RecherchearXiv cs.RO 9 novembre 2026

ForPC : contrôle du corps entier sensible aux forces pour une poussée précise de chariot par un robot humanoïde

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

ForPC, un cadre de contrôle du corps entier sensible aux forces, vise à permettre à un humanoïde de pousser précisément un chariot. Il a été validé en simulation, puis sur un Unitree G1 réel, qui pousse un chariot chargé jusqu'à 30 kg à 0,5 m/s. Les auteurs l'ont posté sur arXiv (2611.08664). Le système repose sur un apprentissage par renforcement en deux étapes. Une politique de locomotion de base est d'abord entraînée sous des charges variables aux mains et des postures de haut du corps différentes, afin d'assurer l'équilibre. Un latent de force et un latent d'état sont ensuite inférés à partir des seules observations embarquées, sans capteur de force externe. Ils alimentent une politique résiduelle qui coordonne des ajustements bornés des bras, de la taille et des jambes avec les commandes de vitesse de la base. Les récompenses multi-objectifs pénalisent l'opposition interne entre les deux mains, le glissement de la prise et la saturation des actionneurs. La politique applique ainsi la force de contact à la demande, sans démonstrations humaines. En simulation à simulation, ForPC réduit l'erreur RMSE de vitesse du chariot jusqu'à 68,2 % par rapport à une base de locomotion seule, et l'erreur transversale jusqu'à 74,2 % sur un parcours à virages multiples. La politique, entraînée uniquement en simulation, est transférée au G1 sans entraînement réel ni réglage fin, et sans ajustement propre à la charge.

L'intérêt tient au problème traité. Pousser un chariot à deux mains ferme une boucle couplée en force : les efforts de contact qui font avancer le chariot perturbent aussi l'équilibre du robot, et toute variation de charge modifie cette dynamique. Un contrôleur de marche classique, qui traite ces efforts comme des perturbations, atteint vite ses limites, ce que reflète l'écart mesuré avec la base de locomotion seule. Pour les intégrateurs et les responsables logistiques, la promesse est de manipuler des charges lourdes avec des chariots à roues existants, sans réaménager le site. L'absence de capteur de force externe compte aussi : elle limite le coût et la fragilité matérielle. Le résultat montre qu'un transfert sim-to-real peut fonctionner sur une tâche de contact prolongé, pas seulement sur la marche ou le saut. Il faut toutefois relativiser. Les gains de 68 % et 74 % sont des maxima, obtenus en simulation contre une seule base de comparaison. Les 30 kg à 0,5 m/s, soit 1,8 km/h, restent loin d'un débit industriel. Aucun essai de longue durée, sur sols variés ou en environnement encombré n'est rapporté dans le résumé.

Le travail s'inscrit dans la course à la manipulation du corps entier sur humanoïdes, où l'apprentissage par renforcement entraîné en simulation sert de plus en plus de couche de contrôle bas niveau. Le Unitree G1, humanoïde d'entrée de gamme très répandu en recherche, est devenu une plateforme de référence pour ce type de validation, ce qui facilite la reproduction. Les acteurs industriels, Figure, Agility Robotics ou Tesla, ciblent la logistique et la manutention, mais communiquent peu sur le pilotage de chariots. Aucun déploiement ni calendrier commercial n'est annoncé ici : il s'agit d'une preuve de concept académique. Les suites logiques seraient des charges plus élevées, des vitesses supérieures, des trajectoires dynamiques avec obstacles et des essais en conditions réelles d'entrepôt ou d'hôpital.

Dans nos dossiers

Unitree Agility Robotics — Digit arXiv cs.RO

À lire aussi

1arXiv cs.RO

Contrôle du corps entier d'un robot humanoïde par tokenisation stochastique des mouvements

Des chercheurs proposent une méthode de contrôle du corps entier pour humanoïdes fondée sur une tokenisation stochastique du mouvement, décrite dans un preprint arXiv (2610.36452v1). L'équipe cible une limite des politiques d'apprentissage par renforcement (RL) pilotées en vitesse, efficaces pour les quadrupèdes mais trop pauvres comme interface pour des mouvements complexes d'humanoïde. Leur approche utilise des représentations compactes du mouvement, générées par un contrôleur de haut niveau à partir d'une étiquette de comportement ou d'une commande textuelle. Ces représentations alimentent directement une politique de suivi qui reçoit ainsi une référence de mouvement détaillée. Le tokenizer stochastique reconstruit les mouvements du Unitree G1 mieux que la quantification scalaire finie (FSQ) et l'autoencodeur à quantification vectorielle (VQ-VAE), à capacité égale. Sur robot physique, l'interface discrète pilote des séquences de danse, de combat et de marche générées, de 16,8 s chacune, ainsi qu'un enchaînement combat-danse de 35 s. Pour les intégrateurs et les équipes de R&D, l'intérêt tient à l'interface entre planification et exécution. Les politiques de suivi classiques voient peu du mouvement futur, ce qui les empêche de dévier de façon contrôlée pour réussir une tâche à long terme ou de préparer une transition entre deux comportements. Un jeton de mouvement conditionné par texte ou par label offre un point d'entrée commun pour des modèles de langage ou des VLA (modèles vision-langage-action), sans recourir à une simple commande de vitesse. Les résultats restent toutefois à relativiser. Ils portent sur une seule plateforme, le G1, et sur des séquences de moins de 40 s. Le résumé ne donne aucun chiffre de taux de réussite, de robustesse ni de latence. Il ne mentionne pas non plus de manipulation, de charge utile ou de déploiement industriel. Il s'agit d'une démonstration de recherche sur des mouvements expressifs. Elle ne prouve pas encore une fiabilité exploitable en production. Ce travail s'inscrit dans la course à la commande généraliste des humanoïdes. Le G1, relativement abordable, est devenu la plateforme standard des laboratoires, et le suivi de mouvements humains par RL s'est généralisé dans l'académie comme chez les acteurs industriels. La tokenisation discrète du mouvement vient du monde de la génération de mouvements, où VQ-VAE et FSQ sont des références. Les auteurs s'en servent comme pont avec les politiques de contrôle. Les prochaines étapes à surveiller sont la validation sur d'autres morphologies, l'ajout de tâches de locomotion-manipulation et la mesure de la robustesse face aux perturbations. Le texte ne cite aucun pilote commercial ni calendrier. Il faudra donc attendre le code, les vidéos non sélectionnées et des comparaisons directes avec les contrôleurs concurrents pour juger de l'apport réel.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

2arXiv cs.RO

Suivi précis de l'effecteur final en SE(3) dans le contrôle du corps entier des humanoïdes

Des chercheurs ont présenté ResGAC, un contrôleur de corps entier pour humanoïde conçu pour suivre avec précision la pose d'un effecteur terminal dans SE(3), c'est-à-dire en position et en orientation. Décrit dans un préprint arXiv (2610.09479), le système associe un contrôle d'admittance géométrique (GAC) à de l'apprentissage par renforcement résiduel. Le GAC fournit un retour d'information structuré dans l'espace de la tâche et produit les consignes nominales de position articulaire des bras. Le réseau résiduel compense les dynamiques non modélisées et coordonne la locomotion et l'équilibre dans le même espace d'action, celui des positions articulaires. La validation a eu lieu sur un Unitree G1 réel, sur quatre bancs d'essai de suivi en position debout. ResGAC y obtient des erreurs de translation et de rotation inférieures à celles de plusieurs références, dont SONIC. Dans une tâche d'insertion de cheville dans un trou (peg-in-hole) en position debout, il atteint 90 % de réussite, contre 50 % pour SONIC. Il assure aussi un suivi précis de la pose de l'effecteur dans le repère monde pendant des mouvements du bas du corps. Le résultat touche un point faible connu de la manipulation humanoïde. Les politiques apprises de bout en bout, de type VLA ou suivi de mouvement, savent produire des comportements variés, mais elles tiennent mal la précision centimétrique ou millimétrique, car les oscillations de la base flottante, la gravité, le couplage dynamique et les perturbations de la marche se transmettent à la main. La tâche de peg-in-hole a ici valeur de test, puisqu'elle exige cette précision. Un taux de 90 % contre 50 % suggère qu'une structure géométrique explicite, combinée à un résiduel appris, peut combler une partie de l'écart entre démonstration et fiabilité industrielle. Une réserve s'impose : la validation porte sur un seul robot, le G1, plateforme de recherche peu coûteuse, et sur des essais statiques en position debout. Le nombre d'essais et la dispersion des résultats ne figurent pas dans le résumé, et les vidéos fournies sont par nature sélectionnées. La marche avec manipulation de précision n'est démontrée que pour le suivi en repère monde, pas pour des tâches d'assemblage. L'idée centrale est une formulation géométrique invariante à gauche, qui permet d'appliquer la même loi GAC dans différents repères de manipulation. Les auteurs l'exploitent avec un repère de cap attaché au sol : il conserve la locomotion planaire mais retire le roulis, le tangage et le pompage du bassin de la référence de manipulation. Les mouvements du bassin se propagent alors moins vers l'effecteur désiré. SONIC, la référence principale, représente l'approche de suivi de mouvement généraliste pour humanoïdes, que ce travail cherche à dépasser sur la précision. La suite logique serait de passer à des plateformes plus grandes, à des charges utiles réelles et à des tâches d'assemblage en marchant, ce que l'article ne démontre pas. Les vidéos et le code sont annoncés sur le site du projet resgac.github.io.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source

3arXiv cs.RO

BAT : concilier agilité et stabilité par commutation de politiques en ligne pour le contrôle du corps entier d'un robot humanoïde sur de longs horizons

Des chercheurs proposent BAT, un cadre de commutation de politiques en ligne pour le contrôle du corps entier d'humanoïdes sur de longs enchaînements de mouvements. Le travail, publié sur arXiv (2604.01064, version 2), part d'un constat : les approches existantes suivent deux paradigmes. Les politiques couplées coordonnent tout le corps de façon globale, tandis que les politiques découplées traitent chaque module séparément pour gagner en précision. BAT choisit dynamiquement entre deux contrôleurs généralistes entraînés par apprentissage par renforcement, l'un couplé et l'autre découplé, selon le contexte du mouvement en cours. Deux prédicteurs de commutation travaillent en parallèle. OpVQ-VAE s'appuie sur des « tokens » de mouvement et généralise bien. OpHRL est un prédicteur en boucle fermée qui tient compte de l'état du robot. Un routeur de familiarité des tokens (Token-Familiarity Router) arbitre lorsque les deux divergent : il privilégie OpHRL pour les séquences de tokens connues et OpVQ-VAE pour les séquences inédites. Les auteurs annoncent 85,2 % de réussite sur des combinaisons de mouvements longues déjà vues à l'entraînement, et 71,3 % sur des mouvements jamais rencontrés. Ils rapportent aussi de meilleurs résultats que les contrôleurs corps entier existants sur les mouvements pris isolément, ainsi qu'un déploiement zéro-shot sur le Unitree G1. L'intérêt pratique tient au compromis que les équipes rencontrent sans cesse. Une politique couplée donne des gestes dynamiques et agiles, comme des sauts ou des mouvements amples, mais elle perd en précision. Une politique découplée manipule ou positionne mieux, mais elle devient moins robuste quand le mouvement exige une coordination globale. Plutôt que de chercher un contrôleur unique qui concilie tout, BAT montre qu'on peut combiner des spécialistes et basculer entre eux à l'exécution. Le point à surveiller est l'écart entre mouvements vus et inédits : 85,2 % contre 71,3 %, soit près de 14 points perdus, ce qui reste loin de la fiabilité attendue en production. Ces chiffres viennent de benchmarks de recherche, sans durée de tâche, nombre d'essais ni conditions détaillés dans le résumé. Le transfert zéro-shot sur G1 est encourageant, mais rien ne dit qu'il couvre toute la distribution de mouvements testée en simulation. Ce travail s'inscrit dans la vague des contrôleurs généralistes corps entier pour humanoïdes, nourrie par l'apprentissage par renforcement en simulation et l'imitation de mouvements humains. Le Unitree G1, peu coûteux et très répandu dans les laboratoires, sert désormais de plateforme de référence pour valider ces méthodes. Les auteurs ne se positionnent pas ici face aux modèles VLA commerciaux (Figure, Tesla, NVIDIA), car BAT agit à la couche basse de contrôle, pas au niveau du raisonnement ou de la planification. Cette couche reste pourtant un goulot d'étranglement pour passer des démonstrations à des tâches longues et enchaînées. La version 2 laisse penser que l'article a été révisé après relecture. Les suites logiques seraient des tests sur d'autres plateformes, des tâches de manipulation plus longues et une mesure de la robustesse hors laboratoire. Aucun calendrier de déploiement industriel n'est annoncé.

RecherchePaper

1 source

4arXiv cs.RO

HULK : apprendre la locomanipulation de force du corps entier pour les robots humanoïdes

Des chercheurs ont publié sur arXiv (octobre 2026) HULK, un cadre de contrôle du corps entier destiné à la manipulation locomotrice « avec force » sur robots humanoïdes, c'est-à-dire le transport d'objets volumineux et lourds. Le principe repose sur une commande prédictive (MPC) qui guide l'apprentissage par renforcement grâce à des prédictions de la dynamique en charge. Deux politiques « enseignantes » sont entraînées : l'une suit des mouvements de bras sous forces appliquées aux poignets, l'autre marche en tenant un grand objet plaqué contre le corps. Une fonction barrière de contrôle fondée sur le « capture point » vient renforcer l'enseignante des poignets pendant l'entraînement pour préserver l'équilibre sous charge. Les deux enseignantes sont ensuite distillées en une seule politique. L'évaluation couvre la simulation et le Unitree G1. En simulation, l'enseignante dotée de la barrière affiche les erreurs de suivi de vitesse avant et latérale les plus faibles parmi les contrôleurs comparés, à 10 kg par bras, et réduit de 35,7 % l'excursion agrégée du mouvement divergent (DCM) par rapport au seul apprentissage guidé par MPC. Elle résiste à des poussées sur le torse allant jusqu'à 130 N. L'intérêt tient au problème ciblé. La plupart des politiques de locomotion apprises pour humanoïdes sont entraînées à vide ou avec des charges légères, alors que les usages logistiques et industriels impliquent des caisses, bacs ou cartons qui déplacent le centre de masse et imposent un effort soutenu sur tout le haut du corps. En injectant la dynamique chargée dans l'entraînement, HULK s'attaque à l'un des écarts entre démonstrations et exploitation réelle. Le chiffre de 10 kg par bras reste toutefois à relativiser : il est obtenu en simulation, sur une plateforme G1 de taille et de puissance modestes, et l'article ne fournit, dans ce résumé, ni temps de cycle, ni taux de réussite sur matériel, ni durée de port. La réduction de 35,7 % du DCM est un gain relatif entre variantes de la même méthode, pas une performance absolue. La preuve d'une robustesse en conditions réelles, avec des objets variés et des sols imparfaits, reste à faire. HULK s'inscrit dans la vague des approches « teacher-student » et de contrôle du corps entier par apprentissage, déjà largement testées sur le G1 pour la marche, le saut ou les mouvements expressifs, et dans la recherche de bases communes entre MPC, qui apporte des garanties physiques, et RL, qui apporte la robustesse. Les acteurs industriels, dont Figure, Tesla avec Optimus et Agility, visent des charges utiles plus élevées sur des machines propriétaires, sans publier leurs méthodes de contrôle. Ici, il s'agit d'une contribution académique, sans produit ni pilote annoncé. La suite logique serait un transfert sur des humanoïdes plus grands et des charges réelles plus lourdes, avec des mesures publiées sur matériel.

UEPas d\'impact direct sur la France/UE

RecherchePaper

1 source