Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
RecherchearXiv cs.RO 

PushAround : dégagement collaboratif de chemin par recherche hybride informée par la physique

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

Un préprint publié sur arXiv (2610.35062) présente PushAround, une méthode de planification qui permet à une équipe de robots mobiles de dégager un corridor pour un gros véhicule bloqué par des obstacles déplaçables. L'approche est une recherche hybride "informée par la physique". Elle associe un raisonnement géométrique sur la connectivité à de courtes simulations physiques pour produire des plans exécutables. Un graphe de connectivité à dégagement W (WCCG) est interrogé à répétition pour repérer les goulots à élargir, classés selon leur coût aval estimé. Pour chaque goulot, l'algorithme génère des candidats de poussée directe ou récursive, en choisissant l'obstacle, la direction, les points de contact et les forces. Seuls les candidats validés par la simulation sont retenus. Les auteurs annoncent des expériences numériques qui comparent le WCCG aux tests de connectivité standard, un passage à l'échelle vers des environnements plus denses et des équipes allant jusqu'à quatre robots, ainsi qu'une robustesse à un désaccord entre les paramètres physiques simulés et ceux de l'exécution.

L'intérêt tient à une lacune connue de la navigation parmi obstacles déplaçables (NAMO). Les approches classiques abstraient les déplacements d'obstacles et ignorent les dimensions du robot, la masse, la géométrie de contact et les forces. Elles produisent donc des plans physiquement infaisables. Intégrer ces paramètres rapproche la planification de cas d'usage d'entrepôts, de chantiers ou de sites encombrés où un véhicule large doit passer. Le résumé ne donne cependant aucun chiffre : ni taux de succès, ni temps de calcul, ni masses d'obstacles testées. Tout est évalué en simulation, et la robustesse n'est mesurée que face à un désaccord simulé. L'écart entre simulation et réalité n'est donc pas démontré, et aucun matériel ni pilote industriel n'est mentionné.

Le problème NAMO est étudié depuis le milieu des années 2000, d'abord pour un seul robot et sur des modèles surtout géométriques. La poussée non préhensile et la coordination multirobot sont des pistes plus récentes. Le résumé ne cite aucun concurrent direct ni acteur industriel, y compris européen. Les suites logiques seraient une validation sur robots réels, avec incertitude de perception et frottements mal connus, puis une comparaison chiffrée avec des planificateurs appris ou purement géométriques.

Impact France/UE

Pas d\'impact direct sur la France/UE

Dans nos dossiers

arXiv cs.RO

À lire aussi

Apprentissage par renforcement conditionné par objectif et informé par la physique sous dynamique de contact hybride
1arXiv cs.RO 

Apprentissage par renforcement conditionné par objectif et informé par la physique sous dynamique de contact hybride

Des chercheurs ont publié sur arXiv (réf. 2605.30503) une analyse critique des méthodes de GCRL physico-informé (Pi-GCRL) appliquées à la manipulation robotique en contact, accompagnée de deux nouvelles formulations architecturales pour corriger leurs limites. Le GCRL (goal-conditioned reinforcement learning) vise à entraîner des agents capables d'atteindre des objectifs arbitraires à partir d'un signal de récompense rare, en apprenant une notion générale d'accessibilité dans l'espace état-but. Les approches Pi-GCRL enrichissent cette idée en injectant des biais inductifs issus de la commande optimale dans l'apprentissage de la fonction de valeur. L'article montre que, dès lors que les dynamiques deviennent hybrides, c'est-à-dire discontinues lors de transitions de contact, ces biais, appliqués naïvement, dégradent la performance : les paysages de valeur deviennent non-lisses, la contrôlabilité dépend du mode de contact actif, et les hypothèses de régularité sous-jacentes aux méthodes Pi-GCRL ne tiennent plus. L'enjeu est structurel pour la robotique de manipulation industrielle. La quasi-totalité des tâches réelles, assemblage, insertion, saisie d'objets déformables, impliquent des contacts intermittents qui créent précisément ces dynamiques hybrides. Jusqu'ici, Pi-GCRL avait démontré sa robustesse sur la navigation et le goal-reaching sans contact, mais son extension aux tâches de manipulation restait une question ouverte. Ce travail répond en quantifiant rigoureusement l'échec et en proposant deux correctifs : une formulation contact-aware qui adapte les biais inductifs au mode de contact détecté, et une formulation hiérarchique qui décompose le problème de manipulation en sous-problèmes à dynamiques plus régulières. Ces contributions ouvrent une voie méthodologique précise, distincte des approches VLA (vision-language-action) et sim-to-real classiques qui dominent actuellement les annonces industrielles. Le contexte est celui d'une compétition intense dans l'apprentissage pour la manipulation : DeepMind avec RoboCAT, Physical Intelligence avec pi0, Google avec RT-X, et des dizaines de labos universitaires cherchent à franchir le fossé démo-vers-réalité. Pi-GCRL représente une ligne de recherche distincte, héritée des travaux en commande optimale et en GCRL (Andrychowicz, Plappert et al., 2017 et suivants), qui mise sur la structure mathématique du problème plutôt que sur la puissance brute des données. Ce preprint est une contribution académique sans déploiement annoncé ni partenaire industriel identifié ; les suites probables sont des benchmarks sur des environnements contact-rich standardisés (MuJoCo, IsaacGym) et une éventuelle extension aux robots à plusieurs points de contact.

RecherchePaper
1 source
Pilotage du comportement robotique à l'inférence par reconfiguration physiquement informée de la structure de tâche
2arXiv cs.RO 

Pilotage du comportement robotique à l'inférence par reconfiguration physiquement informée de la structure de tâche

Une équipe de recherche a publié sur arXiv (ref. 2606.26588) un système baptisé ReStruct, conçu pour modifier le comportement d'un robot en cours de déploiement sans nécessiter de réentraînement. Le problème visé est ce que les chercheurs appellent le "steering à l'inférence" : forcer une politique robotique apprise à respecter une préférence utilisateur imprévue lors de l'entraînement, au moment du test uniquement. ReStruct repose sur une architecture en deux niveaux : un squelette de haut niveau modélisé comme une machine à états finis (automate neural), qui encode la structure de la tâche, et un contrôleur bas niveau sous forme de politique résiduelle, qui reste entièrement gelé. Lors de la modification d'une préférence, c'est uniquement l'automate qui est reconfiguré via un produit synchrone, mettant à jour les prior d'action transmis au contrôleur. Sur banc de test en simulation et en environnement réel, ReStruct dépasse les modèles VLA (Vision-Language-Action) existants de jusqu'à 25 % en taux de réussite de tâche et en respect des préférences, pour des spécifications allant de contraintes sur des objets spécifiques jusqu'à des contraintes de logique temporelle. L'enjeu industriel est significatif : le réentraînement d'une politique robotique pour chaque nouvelle variante de tâche ou préférence opérateur représente aujourd'hui un verrou majeur à la scalabilité des déploiements. Les approches bout-en-bout (fine-tuning, guidance experte) sont trop coûteuses en pratique, tandis que les méthodes neuro-symboliques classiques génèrent des plans logiquement cohérents mais physiquement irréalisables, ce que ReStruct corrige en intégrant la faisabilité physique directement dans la reconfiguration de la structure de tâche. Le fait que la méthode surpasse les modèles VLA sur ces métriques est notable : les VLA représentent actuellement le paradigme dominant en robotique manipulatrice apprise, et cette architecture hybride formelle-neuronale suggère une voie complémentaire plutôt que concurrente. Ce travail s'inscrit dans un débat de fond entre approches purement end-to-end et méthodes symboliques pour la robotique généraliste. Les modèles VLA comme pi-0 (Physical Intelligence), GR00T N2 (NVIDIA) ou Helix (Figure AI) misent sur des fondations neuronales massives adaptées par fine-tuning, ce qui les rend rigides face aux variations de préférences non anticipées. ReStruct propose une alternative légère, fondée sur la théorie des automates, qui n'impose pas de réentraîner le contrôleur. Il s'agit d'un preprint académique sans affiliation industrielle annoncée ni déploiement terrain mentionné, mais la démonstration en conditions réelles renforce la crédibilité de l'approche. Les prochaines étapes naturelles seraient l'intégration dans des pipelines de déploiement existants et l'évaluation sur des manipulateurs commerciaux multi-tâches.

RechercheOpinion
1 source
Apprentissage par renforcement résiduel guidé par la physique pour la traversée de chemins étroits par humanoïdes
3arXiv cs.RO 

Apprentissage par renforcement résiduel guidé par la physique pour la traversée de chemins étroits par humanoïdes

Une équipe de recherche a publié une nouvelle version (v5) d'un article arXiv (2508.20661) décrivant une méthode d'apprentissage par renforcement en deux étapes pour la traversée de chemins étroits par des robots humanoïdes, terrain où les approches purement basées sur des templates physiques ou purement par renforcement échouent généralement. La première étape combine un planificateur d'appuis au sol issu d'un template physique avec un contrôleur bas niveau de suivi de trajectoire ; la seconde ajoute un module léger de correction des appuis assisté par perception, entraîné selon un curriculum progressif allant du sol plat aux chemins étroits. Testée sur un robot humanoïde Unitree G1, la méthode a permis de franchir sans échec, à 20 reprises consécutives, une poutre de 0,2 mètre de large et 3 mètres de long. Le résultat s'attaque à un problème concret pour l'industrie robotique : le placement précis des pieds sur des appuis rares et critiques pour la sécurité, comme des passerelles ou poutrelles de chantier, reste un point faible connu des humanoïdes malgré des démonstrations vidéo souvent flatteuses. En associant l'interprétabilité d'un planificateur physique classique à la capacité de généralisation du renforcement, les auteurs revendiquent un meilleur taux de réussite, une meilleure adhérence à la trajectoire centrale et de meilleures marges de sécurité que les approches purement template ou purement RL, avec un transfert simulateur-vers-réel facilité, obstacle récurrent pour le secteur. Pour les intégrateurs évaluant des humanoïdes sur chantiers ou sites industriels contraints, ces résultats restent une preuve de concept en laboratoire, limitée à une seule configuration de poutre testée 20 fois, loin d'une validation en déploiement réel. Ces travaux s'inscrivent dans un effort de recherche plus large visant à réduire l'écart entre les démonstrations soignées de locomotion humanoïde, qu'il s'agisse de Figure 03, d'Optimus chez Tesla ou des modèles Unitree, et une robustesse réellement transférable sur terrain contraint. Le choix du G1 d'Unitree, humanoïde compact et abordable très utilisé par les laboratoires académiques, confirme son rôle de plateforme de référence pour la recherche sur la locomotion, face à des systèmes plus coûteux comme l'Atlas de Boston Dynamics. Aucun acteur français ou européen n'intervient dans cette publication, qui reste à ce stade une contribution académique en preprint sur arXiv, sans calendrier de transfert industriel ni partenariat commercial annoncé.

RecherchePaper
1 source
Un cadre d'apprentissage des collisions guidé par la physique pour la génération de mouvements de robots collaboratifs
4arXiv cs.RO 

Un cadre d'apprentissage des collisions guidé par la physique pour la génération de mouvements de robots collaboratifs

Une équipe de chercheurs publie sur arXiv PI-UDF (Physics-Informed Unified Differentiable Framework), un modèle qui prédit directement, à partir des configurations articulaires, la distance de collision entre les corps de deux robots articulés. Il associe une cinématique directe analytique, des embeddings de géométrie apprenables pour chaque lien et un réseau résiduel partagé. L'entraînement repose sur une extraction de données par quotas près de la frontière de collision, et sur une pénalité asymétrique qui sanctionne plus lourdement les faux « sûrs », c'est-à-dire les cas où le modèle annonce une configuration libre alors qu'elle est en collision. Le champ de distance appris sert de terme de dégagement différentiable dans une commande prédictive non linéaire (MPC). La validation porte sur une plateforme réelle à deux bras Franka (14 DoF au total), avec trois scénarios : échange de positions à haute vitesse en proximité étroite, esquive dynamique soutenue d'un seul bras, et planification d'esquive où le bras mobile est gelé, prédit ou change de cible. Un rejeu hors ligne avec Drake et FCL complète les essais. L'enjeu est celui des cellules multi-bras où les robots partagent un espace restreint. Les vérificateurs géométriques classiques donnent des distances fiables mais s'intègrent mal dans une optimisation par gradient en temps réel. Les modèles de substitution conservateurs, eux, brident les mouvements fortement couplés. En visant explicitement l'erreur la plus dangereuse près de la frontière, la méthode traite le point qui conditionne l'usage en boucle fermée. L'extrait disponible ne chiffre toutefois ni taux d'erreur, ni latence d'inférence, ni fréquence de résolution du MPC. La validation se limite à un seul type de bras, et un modèle appris ne offre pas de garantie formelle de sécurité. Le caractère « adapté » à la planification collaborative reste donc à confirmer sur les données complètes. Il s'agit d'un préprint non évalué par les pairs, qui relève de la recherche et non d'un produit. Il s'inscrit dans la lignée des champs de distance neuronaux dans l'espace des configurations, face aux approximations par sphères ou capsules et aux bibliothèques de référence comme FCL, ici utilisée pour le rejeu de vérification. Les suites logiques seraient l'extension à d'autres géométries de robots et à plus de deux bras, ainsi que l'ajout de bornes certifiées sur l'erreur de distance. Aucun acteur européen n'est identifié dans l'extrait disponible.

RecherchePaper
1 source