RechercheInteresting Engineering 4 novembre 2026

Des équipes américaines veulent mesurer les roches enfouies sur Mars grâce aux vibrations

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs de Virginia Tech ont mis au point une méthode qui combine vibrations mécaniques et intelligence artificielle pour estimer la profondeur d'enfouissement d'une roche sans creuser le sol. Les travaux, publiés dans l'IEEE Sensors Journal, sont menés par Erik Komendera, professeur assistant en génie mécanique et ancien ingénieur au centre NASA Langley, avec la doctorante Yiyan Ruan. Le dispositif expérimental repose sur 18 blocs de béton de formes et de tailles variées, enterrés à différentes profondeurs dans du sable. Les chercheurs frappent la partie exposée de chaque bloc avec un marteau instrumenté. Un vibromètre laser Doppler à balayage mesure ensuite les vibrations à distance, sans capteur fixé sur la roche. Les données vibratoires et la géométrie visible alimentent un réseau de neurones compact, limité à deux couches cachées, entraîné à estimer la profondeur d'enfouissement. Les auteurs parlent d'une précision élevée, mais l'article ne donne aucune valeur chiffrée d'erreur.

L'enjeu est très concret pour l'excavation robotisée. Une roche qui paraît mobile en surface peut n'être que la pointe d'un gros bloc enterré. La déplacer ou la fragmenter risque alors d'endommager l'outil et de gaspiller une énergie précieuse, deux contraintes critiques pour un robot isolé sur une autre planète. Un opérateur humain sur un chantier terrestre juge d'instinct si une pierre est posée ou profondément ancrée, alors qu'un robot a besoin de données de capteurs pour décider. Une mesure sans contact, sans destruction du sol, ouvre donc la voie à une planification plus sûre du dégagement de terrain, par exemple pour préparer une zone d'atterrissage ou une excavation. Il faut toutefois rester prudent : le protocole en laboratoire, avec du béton dans du sable, reste très éloigné de la géologie martienne, où la rigidité du sol, l'angle de frappe et la nature de la roche modifient fortement la réponse vibratoire. Ces facteurs, que Ruan cite elle-même comme sources de variation, limitent pour l'instant la portée des résultats.

Ce travail s'inscrit dans les besoins de robotique d'exploration, où l'élévation, la rugosité et la hauteur des roches déterminent la sécurité d'un atterrissage, et où un petit excavateur pourrait déplacer ou entamer un obstacle. Il s'agit d'une recherche académique, sans produit ni calendrier de mission annoncés. La prochaine étape consiste à enrichir la base de données avant tout essai de terrain. L'équipe envisage aussi des usages terrestres : analyse de formations rocheuses instables, cartographie de cavités souterraines et repérage de dangers structurels cachés lors du déblaiement après une catastrophe. Les prochains jalons à surveiller seront le passage à des roches naturelles, des sols plus variés et un outil de frappe embarqué sur un robot, faute de quoi la méthode restera une démonstration de laboratoire.

Impact France/UE

Pas d\'impact direct sur la France/UE

À lire aussi

1arXiv cs.RO

Des mots aux motivations : un cadre multimodal pour aligner les robots autonomes sur les intentions humaines

Des chercheurs proposent, dans un preprint arXiv (2610.35629), un cadre multimodal destiné à aligner le comportement de robots autonomes à apprentissage ouvert sur les intentions de leurs utilisateurs humains. Le système s'appuie sur des grands modèles de langage (LLM) et des modèles vision-langage (VLM), présentés comme des « vecteurs culturels » apportant des connaissances générales sur le monde. Il transforme des objectifs exprimés en langage naturel en composantes motivationnelles de l'architecture du robot, sous forme de missions et de « drives » (pulsions internes) qui orientent son comportement. L'architecture compte trois couches : alignement sémantique, génération de missions et modélisation des drives. Elle fonctionne en boucle bidirectionnelle. L'humain fixe un but de haut niveau, le robot le décline en missions exécutables à l'aide d'informations multimodales relayées par les LLM et VLM, puis le retour de l'humain maintient l'alignement. Les tests ont eu lieu en simulation et sur un robot physique. Le résumé ne donne ni modèle de robot, ni nom de LLM ou de VLM, ni métrique chiffrée, ni taux de réussite. L'enjeu touche un point faible des robots qui génèrent eux-mêmes leurs compétences et leurs objectifs en interagissant avec leur environnement. Rien ne garantit que ces objectifs restent pertinents pour l'utilisateur. Pour un intégrateur ou un responsable d'exploitation, c'est la question de la gouvernance d'un robot qui apprend en continu : comment orienter ses priorités sans reprogrammer chaque tâche ? Les auteurs avancent que le langage naturel peut servir d'interface de pilotage de la motivation, et pas seulement d'ordres ponctuels, comme le font les approches VLA (vision-langage-action). Il faut toutefois rester prudent. Le résumé indique seulement que le processus produit des missions et des comportements « valides », sans mesurer la robustesse, la latence ni la dérive des objectifs sur la durée. Le passage de la simulation et d'un seul robot physique à un déploiement industriel reste donc entièrement à démontrer. Il s'agit de recherche académique, pas d'un produit ni d'un pilote. Ce travail s'inscrit dans la lignée de l'apprentissage ouvert et de la robotique développementale, où les robots se fixent leurs propres buts par motivation intrinsèque. L'arrivée des LLM a ouvert une nouvelle voie, celle d'un « sens commun » externe pour cadrer ces buts. Plusieurs approches concurrentes utilisent déjà des modèles de langage pour planifier des tâches ou définir des fonctions de récompense. La proposition ici se distingue en visant la couche motivationnelle plutôt que la seule planification. Les prochaines étapes naturelles seraient des essais sur des plateformes variées, des comparaisons chiffrées avec ces méthodes et des tests en conditions réelles avec des utilisateurs non experts. Aucun calendrier ni partenaire industriel n'est annoncé, et aucun acteur français ou européen n'est cité dans le résumé.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

2Interesting Engineering

Une équipe américaine combine jumeaux numériques et VR pour améliorer les performances de robots lunaires

Des chercheurs de l'Université du Colorado Boulder (CU Boulder) ont développé un système combinant jumeau numérique et réalité virtuelle immersive pour entraîner les opérateurs de robots lunaires. Le dispositif s'articule autour d'Armstrong, un petit robot à trois roues équipé d'un bras articulé et d'une pince, actuellement testé en laboratoire. Son jumeau numérique, construit sous Unity et calibré pour reproduire fidèlement les dynamiques de mouvement et les interactions avec les objets, est couplé à une interface VR en vue à la première personne via les caméras embarquées. Les expérimentations réalisées montrent que les opérateurs formés d'abord dans l'environnement virtuel accomplissent les tâches de manipulation d'objets significativement plus vite et déclarent un niveau de stress nettement inférieur à ceux formés directement sur le robot physique. Le système reste à ce stade confiné au laboratoire : aucun déploiement lunaire ni test en conditions extérieures n'est annoncé. L'enjeu est concret pour les missions lunaires à venir : sur la Lune, une erreur de manipulation peut mettre hors service un rover valant plusieurs millions de dollars, dans un environnement où la faible gravité (un sixième de celle de la Terre), les cratères, les zones d'ombre permanentes et la poussière abrasive compliquent chaque opération. La démonstration que la formation sur jumeau numérique transfère efficacement vers le matériel physique constitue une validation utile dans un domaine où ce "sim-to-real gap" reste souvent problématique. Pour les agences spatiales et les intégrateurs, cela ouvre une voie vers la standardisation des protocoles de formation sans mobiliser de hardware coûteux ni risquer d'endommager des systèmes critiques. L'équipe souligne également le potentiel pour libérer le temps EVA des astronautes, ressource particulièrement contrainte sur la surface lunaire. Le projet s'inscrit dans la préparation à l'architecture Artemis de la NASA, qui cible un retour humain sur la Lune à partir de 2027 avec un fort volet co-opération homme-robot pour la construction d'habitats et la recherche scientifique. CU Boulder n'est pas le seul acteur sur ce créneau : le MIT, Carnegie Mellon et l'ESA développent des systèmes analogues, tandis que des entreprises comme Astrobotic ou ispace misent davantage sur l'autonomie embarquée sans interface VR opérateur. L'équipe travaille désormais à des simulations lunaires avancées intégrant le comportement de la poussière, l'éclairage rasant et le terrain irrégulier, trois facteurs jugés parmi les plus difficiles à modéliser fidèlement. Les prochaines étapes prévoient de tester la coordination de flottes de robots opérant en parallèle, capacité jugée indispensable pour les bases lunaires permanentes envisagées à l'horizon 2030-2035.

UEL'ESA développe des systèmes analogues de formation sur jumeau numérique pour la téléopération lunaire, ce qui pourrait créer des synergies avec les acteurs européens impliqués dans Artemis, mais sans impact direct sur l'industrie robotique française à ce stade.

RecherchePaper

1 source

3arXiv cs.RO

Pulvérisation adaptative de pesticides pour robots agricoles selon la météo et le terrain, grâce aux modèles vision-langage

Des chercheurs proposent, dans une préimpression arXiv (2610.08807), un cadre de pulvérisation adaptative pour robots agricoles fondé sur des modèles vision-langage (VLM). Le système fusionne plusieurs sources : le type de culture identifié par la caméra, le type de pesticide appliqué et les données météorologiques, notamment la température et la vitesse du vent. À partir de ces entrées, le VLM raisonne spatialement et décide du volume de produit à pulvériser et de la vitesse d'avance. L'exécution repose sur un contrôleur de suivi de trajectoire de type MPPI (Model Predictive Path Integral), qui assure la navigation le long des rangs et le déclenchement précis de la pulvérisation aux emplacements des plants. Les auteurs annoncent un gain de précision d'au moins 30 % dans la détection des rangs de culture par rapport aux méthodes comparées. Deux environnements d'essai ont montré que le robot ajuste son volume de pulvérisation et sa vitesse, avec une réduction de la dérive des pesticides. Le résumé ne donne ni le nom du robot, ni les modèles de VLM utilisés, ni les surfaces testées, ni les volumes économisés. L'intérêt tient au déplacement du problème. La plupart des robots de pulvérisation de précision se concentrent sur la détection des cultures et appliquent ensuite des paramètres fixes, définis à l'avance. Un opérateur humain, lui, module sa dose et son allure selon le vent, la chaleur, la parcelle et le produit, car ces variables déterminent la dérive, l'uniformité du dépôt et donc l'efficacité du traitement. Utiliser un VLM comme couche de décision contextuelle revient à tester si ce raisonnement de « bon sens agronomique » peut être confié à un modèle généraliste, sans règles codées à la main pour chaque combinaison culture, produit et météo. Pour les constructeurs et les exploitants, l'enjeu est double : moins de produit phytosanitaire gaspillé ou emporté hors parcelle, et une pression réglementaire à la baisse sur les intrants. Les limites sont à garder en tête. Le gain de 30 % porte sur la détection des rangs, pas sur la qualité agronomique du traitement. Les résultats de deux environnements d'essai ne disent rien de la robustesse en conditions réelles, ni de la latence d'inférence d'un VLM embarqué, ni de la fiabilité face à des erreurs de raisonnement du modèle sur des doses de produits chimiques. Ce travail s'inscrit dans la convergence entre robotique agricole et modèles fondationnels, déjà visible dans la manipulation avec les VLA (vision-language-action). Il côtoie des acteurs commerciaux de la pulvérisation ciblée, comme Carbon Robotics avec le désherbage laser, Blue River (John Deere) avec See & Spray, ou, en Europe, des acteurs comme Naïo Technologies ou FarmDroid, qui misent sur la détection plutôt que sur l'adaptation contextuelle. MPPI, méthode de contrôle par échantillonnage, est un choix répandu pour la navigation robuste en terrain irrégulier. Les prochaines étapes logiques seraient des essais en plein champ sur plusieurs saisons, une comparaison chiffrée avec des opérateurs humains et une mesure directe de la dérive et de la consommation de produit. À ce stade, il s'agit d'une démonstration académique, sans produit ni pilote annoncé.

UEIntérêt indirect pour la robotique agricole européenne (Naïo Technologies, FarmDroid) et la réduction des intrants phytosanitaires, mais il s'agit d'une démonstration académique sans acteur ni pilote européen.

RecherchePaper

1 source

4arXiv cs.RO

Robots acquièrent des compétences de manipulation en secondes grâce à une seule vidéo humaine

Des chercheurs ont présenté HOST (Human-to-robot One-Shot Skill AcquisiTion), un framework permettant à un robot d'acquérir une nouvelle compétence de manipulation à partir d'une seule vidéo humaine, en 29 secondes en moyenne au moment de l'inférence. Le système fonctionne par une cascade de prédictions auto-référencées : il estime d'abord la progression du robot dans la tâche démontrée, traduit cette progression en observations futures propres à l'embodiment du robot, puis en déduit les actions à exécuter. L'entraînement de cette cascade s'appuie sur une correspondance entre la trajectoire du robot et la vidéo de démonstration, projetées sur une même variété de progression de tâche, ce qui permet d'aligner les cibles d'apprentissage sur le déroulé futur de la vidéo. Sur les tâches testées, HOST atteint un taux de réussite moyen de 62%, soit 45 points de plus qu'une baseline zero-shot, tout en conservant les compétences déjà maîtrisées par le robot. Ce résultat s'attaque directement à un goulot d'étranglement connu du secteur de la robotique manipulatrice : les méthodes actuelles d'apprentissage de compétences reposent sur des boucles d'entraînement lourdes et coûteuses, qui en plus dégradent souvent les compétences précédemment acquises à chaque nouvel apprentissage (le problème dit du "catastrophic forgetting"). En affichant des performances supérieures à une baseline fine-tunée sur 50 démonstrations robot par tâche, tout en n'utilisant qu'une seule vidéo humaine et 507 fois moins de temps d'acquisition, HOST illustre une piste concrète pour réduire drastiquement le coût de déploiement des VLA (vision-language-action models) en environnement industriel réel, un enjeu central pour les intégrateurs qui doivent reconfigurer rapidement des cellules robotiques sur de nouvelles références produit sans campagne de collecte de données coûteuse. Cette approche s'inscrit dans la lignée des travaux récents sur l'apprentissage par imitation cross-embodiment, où des modèles comme GR00T N2 ou Pi-0 cherchent également à exploiter des données humaines ou hétérogènes pour accélérer l'apprentissage robotique. La contribution spécifique de HOST réside dans sa capacité à opérer en one-shot, à l'inférence, sans réentraînement du modèle sous-jacent, et sans effacer les compétences déjà en mémoire du robot. Les auteurs renvoient vers un site du projet pour des démonstrations complémentaires ; il s'agit à ce stade de résultats de recherche publiés sur arXiv, non d'un produit ou d'un déploiement industriel.

RecherchePaper

1 source