour toute architecture multi-robots à budget matériel contraint. La croissance combinatoire de l'espace d'états est un goulot d'étranglement bien documenté qui freine le passage à l'échelle des essaims : augmenter la taille du groupe multiplie le problème. En décomposant la représentation, l'approche modulaire pourrait permettre de déployer des politiques coopératives sur des robots bon marché sans recourir à une unité centrale de coordination. C'est une direction complémentaire aux approches centralisées lors de l'entraînement et décentralisées à l'exécution (CTDE), qui restent lourdes en entraînement. À noter cependant que les résultats présentés reposent uniquement sur des simulations, sans validation sur hardware réel, ce qui laisse ouverte la question du sim-to-real gap. La robotique en essaim est un domaine actif depuis les travaux de Marco Dorigo sur les fourmis artificielles dans les années 1990. Les avancées récentes en MARL, notamment QMIX et MADDPG, ont montré que la coordination émergente est accessible sans communication explicite, mais au prix d'une complexité croissante de représentation. Sur le terrain, des acteurs comme Bitcraze (drones Crazyflie), Exotec (essaims AMR pour entrepôts logistiques), ou encore des labos européens sur les micro-robots explorent des architectures contraintes similaires. La prochaine étape naturelle pour ce travail serait une validation sur plateforme physique et une comparaison quantitative avec les baselines CTDE standard.

UEExotec (France), acteur des essaims AMR logistiques, opère dans un contexte de contraintes matérielles similaires à celles ciblées par ce preprint, mais la contribution reste académique et simulée, sans déploiement ou validation européenne directe.

RecherchePaper

1 source

4arXiv cs.RO

Modélisation et compréhension des poids neuronaux des politiques humanoïdes par diffusion

Des chercheurs proposent une méthode pour générer directement les poids de réseaux de contrôle humanoïdes, plutôt que de les obtenir par un entraînement classique. Décrit dans l'article arXiv 2610.20606, le système repose sur un cadre de diffusion latente qui associe un autoencodeur linéaire à un Diffusion Transformer. L'autoencodeur compresse les paramètres du réseau acteur dans un espace latent compact, et le Diffusion Transformer modélise la distribution de ces latents. Les réseaux d'entraînement proviennent d'apprentissage par renforcement (RL) sur le robot Unitree G1. Les auteurs affirment que les réseaux générés sont déployables sur le robot réel et exécutent plusieurs mouvements, dont la marche, la danse et un coup de pied tournant (spin kick). L'article ne fournit pas, dans son résumé, de taux de réussite, de nombre de réseaux générés ni de comparaison chiffrée avec un entraînement standard. Des résultats complémentaires sont annoncés sur le site du projet. L'intérêt est double. D'un côté, l'étude montre qu'il est faisable de modéliser l'espace des poids de politiques humanoïdes agiles, ce qui pourrait à terme servir à produire rapidement des contrôleurs variés sans relancer un entraînement complet pour chaque comportement. Pour un intégrateur, cela évoquerait une bibliothèque de politiques générée à la demande, mais on reste au stade de la recherche : rien n'indique encore une robustesse comparable à celle de politiques entraînées, ni un gain de temps mesuré. De l'autre, l'analyse de l'espace des poids révèle, dans les poids de la première couche, une structure qui reflète le prior cinématique du robot. Cette structure apparaît aussi bien avec le RL qu'avec l'apprentissage par imitation (IL), ce qui suggère qu'elle tient à l'embodiment humanoïde plutôt qu'à la méthode d'optimisation. Cette piste d'interprétabilité pourrait aider à comprendre ce que les contrôleurs apprennent réellement, et peut-être à faciliter leur transfert d'un robot à un autre. Ce travail s'inscrit dans la progression rapide du contrôle humanoïde par apprentissage, où le G1 d'Unitree est devenu une plateforme de référence académique grâce à son coût relativement accessible et à son adoption large. La plupart des travaux se concentrent sur l'entraînement de politiques, en simulation puis par transfert vers le réel, ou sur des modèles généralistes de type VLA, tels que ceux développés par Figure, NVIDIA ou Physical Intelligence. La génération de poids par diffusion, déjà explorée dans d'autres domaines, est ici appliquée aux humanoïdes, et l'article se présente comme une première étude de faisabilité. Les suites logiques seraient d'élargir la diversité des comportements, de tester d'autres morphologies et de quantifier les performances face aux méthodes classiques. Aucun partenaire industriel ni calendrier de déploiement n'est mentionné.

RecherchePaper

1 source

Morphogenèse distribuée d'essaims par automates cellulaires neuronaux

À lire aussi

Actionnement sélectif de cellules unitaires en treillis pour la morphologie distribuée des robots souples

Rétroaction distribuée par covariance harmonique pour la fermeture de trous dans des essaims de robots planaires

Apprentissage par renforcement modulaire pour essaims coopératifs

Modélisation et compréhension des poids neuronaux des politiques humanoïdes par diffusion