RecherchearXiv cs.RO 2 novembre 2026

Apprentissage en ligne de dynamiques de locomotion hétérogènes sous politiques d'apprentissage par renforcement pour une loco-manipulation précise

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Une équipe de chercheurs propose une méthode d'apprentissage en ligne pour réutiliser, sans la réentraîner, une politique de locomotion préentraînée par apprentissage par renforcement (RL) afin de réaliser du loco-manipulation précis, c'est-à-dire des tâches où un robot mobile doit déplacer sa base tout en positionnant un effecteur avec exactitude. Le principe consiste à garder la politique de locomotion gelée et à apprendre en temps réel la dynamique en boucle fermée qui en résulte. Ce modèle appris prédit le mouvement de la base flottante (le corps du robot, non fixé au sol) et sert à un contrôleur prédictif (MPC). Les expériences en simulation et sur matériel montrent un suivi de l'effecteur cohérent selon différentes configurations de manipulateur et différentes tâches, avec des erreurs de l'ordre de 0,01 m. Le travail, publié sur arXiv (v1), ne précise pas dans son résumé la plateforme robotique utilisée ni le nombre d'essais réalisés.

L'enjeu tient à un point de friction connu : les politiques de locomotion RL sont robustes mais se comportent comme des boîtes noires, et leur réponse à une même commande varie. Les auteurs montrent que des conditions latentes non observées par le modèle produisent des réponses hétérogènes, un même état observé pouvant conduire à des mouvements différents. Un apprentissage direct de la dynamique, sans tenir compte de cette hétérogénéité, introduit biais et fluctuations, ce qui dégrade la prédiction de la base et le suivi de l'effecteur. Leur réponse est un modèle gaussien contaminé, à deux composantes, l'une pour les réponses prévisibles, l'autre pour les imprévisibles. Couplé à un processus gaussien à approximation par caractéristiques de Fourier aléatoires (RFF), il estime la probabilité qu'une observation soit prévisible et pondère les mises à jour en conséquence. Une borne d'erreur à échantillon fini garantit une convergence uniforme. Pour un intégrateur, l'intérêt est de pouvoir ajouter de la précision de manipulation sur une politique de marche existante sans la réentraîner. Une précision de 1 cm reste toutefois à replacer face aux exigences réelles d'un poste industriel, et les résultats n'ont pas été éprouvés en conditions de production.

Ce travail s'inscrit dans l'effort pour faire converger locomotion apprise et manipulation, alors que les approches de corps entier (whole-body control) entraînent souvent une politique unique, coûteuse à ré-entraîner à chaque changement de bras ou de tâche. La réutilisation d'une politique gelée par une couche de modélisation en ligne offre une voie alternative, plus modulaire, face aux politiques de bout en bout. Il s'agit ici d'une publication de recherche, sans produit, déploiement ni calendrier annoncé. Les prochaines étapes à surveiller sont la validation sur davantage de plateformes, des charges plus lourdes et des environnements non structurés, ainsi que la comparaison directe avec les méthodes de contrôle de corps entier.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Apprentissage de politiques par simulation pour la loco-manipulation des robots humanoïdes

Une équipe de chercheurs a publié le 9 juin 2026 sur arXiv (2606.08278) SIMPLE, un banc de test de simulation unifié pour l'apprentissage et l'évaluation de politiques de contrôle de robots humanoïdes. La plateforme couple la simulation de dynamique de contact de MuJoCo avec le rendu photoréaliste d'IsaacSim, et propose 60 tâches de loco-manipulation plein corps, 50 scènes d'intérieur et plus de 1 000 assets d'objets. Pour la collecte de données, deux pipelines sont intégrés : génération automatisée de trajectoires par planification de mouvement, et interface de téléopération VR à faible latence. Les auteurs y benchmarkent plusieurs familles de politiques humanoïdes : réseaux d'imitation légers, grands modèles vision-langage-action (VLA) et les récents modèles d'action du monde (WAM, World Action Models). Les expériences démontrent, selon les auteurs, un transfert zero-shot vers des robots humanoïdes physiques dans des configurations similaires. L'enjeu central est un goulot d'étranglement d'évaluation : les modèles fondationnels humanoïdes progressent plus vite que les protocoles pour les tester. Les benchmarks existants se concentrent sur la robotique de table ou les robots à roues, sans couvrir la loco-manipulation plein corps, compétence clé pour les humanoïdes déployés en environnement industriel ou domestique. Si la corrélation sim-to-real revendiquée dans l'article se confirme à plus grande échelle, elle légitime le recours massif à la simulation pour entraîner des politiques de contrôle, réduisant drastiquement les coûts de collecte de données en conditions réelles. C'est précisément le pari industriel de Physical Intelligence avec pi-0, et de Figure AI avec Figure 02 : remplacer les démos téléopérées coûteuses par des pipelines simulés reproductibles. La fragmentation des benchmarks est un problème structurel en robotique humanoïde : chaque laboratoire publie sur ses propres protocoles, rendant toute comparaison inter-équipes difficile. Des initiatives comme HumanoidBench, RoboVerse ou Isaac Lab ont tenté d'y répondre, mais sans couvrir la chaîne complète loco-manipulation avec rendu photoréaliste et pipelines de données intégrés. SIMPLE se positionne à cette intersection. Les équipes de Google DeepMind (GR00T N2, Helix), Agility Robotics (Digit) et Boston Dynamics sont directement concernées. Ce preprint arXiv n'est pas encore évalué par les pairs ; l'adoption par la communauté dépendra de la disponibilité publique du code et des assets, non encore confirmée.

RecherchePaper

1 source

2arXiv cs.RO

Apprentissage d'une exécution robuste en manipulation robotique par apprentissage par renforcement à base d'agents

Traduction en cours. Ce papier de recherche s'attaque à un problème central de la manipulation robotique : la fragilité d'exécution face à l'incertitude et aux tâches longues, où une petite déviation peut faire échouer toute une séquence d'actions. Les modèles vision-langage-action (VLA) actuels, malgré leurs bonnes capacités de généralisation, manquent de mécanismes explicites pour détecter qu'une exécution dérape et pour s'en remettre. Les auteurs proposent deux contributions complémentaires : des métriques permettant d'évaluer en temps réel la qualité de l'exécution, et un cadre d'apprentissage par renforcement dit "agentique", où une politique de haut niveau observe l'historique récent d'exécution et choisit parmi un petit ensemble de modes d'exécution pour réguler le comportement du robot. Plutôt que de réapprendre directement les actions bas niveau, cette politique déclenche des mécanismes de récupération qui ramènent le robot vers des états nominaux déjà visités, permettant à la tâche de reprendre son cours. Testée sur le benchmark LIBERO, la méthode améliore le taux de réussite jusqu'à 13,7% en conditions standards, et jusqu'à 39,2% en conditions perturbées. L'enjeu dépasse la simple performance chiffrée : c'est une réponse directe à l'écart entre démonstration et réalité qui pénalise l'industrie humanoïde et les intégrateurs. Un modèle VLA capable d'enchaîner des tâches en laboratoire s'effondre souvent dès qu'un objet glisse, qu'un capteur bruite, ou qu'une perturbation externe survient sur une ligne réelle. En ajoutant une couche de supervision qui détecte la dérive et enclenche une correction plutôt que de laisser le modèle bas niveau tenter d'improviser, cette approche s'attaque directement à la robustesse, le principal frein à la mise en production de bras manipulateurs et d'humanoïdes en environnement industriel non contrôlé. Le gain nettement plus marqué en conditions perturbées (39,2%) qu'en conditions standards (13,7%) suggère que le bénéfice réel se manifeste précisément là où les décideurs B2B en ont besoin: en présence d'aléas, pas en démo scriptée. Ce travail s'inscrit dans la lignée des recherches récentes sur les modèles VLA généralistes (dans la veine de Pi-0 ou GR00T N2), qui ont démontré une capacité de généralisation impressionnante mais restent critiqués pour leur manque de garanties d'exécution en conditions réelles. En séparant la décision de haut niveau (quel mode d'exécution adopter) de l'apprentissage bas niveau des actions, les auteurs évitent de devoir réentraîner l'ensemble du modèle VLA pour gagner en robustesse, une approche modulaire qui pourrait s'intégrer à des piles existantes plutôt que les remplacer. Reste à voir si cette architecture agentique se transpose au-delà du benchmark simulé LIBERO vers des déploiements physiques réels, où la latence de décision et la diversité des modes de défaillance sont bien plus complexes qu'en simulation.

RecherchePaper

1 source

3arXiv cs.RO

Apprentissage par renforcement avec estimateur de dynamique interne pour la manipulation aérienne en environnement incertain

Des chercheurs ont publié sur arXiv (preprint 2606.16621) une architecture de contrôle hiérarchique pour manipulateurs aériens, visant à résoudre l'un des problèmes les plus épineux de la robotique de terrain : faire travailler un bras articulé monté sur drone sans que les mouvements du bras ne déstabilisent l'engin, même quand la charge utile varie de façon imprévue. Le système combine un apprentissage par renforcement (RL) en boucle externe avec un estimateur de dynamique en boucle interne. La couche RL traduit des cibles en 6 degrés de liberté (DOF) pour l'effecteur terminal en commandes coordonnées pour l'ensemble du corps de l'engin, sans nécessiter un modèle dynamique couplé précis. La boucle interne prend le relais pour compenser en temps réel les perturbations inertielles transitoires, notamment lors de changements brusques de payload ou de mouvements rapides du bras à 3-DOF. Les expériences matérielles ont été conduites sur un quadrotor instrumenté à cet effet, dans des conditions de charge variable. Comparée à deux baselines de référence (RL+PID et RL+INDI+PID), l'approche réduit l'erreur de suivi de l'effecteur terminal et améliore le taux de succès des tâches. Ce résultat est pertinent parce que le couplage dynamique bras-drone reste le principal frein à la manipulation aérienne fiable en conditions réelles : chaque mouvement du bras modifie le centre de masse et génère des couples parasites que les contrôleurs classiques peinent à absorber. En séparant la couche d'apprentissage (qui gère la coordination tâche-corps) de la couche d'estimation (qui absorbe les incertitudes à basse latence), les auteurs proposent une architecture modulaire qui ne dépend pas d'un modèle système précis, ce qui simplifie le passage du simulateur au matériel réel. Pour les intégrateurs industriels qui ciblent l'inspection de structures, la maintenance d'infrastructures ou la construction en hauteur, c'est un verrou technique concret qui se desserre. Le domaine de la manipulation aérienne est encore largement académique, avec des contributions dispersées entre laboratoires européens, américains et asiatiques, sans acteur dominant identifié à ce stade. Côté français, Alerion et quelques spin-offs de l'ISAE-SUPAERO ou de l'ENAC travaillent sur des drones à haute précision, mais sans manipulateur embarqué à ce niveau de sophistication. Ce travail reste un preprint non encore soumis à revue par les pairs, et les expériences rapportées portent sur un prototype unique dans un environnement contrôlé. Les métriques de succès ne sont pas détaillées quantitativement dans le résumé disponible, ce qui rend difficile toute comparaison directe avec l'état de l'art publié. La prochaine étape logique serait une validation sur des tâches réelles en extérieur avec des charges plus lourdes.

UELes laboratoires français actifs sur les drones de précision (Alerion, ISAE-SUPAERO, ENAC) pourraient s'appuyer sur cette architecture modulaire pour progresser vers la manipulation aérienne embarquée, mais aucun impact direct n'est établi à ce stade.

RecherchePaper

1 source

4arXiv cs.RO

AtomicRL : apprentissage par renforcement atomique pour la manipulation robotique à long horizon

AtomicRL, un framework de post-entraînement par apprentissage par renforcement (RL) pour modèles vision-langage-action (VLA), est présenté dans une prépublication arXiv (2610.30097v1). Les auteurs partent d'un constat : l'apprentissage par imitation seul peine à maîtriser les compétences de manipulation longues, et les méthodes VLA-RL existantes souffrent d'une attribution du crédit tardive et biaisée, car elles reposent sur des récompenses éparses calculées à l'échelle de la trajectoire entière. AtomicRL exploite la structure en sous-tâches atomiques avec deux briques. La première, SAPO (Semantic-Aware Policy Optimization), utilise un filtrage sémantique pour empêcher les résidus TD d'une sous-tâche échouée de se propager aux suivantes, tout en conservant l'attribution du crédit au sein de chaque sous-tâche. La seconde, BATE (Bottleneck-Adaptive Target Exploration), ajuste l'échantillonnage des tâches et les incitations à l'exploration locale selon le niveau de maîtrise de chaque sous-tâche. Un pipeline Real2Sim2Real relie l'entraînement RL en simulation au déploiement sur robot physique. Sur LIBERO-LONG, le gain absolu atteint 3,6 % et 4,0 % face à PPO sur deux architectures VLA. Sur CALVIN ABC-D, la performance sur la tâche complète progresse jusqu'à 9,5 %. Avec Real2Sim2Real, les tâches réelles gagnent en moyenne 21,3 %. L'intérêt tient moins aux gains en simulation, modestes, qu'à la méthode. Le goulot d'étranglement de la manipulation longue est souvent une sous-tâche faible dont l'échec invalide toute la séquence. Un signal de crédit plus fin et un échantillonnage qui cible ces faiblesses répondent à un problème que rencontrent les intégrateurs dès qu'ils enchaînent des étapes d'assemblage ou de kitting. Le gain réel moyen de 21,3 % est le chiffre le plus parlant, mais il appelle de la prudence. Le résumé ne donne ni le nombre de tâches, ni le robot, ni le nombre d'essais, ni la référence de comparaison, ce qui empêche d'en juger la portée. LIBERO et CALVIN restent des benchmarks académiques en simulation, loin des variabilités d'une ligne de production. Il s'agit d'un résultat de recherche, sans produit ni déploiement industriel. Ce travail s'inscrit dans la tendance du RL appliqué aux VLA après un pré-entraînement par imitation. Il suit des approches comme les variantes de PPO pour VLA, dont AtomicRL fait sa référence principale. Les acteurs industriels qui misent sur des VLA généralistes, tels que Physical Intelligence avec Pi-0, NVIDIA avec GR00T ou Figure avec Helix, restent confrontés au même écart entre imitation et robustesse en conditions réelles. La décomposition en compétences atomiques rejoint aussi les architectures hiérarchiques utilisées par plusieurs acteurs européens pour fiabiliser des enchaînements de tâches. Les prochaines étapes à surveiller sont la publication du code, des résultats sur des plateformes variées et des validations sur des tâches industrielles à plus long horizon, avec des statistiques détaillées de réussite et de temps de cycle.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source