RecherchearXiv cs.RO 9 novembre 2026

Évolution de morphologies de drones pour le vol agile

1 source couvre ce sujet·Source originale ↗·

Résumé IASource uniqueImpact UE

Des chercheurs ont publié sur arXiv (version 2 de l'article 2502.01197) une étude qui remet en question la conception des drones multirotors, restée quasiment inchangée depuis leurs débuts. Ils emploient un algorithme évolutionnaire, le NSGA-II (non-dominated sorting genetic algorithm II), pour générer des morphologies de drones optimisées sur trois objectifs simultanés : le rapport poussée/poids, la maniabilité et la taille. Cette approche multi-objectif produit un front de Pareto, c'est-à-dire un ensemble de conceptions présentant différents compromis. Les extrêmes de ce front surpassent un quadricoptère standard de 489,2 % en maniabilité, de 23 % en rapport poussée/poids et de 4,8 % en taille. Chaque drone évolué bat la configuration classique sur au moins un des trois critères. Les auteurs attribuent le gain de maniabilité à l'inclinaison des moteurs, et celui de poussée au nombre plus élevé d'hélices.

L'intérêt pour l'industrie tient à la validation physique : les gains ne restent pas cantonnés à la simulation. Sur une tâche réelle de course de drones, le drone évolué dépasse le drone standard en nombre de portes franchies, en vitesse de vol et en temps au tour. Cela suggère que la conception automatisée de morphologies peut produire des gains tangibles sur du matériel réel, un point sensible pour le transfert simulation-réalité. Pour les intégrateurs et fabricants de drones d'inspection, de livraison ou de manipulation aérienne, le message est que le quadricoptère à moteurs coplanaires n'est pas forcément optimal dès lors que la mission est spécifique. Il faut toutefois nuancer : le chiffre de 489,2 % porte sur une métrique de maniabilité définie par les auteurs, à l'extrémité d'un front de Pareto, donc au détriment des autres objectifs. Il ne se traduit pas directement en performance opérationnelle. Les résultats expérimentaux semblent limités à une tâche de course, sans indication ici de volumes d'essais ni de répétabilité.

Ce travail s'inscrit dans la lignée de la conception évolutionnaire et du co-design morphologie-contrôle, un champ exploré depuis des décennies en robotique, mais encore peu appliqué aux multirotors, dont l'architecture a été figée par des raisons de simplicité mécanique, de coût et de contrôle. Il s'oppose aux approches qui améliorent surtout le contrôleur ou la politique de vol, comme l'apprentissage par renforcement en course de drones, en montrant que le gain peut aussi venir du châssis. Il s'agit d'une publication académique, sans produit ni calendrier de commercialisation annoncé. Les suites naturelles seraient l'extension à d'autres missions (charge utile, endurance, vol en environnement contraint), la prise en compte de la complexité de fabrication et de la fiabilité, ainsi qu'un contrôle adapté à des géométries non conventionnelles, qui reste le principal frein à un transfert industriel.

Dans nos dossiers

arXiv cs.RO

À lire aussi

1arXiv cs.RO

Gradients de valeur pour la conception de robots à morphologies multiples

Des chercheurs ont publié le 2 juin 2026 sur arXiv (référence 2606.00702) une méthode visant à accélérer la conception de robots via ce qu'ils nomment les "value gradients". Le principe consiste à entraîner une unique fonction de valeur issue du reinforcement learning sur un ensemble varié de morphologies robotiques, puis à utiliser cette fonction, une fois gelée, comme proxy différentiable pour optimiser de nouveaux designs sans relancer de cycle d'apprentissage complet. Les expériences portent sur des modèles entraînés sur jusqu'à 50 robots distincts, couvrant des espaces de conception de plus de 1 100 paramètres continus d'embodiment: longueurs de membres, configurations articulaires, propriétés mécaniques. La méthode a été évaluée sur des variantes perturbées d'un même robot mais aussi sur des morphologies entièrement nouvelles appartenant à des classes non vues à l'entraînement, testant ainsi sa capacité de généralisation. Le problème que ce travail adresse est central en co-conception robotique: optimiser conjointement la morphologie d'un robot et son contrôleur nécessite traditionnellement de relancer un cycle complet de reinforcement learning pour chaque design candidat, une opération computationnellement prohibitive qui freine l'exploration de l'espace de conception. En gelant la fonction de valeur après un premier entraînement généralisé, les auteurs la transforment en oracle différentiable, permettant d'optimiser directement les paramètres physiques via descente de gradient, sans resimulation coûteuse. Au-delà de l'optimisation, l'analyse des gradients permet d'identifier quels paramètres de design ou de contrôle limitent les performances, une capacité analytique précieuse pour les ingénieurs souhaitant localiser des goulots d'étranglement avant d'engager des cycles de prototypage physique coûteux. La co-conception robotique est un domaine actif depuis plusieurs années, avec des approches concurrentes allant des algorithmes évolutionnaires aux méthodes de simulation physique différentiable explorées notamment par MIT CSAIL, ETH Zurich ou Google DeepMind. La particularité de cette contribution est de ne pas exiger de simulateur différentiable lors de l'optimisation: seule la fonction de valeur préentraînée suffit, la rendant potentiellement compatible avec des pipelines de simulation standard non différentiables. Les suites naturelles concernent l'extension à des espaces de conception encore plus larges, des tâches multi-objectifs et des morphologies plus complexes comme les manipulateurs industriels ou les humanoïdes. Il s'agit à ce stade d'une contribution purement académique, sans partenariat industriel ni déploiement annoncé.

RecherchePaper

1 source

2arXiv cs.RO

PolyMorph : apprentissage d'une politique de locomotion pour l'adaptation à plusieurs morphologies

PolyMorph est un cadre d'apprentissage par renforcement décrit dans un preprint arXiv (2610.19615v1) qui vise à entraîner une seule politique de locomotion pour des robots à pattes de morphologies différentes. Le système convertit le fichier URDF de chaque robot en modules articulation-segment. Il enchaîne ensuite un encodeur récurrent, un Transformer à structure de graphe et un décodeur par articulation, ce qui lui permet de produire des actions pour un nombre de pattes et une configuration d'articulations variables. Pour stabiliser l'entraînement, les auteurs ajoutent trois mécanismes: des récompenses normalisées selon la morphologie, un échantillonnage adaptatif des robots et une initialisation des gains PD (proportionnel-dérivé) déduite de l'URDF. L'évaluation en simulation couvre des bipèdes, des tripèdes et des quadrupèdes, y compris des variantes et des plateformes absentes de l'entraînement. La politique est aussi déployée sur des quadrupèdes réels utilisés dans plusieurs configurations. Le résumé ne donne ni taux de réussite, ni nombre de robots, ni vitesses, ni temps d'entraînement, et il ne précise pas combien de plateformes physiques ont été testées. L'enjeu est d'abord économique pour les constructeurs et les intégrateurs. Aujourd'hui, une politique de locomotion apprise reste liée à un corps précis. Changer le nombre de pattes, les actionneurs ou les propriétés mécaniques oblige à refaire de l'ingénierie: récompenses, gains, réentraînement. Une politique unique qui généralise à des morphologies inédites réduirait ce coût pour les gammes de robots à variantes multiples, les prototypes dont la mécanique évolue souvent ou les flottes hétérogènes. Elle irait aussi dans le sens des modèles généralistes déjà visibles en manipulation, ici appliqués à la locomotion. Il faut toutefois rester prudent. Le déploiement réel semble limité à des quadrupèdes, donc à la famille la plus proche de celles vues en simulation. Les bipèdes et tripèdes ne sont évalués qu'en simulation, ce qui laisse ouverte la question de l'écart sim-to-real sur les morphologies les plus instables. Les performances face à des politiques spécialisées ne sont pas chiffrées dans le résumé. Ce travail s'inscrit dans la recherche sur l'apprentissage cross-embodiment, où des approches par graphes ou Transformers traitent un robot comme un ensemble de nœuds articulés, une idée connue depuis plusieurs années en simulation. PolyMorph se distingue par l'usage direct de l'URDF comme entrée et par la prise en charge d'un nombre variable de pattes. Il se positionne face aux politiques spécialisées par robot, aujourd'hui la norme pour les quadrupèdes du commerce, et face aux modèles généralistes de type VLA, plus centrés sur la manipulation. Aucun partenaire industriel, calendrier de publication de code ni projet pilote n'est annoncé. La suite logique serait une validation sur davantage de robots physiques, notamment des bipèdes, ainsi qu'une comparaison publique avec des politiques dédiées. Il s'agit d'un preprint, pas encore évalué par des pairs.

RecherchePaper

1 source

3arXiv cs.RO

Apprentissage de priors d'action pour la manipulation robotique multi-morphologies

Des chercheurs ont soumis le 25 juin 2026 sur arXiv (réf. 2606.26095) un cadre d'entraînement en deux étapes pour les modèles Vision-Language-Action (VLA) appliqués à la manipulation robotique cross-embodiment. Le problème est structurel : dans l'architecture dominante, le module d'action est greffé sur un backbone Vision-Language Model (VLM) et co-optimisé dès le départ, ce qui contraint le modèle à découvrir simultanément la dynamique physique du mouvement et l'alignement visuo-linguistique. Les auteurs proposent de préentraîner d'abord le module d'action sur des trajectoires brutes via un encodeur-décodeur léger basé sur le flow-matching, sans aucune entrée visuelle ni linguistique, puis de transférer ce prior moteur à l'entraînement VLA par réutilisation du décodeur et distillation latente en début d'entraînement. La méthode est évaluée sur 13 tâches cross-embodiment en simulation et sur plateformes réelles. Le bénéfice principal est de découpler deux apprentissages que les VLA actuels co-optimisent de front : la structure temporelle du mouvement et la sémantique visuo-linguistique. Selon les résultats présentés, la méthode accélère la convergence, améliore les taux de succès globaux et génère des gains particulièrement nets sur les tâches à faible volume de données réelles, là où les pipelines existants décrochent. Le module encodeur joue par ailleurs le rôle de compresseur d'historique, résumant l'historique état-action en un unique token de contexte temporel à coût négligeable. Fait notable : augmenter le volume de données d'action en étape 1 améliore directement les performances downstream, sans requérir de nouvelles démonstrations robotiques coûteuses à collecter. Ce travail s'inscrit dans la compétition autour des politiques robotiques généralistes capables d'opérer sur des morphologies hétérogènes : Pi-0 (Physical Intelligence), OpenVLA, Octo (UC Berkeley) et RT-2 (Google DeepMind) constituent les références directes. La rareté des données réelles annotées et le sim-to-real gap restent les freins communs à l'ensemble du secteur, et une meilleure initialisation du prior moteur en offre une réponse partielle. Il s'agit d'un preprint non évalué par les pairs, sans déploiement industriel annoncé ; les suites naturelles seraient une intégration dans des frameworks open-source comme LeRobot (Hugging Face) ou une adoption par des équipes développant des humanoïdes généralistes.

UELa méthode pourrait être intégrée à LeRobot (Hugging Face, Paris), ce qui bénéficierait directement à l'écosystème de robotique open-source français.

RechercheOpinion

1 source

4arXiv cs.RO

Co-design Gym : un benchmark unifié pour la co-optimisation de la morphologie et de la politique de contrôle

Une équipe de chercheurs publie sur arXiv (identifiant 2610.02366) Co-Design Gym, une suite de benchmarks dédiée à l'optimisation conjointe de la morphologie d'un agent et de sa politique de contrôle. L'ensemble couvre 20 familles d'environnements, avec plus de 85 configurations de co-conception prédéfinies. Les domaines vont de la manipulation robotique et de la locomotion à la coopération multi-robots, en passant par les dynamiques déformables et molles, les jeux vidéo, les réseaux électriques, les réseaux sans fil, la course de F1, les entrepôts multi-agents et le contrôle optimal. Les auteurs y ajoutent une évaluation systématique d'algorithmes de co-conception représentatifs, pour dresser l'état de l'art actuel. Il s'agit d'un travail de recherche académique : aucun produit, déploiement industriel ni donnée de performance matérielle n'est annoncé, et le résumé ne chiffre pas les résultats de cette comparaison. L'intérêt tient à une hypothèse implicite de la plupart des benchmarks d'apprentissage par renforcement et de robotique : l'agent est figé, seule la politique s'apprend. Or la morphologie conditionne les politiques que l'on peut découvrir, et la meilleure morphologie dépend elle-même des politiques qu'elle autorise. Optimiser les deux séparément donne donc des résultats sous-optimaux. Pour les roboticiens et les intégrateurs, la question est concrète : choix du nombre de degrés de liberté, de la géométrie des membres, de l'emplacement des actionneurs ou de la préhension. Ces décisions se prennent aujourd'hui surtout par ingénierie et itération manuelle, et la co-conception reste peu comparable d'une étude à l'autre. Un banc d'essai commun permettrait de mesurer sur une base homogène ce que ces méthodes apportent réellement, et de vérifier si les gains observés sur des cas isolés se généralisent. L'élargissement à des domaines hors robotique (réseaux, énergie) suggère aussi que la méthode vise un usage plus large que les seuls humanoïdes. Ce travail s'inscrit dans une littérature sur la co-optimisation forme-contrôle qui existe depuis des années, mais dont les résultats sont dispersés entre des environnements ad hoc, ce qui freine les comparaisons. Co-Design Gym adopte le format des suites de type Gym, devenues le standard pour l'apprentissage de politiques, afin de favoriser un progrès cumulatif. Le résumé ne précise ni les algorithmes testés, ni les scores, ni la disponibilité du code, des points à vérifier dans le texte complet. Il reste aussi à voir si ces environnements, simulés, transféreront vers du matériel réel, où l'écart simulation-réalité pèse encore sur la fabrication de morphologies optimisées.

RecherchePaper

1 source