Aller au contenu principal
États-Unis : des robots jouent du piano et imitent les mouvements des yeux humains grâce à des muscles artificielsIllustration générée par IA
RechercheInteresting Engineering 

États-Unis : des robots jouent du piano et imitent les mouvements des yeux humains grâce à des muscles artificiels

1 source couvre ce sujet·Source originale ↗·

Compilé et résumé par IA · sources vérifiables en un clic · publié sans lecture humaine préalable · méthodologie

Résumé IASource unique
Voir la vidéo de cet article sur YouTube

Des chercheurs de l'Université de Pennsylvanie (Penn Engineering) ont mis au point CoilLCE, une technologie de muscles artificiels destinée aux robots souples, qui vise un contrôle de mouvement plus fin que les actionneurs souples classiques. Le dispositif associe trois éléments: un élastomère à cristaux liquides (LCE), qui change de forme sous l'effet de la chaleur, du graphène, et une bobine de cuivre ultrafine intégrée dans la fibre. La bobine remplit deux rôles: elle chauffe le matériau pour le contracter et sert de capteur en mesurant les variations de résistance électrique pendant le mouvement. Ce signal alimente une boucle fermée qui ajuste la puissance de chauffe en temps réel pour maintenir la résistance près d'une valeur cible, donc une position intermédiaire stable, sans capteur de position séparé. Deux démonstrations ont été présentées: une main artificielle dont les doigts appuient sur des touches de piano, marquent une pause puis passent à la note suivante, et une paire d'yeux robotiques animée par quatre paires d'actionneurs opposés qui reproduisent des déplacements du regard. Aucune donnée chiffrée sur la force, la vitesse, le temps de réponse ou la durée de vie n'est communiquée à ce stade.

L'intérêt est surtout méthodologique. Les LCE sont connus de longue date pour leur compacité, mais leur comportement thermique (contraction à la chauffe, retour lent au refroidissement) les rend difficiles à piloter: tenir une position intermédiaire exigeait jusqu'ici une surveillance externe. Selon Cynthia Sung, professeure associée en génie mécanique à Penn Engineering, il s'agit de la première démonstration d'un contrôle par rétroaction sur un actionneur LCE, étape jugée nécessaire avant toute application robotique. Cette revendication de primauté vient des auteurs et mérite d'être lue comme telle. Le gain potentiel pour les intégrateurs tient à la réduction du nombre de composants: l'actionneur est son propre capteur, et l'architecture antagoniste (un muscle se contracte pendant que l'autre s'étire) limite le nombre d'entrées de commande. Cela ouvre une piste pour les visages humanoïdes et autres mécanismes exigeant de nombreux petits actionneurs. En revanche, rien ne dit que cette approche rivalise avec les moteurs électriques ou les actionneurs hydrauliques sur les critères qui comptent en industrie: couple, rendement énergétique, cadence et fiabilité sur des millions de cycles. Les démonstrations restent des preuves de concept de laboratoire, très loin d'un produit ou d'un déploiement.

Ce travail s'inscrit dans la recherche sur les actionneurs souples, qui cherche des alternatives aux moteurs rotatifs encombrants pour reproduire la souplesse et la compacité des muscles biologiques, aux côtés d'approches pneumatiques, hydrauliques ou à base de polymères électroactifs. Les chercheurs reconnaissent que l'intégration d'un grand nombre de muscles dans des systèmes coordonnés reste le principal verrou. Ils prévoient d'explorer l'IA et la vision par ordinateur pour gérer des mouvements et des interactions plus complexes. Aucun calendrier de transfert industriel, partenaire commercial ou pilote n'a été annoncé. Pour les acteurs de l'humanoïde, de Figure à Tesla en passant par les européens comme Enchanted Tools, dont les robots reposent aujourd'hui sur des actionneurs électromécaniques conventionnels, la technologie relève donc d'une veille de recherche amont plutôt que d'une option d'ingénierie à court terme. Les prochaines étapes à surveiller seront la publication de mesures de performance, le passage à l'échelle du nombre de fibres et la tenue du système en fonctionnement prolongé.

À lire aussi

Un bras robotisé imite le toucher humain grâce à une peau artificielle qui détecte les contacts
Illustration générée par IA
1Interesting Engineering 

Un bras robotisé imite le toucher humain grâce à une peau artificielle qui détecte les contacts

Des chercheurs de l'Université des sciences et technologies de Hong Kong (HKUST) ont mis au point EmArm, un bras robotique qui intègre une peau tactile optique souple directement dans sa structure mécanique rigide. Cette peau recouvre plus de 71 000 mm² répartis sur l'avant-bras et le bras. De minuscules caméras, de l'ordre du millimètre ou moins, captent les déformations de la surface au contact et en déduisent la distribution des forces. L'équipe annonce une résolution spatiale de 0,085 mm et un seuil de discrimination à deux points de 18,2 mm, soit la distance minimale à laquelle deux contacts sont distingués. Le capteur optique limite le câblage électrique dans la surface sensible. Selon les chercheurs, il résiste aux interférences électromagnétiques, lumineuses, thermiques, d'humidité et acoustiques, avec une fidélité de détection allant jusqu'à 97,9 % sur cinq types de perturbations. Côté mécanique, le bras conserve une précision de répétabilité comparable à celle des bras classiques, supporte plus de 15 kg de charge en pression et 7,35 N·m en torsion. Il distingue aussi des types de toucher, comme un chatouillement ou une tape. Le système repose sur une boucle perception-action qui fusionne la proprioception (positions articulaires) et les données tactiles externes. Les algorithmes extraient la position, la surface, la force et le nombre de points de contact, puis le contrôleur ajuste la posture et les efforts. Dans une démonstration, le bras stabilise un ballon de basket tenu hors de son centre de gravité en corrigeant en continu sa posture. Dans une autre, il détecte au toucher une main humaine entrant dans sa trajectoire, même sans perception visuelle, s'arrête puis évalue si l'obstacle est temporaire ou permanent avant de poursuivre ou de contourner. Il s'agit de résultats de laboratoire issus de démonstrations choisies, sans produit commercialisé ni déploiement annoncé. L'enjeu est la détection de contact sur toute la surface du bras, et non plus seulement au bout de la pince. La plupart des robots manipulateurs dépendent de la vision et de capteurs de couple articulaires, qui détectent mal une collision localisée ou un objet masqué par le bras lui-même. Pour les intégrateurs de cobots et les responsables de sites logistiques, une peau tactile qui ne sacrifie ni la rigidité ni la précision répond à un compromis connu, puisque les peaux souples fragilisent d'ordinaire la structure. Les chiffres de robustesse (15 kg, 7,35 N·m) restent toutefois modestes face aux charges de bras industriels, et les 97,9 % de fidélité n'ont pas de protocole détaillé. La durabilité de la peau sur des millions de cycles, son coût, son temps de réponse et sa calibration en production ne sont pas documentés. C'est aussi un signal pour les modèles VLA et l'apprentissage incarné, qui manquent de données tactiles à grande échelle. Le toucher de corps entier est un thème ancien de la robotique, exploré par des peaux capacitives ou résistives, par les capteurs optiques de type GelSight (surtout limités aux doigts) et par des revêtements de cobots certifiés pour la collaboration homme-robot. Les acteurs de l'humanoïde, dont Tesla avec Optimus, Figure et 1X, misent surtout sur des mains tactiles et la vision, tandis que des laboratoires asiatiques et américains cherchent à étendre la sensibilité au corps entier. L'approche optique de HKUST se positionne contre ces capteurs électriques, plus sensibles au bruit et plus complexes à câbler. Les prochaines étapes probables sont des tests sur des tâches de manipulation plus variées, une intégration à des politiques apprises et des essais en environnement non contrôlé. Aucun calendrier de transfert industriel n'a été communiqué.

RecherchePaper
1 source
Jouer au football comme les humains : un football humanoïde polyvalent et agile appris grâce à des préalables de mouvement latents
Illustration générée par IA
2arXiv cs.RO 

Jouer au football comme les humains : un football humanoïde polyvalent et agile appris grâce à des préalables de mouvement latents

Des chercheurs présentent soccerbot, un cadre d'apprentissage par renforcement hiérarchique publié sur arXiv (2611.06564) qui permet à un humanoïde Unitree G1 de jouer au football avec une gamme complète de compétences: déplacement, dribble, amorti (trapping) et frappe de balle. Le système repose sur un a priori de mouvement latent, distillé à partir de données de capture de mouvement de football humain à grande échelle. Une seule politique conditionnée par la compétence, c'est-à-dire pilotée par une commande qui sélectionne le geste souhaité, exécute l'ensemble de ces actions. Les auteurs précisent que le transfert de la simulation au robot réel se fait en zero-shot, sans réglage supplémentaire sur la machine, grâce à une conception de simulation orientée robustesse. Le résumé ne donne ni taux de réussite, ni vitesse de balle, ni durée des essais, et les démonstrations en conditions réelles restent à ce stade décrites qualitativement par les auteurs eux-mêmes. L'enjeu dépasse le football. Le jeu combine locomotion agile, manipulation de balle et contacts à fort impact, un régime où les politiques apprises produisent souvent des mouvements saccadés ou peu naturels. Les approches antérieures se répartissaient en deux camps: celles qui couvrent peu de compétences, et celles qui renoncent à tout a priori de mouvement, au prix de comportements peu humains et parfois fragiles pour le matériel. En contraignant l'apprentissage à une variété de mouvements dynamiquement plausibles, soccerbot suggère qu'un a priori latent issu de données humaines peut unifier plusieurs compétences dans une seule politique et assurer des transitions fluides quand on change de geste. Pour les intégrateurs, c'est un signal sur la méthode: la même recette (a priori de mouvement, puis politique de haut niveau) pourrait servir à d'autres tâches riches en contacts, comme la manipulation de charges ou le travail en environnement non structuré. Il faut toutefois rester prudent: le football sur terrain contrôlé reste loin d'un déploiement industriel, et le transfert zero-shot sur un seul robot ne prouve pas la généralité. Ce travail s'inscrit dans une lignée de recherches qui utilisent la capture de mouvement humain pour doter les humanoïdes de comportements naturels, après les approches de type imitation adversariale et de suivi de mouvement. Le Unitree G1, humanoïde relativement abordable, est devenu la plateforme de référence des laboratoires universitaires, ce qui facilite la reproduction et la comparaison. Le football est aussi un terrain d'évaluation traditionnel, notamment via la RoboCup, où les approches modulaires et à compétences limitées dominent encore. La suite logique serait la publication du code et de vidéos complètes, une évaluation quantitative face aux méthodes concurrentes, et une extension vers des scénarios multi-robots ou des adversaires. À ce stade, il s'agit d'un préprint de recherche, non d'un produit ni d'un déploiement commercial.

RecherchePaper
1 source
Vers un style de tennis professionnel pour robots humanoïdes grâce à une planification et un suivi de mouvement adaptatifs
Illustration générée par IA
3arXiv cs.RO 

Vers un style de tennis professionnel pour robots humanoïdes grâce à une planification et un suivi de mouvement adaptatifs

Des chercheurs ont publié le 21 août 2026 sur arXiv (référence 2608.20087v1) AdaPT, un système de planification et de suivi de mouvement adaptatif qui apprend à des robots humanoïdes à servir et échanger au tennis avec un style proche de celui des joueurs professionnels, directement à partir de vidéos de retransmissions télévisées. L'architecture est hiérarchique : un planificateur génère la trajectoire cinématique stylisée, tandis qu'un module de suivi (tracker) l'exécute en interférant le moins possible avec le plan initial. Validée en simulation, l'approche a ensuite révélé un écart important entre simulation et réel sur le robot Unitree G1, la précision du suivi se dégradant à cause de la planification autorégressive et du bruit de perception ; pour corriger cela, les auteurs ont entraîné le tracker à suivre des vitesses d'exécution randomisées et conditionné le planificateur via un adaptateur de vitesse appris. Les politiques AdaPT ont ensuite été déployées sur le robot humanoïde grand format Dobot Atom (1,7 mètre), capable de servir en conditions réelles sans capture de mouvement, avec vidéos et code publiés sur le site du projet. Ce résultat illustre concrètement la possibilité de transférer un mouvement stylisé et physiquement exigeant, appris depuis de simples vidéos, vers un robot humanoïde grande taille opérant sans motion capture ni environnement contrôlé, un enjeu central pour l'industrie face au fossé habituel entre démonstrations et performance réelle. Il faut toutefois le lire comme un résultat de recherche académique et non comme un produit commercialisé : aucune annonce de volumes, de prix ni de partenariat industriel n'accompagne la publication, et les essais restent limités en nombre. La méthode elle-même dépasse le seul tennis, puisqu'elle traite un problème plus général, générer des mouvements stylistiques complexes sans sacrifier la performance de la tâche, pertinent pour toute application humanoïde exigeant dextérité et fluidité. Ce travail s'inscrit dans une vague récente de recherches sur des humanoïdes jouant à des sports de balle, un domaine où plusieurs laboratoires ont récemment montré des frappes ou services au tennis, badminton ou ping-pong, souvent via des architectures de type VLA ou du renforcement pur. AdaPT se distingue par la combinaison d'une imitation de style issue de vidéos de diffusion et d'une architecture planificateur/tracker pensée spécifiquement pour limiter la dégradation lors du transfert simulation-réel. Les tests ont porté sur deux plateformes, le Unitree G1, standard courant en recherche sur la locomotion, et le Dobot Atom, humanoïde grand format du fabricant chinois Dobot. Les auteurs n'annoncent aucun calendrier de pilote commercial, se limitant à publier code et vidéos et à souligner des enseignements algorithmiques et d'ingénierie pour de futurs systèmes humanoïdes sportifs.

RecherchePaper
1 source
Robots humanoïdes : ramper, roue et backflips maîtrisés grâce aux données de mouvement et d'animation
Illustration générée par IA
4Interesting Engineering 

Robots humanoïdes : ramper, roue et backflips maîtrisés grâce aux données de mouvement et d'animation

Des chercheurs du RAI Institute et de Boston Dynamics ont développé ZEST (Zero-shot Embodied Skill Transfer), un framework d'apprentissage par renforcement permettant à des robots à pattes d'acquérir des mouvements agiles à partir de données de mouvement humain, en une seule phase d'entraînement plutôt qu'un réglage par tâche. Le système apprend depuis trois sources : capture de mouvement haute fidélité, vidéo simple caméra, et animation par images clés, converties en commandes robotiques par retargeting cinématique. Testé sur l'humanoïde Atlas et le quadrupède Spot de Boston Dynamics ainsi que sur le G1 d'Unitree, ZEST a reproduit des mouvements tels que reptation au sol, roulades avant, roue, breakdance, danse, tirs au but et escalade de caisses, plus un salto arrière continu et un tonneau pour Spot à partir de données d'animation. Chaque politique de contrôle a nécessité environ 10 heures d'entraînement, soit près de 7 000 itérations, sur un seul GPU NVIDIA L4, entraînée entièrement en simulation puis transférée sur le matériel réel sans réglage supplémentaire, en s'appuyant uniquement sur des capteurs proprioceptifs embarqués à l'exécution. Pour l'industrie robotique, l'intérêt tient à ce que ZEST élimine plusieurs briques habituelles des pipelines de contrôle : estimateurs d'état, longs historiques d'observation, fenêtres de référence future, calendriers de contact au sol et ingénierie poussée de récompenses propres à chaque tâche. Cela réduit potentiellement le travail d'ingénierie et de réglage requis pour chaque nouvelle compétence, un goulot d'étranglement connu du déploiement de robots humanoïdes et quadrupèdes. Le transfert réussi d'une même architecture entre un humanoïde et un quadrupède illustre une portabilité inter-morphologies rarement démontrée à ce niveau d'agilité. L'équipe reste toutefois prudente : le système n'a été validé que sur sols plats et non glissants, sans généralisation démontrée à des mouvements totalement inédits. Il s'agit donc d'une avancée de recherche publiée sous forme d'étude, avec des démonstrations en environnement contrôlé, et non d'un produit commercial déployé ou d'un pilote industriel annoncé. ZEST s'inscrit dans les travaux du RAI Institute, laboratoire de recherche lié à Boston Dynamics et centré sur le contrôle et l'apprentissage pour robots à pattes, prolongeant des efforts visant à réduire la dépendance à l'ingénierie manuelle des contrôleurs. Le framework se positionne différemment des modèles vision-langage-action comme Pi-0 de Physical Intelligence, GR00T N2 de Nvidia ou Helix de Figure, qui ciblent surtout la manipulation : ZEST vise l'agilité locomotrice et les mouvements corporels complets, du crawl militaire au salto arrière. Il ne nécessite pas d'annotations explicites de contact au sol, ce qui allège la préparation des données de démonstration. Les auteurs indiquent que les prochaines étapes porteront sur l'adaptation zero-shot et few-shot ainsi que sur l'apprentissage continu, sans calendrier ni partenaire de déploiement précisés à ce stade.

RecherchePaper
1 source