Aller au contenu principal
ReLoco : locomotion et récupération après chute unifiées pour robots humanoïdes via des a priori de mouvement conditionnés par le comportementIllustration générée par IA
RecherchearXiv cs.RO 

ReLoco : locomotion et récupération après chute unifiées pour robots humanoïdes via des a priori de mouvement conditionnés par le comportement

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

Des chercheurs publient sur arXiv ReLoco, un cadre d'apprentissage par renforcement qui unifie dans une seule politique la locomotion d'un humanoïde, le relevé après une chute depuis une posture quelconque et la reprise de la commande de déplacement. La politique est purement proprioceptive, sans caméra ni capteur externe. À l'entraînement, la posture du robot sélectionne le jeu de références expertes, et un discriminateur partagé, conditionné par le comportement, produit deux sorties distinctes : l'une pour la marche, l'autre pour le relevé. Des récompenses de tâche et une régularisation commune pilotent le suivi de commande et la récupération, tandis qu'une assistance temporaire facilite l'exploration. Une étape de raffinement en simulation génère des références de mouvement exécutables par le robot lui-même. À itération d'entraînement égale, la politique complète atteint 96,80 % de réussite au relevé indépendant et 96,96 % de récupération après poussée, reprise de commande incluse. L'erreur quadratique moyenne de vitesse planaire du torse est de 0,1266 m/s, soit 14,7 % de moins que la variante conditionnelle à sortie unique, pour un écart d'angles articulaires comparable mesuré par déformation temporelle dynamique (DTW). Le déploiement a été réalisé sur le Tiangong 3.0, humanoïde de 64,5 kg, qui marche, court, se relève et reprend la locomotion après une chute.

L'intérêt tient à l'architecture plus qu'aux scores. Dans beaucoup de piles logicielles humanoïdes, la marche, le relevé et la transition entre les deux relèvent de contrôleurs distincts, avec une logique de commutation qui devient un point de fragilité en exploitation. Une politique unique, exécutée sans changement de contrôleur et sans ajustement sur le robot, simplifie l'intégration et réduit la surface de validation, ce qui compte pour des opérateurs qui ne peuvent pas immobiliser un robot tombé en attendant une intervention humaine. Le résultat suggère aussi que des a priori de mouvement adversariaux conditionnés par le comportement peuvent éviter l'interférence entre des régimes de contact très différents, debout et au sol. Il faut toutefois rester prudent : les taux de réussite viennent de la simulation, à un point d'entraînement donné, et l'article ne chiffre pas de façon exhaustive la robustesse sur matériel réel (nombre d'essais, types de sols, charges portées). Le gain de 14,7 % est mesuré face à une variante interne, non face à des méthodes concurrentes publiées.

Ces travaux s'inscrivent dans la prolongation des méthodes AMP (adversarial motion priors) et des politiques de relevé apprises, qui avaient jusqu'ici surtout été traitées séparément de la locomotion de commande. Le Tiangong, plateforme humanoïde chinoise, sert ici de banc d'essai. Cette version 3.0 confirme l'effort de l'écosystème chinois pour valider des politiques apprises sur du matériel de grande taille. Côté concurrence, les acteurs américains et européens misent plutôt sur des modèles VLA généralistes (Figure avec Helix, Physical Intelligence avec Pi-0, NVIDIA avec GR00T), qui reposent sur des contrôleurs bas niveau robustes, dont la récupération après chute fait partie. ReLoco se situe donc à cette couche basse, et pourrait s'y intégrer. Les suites logiques sont une évaluation hors laboratoire, avec perception ajoutée, des terrains variés et des chutes non scriptées, ainsi qu'une comparaison directe avec d'autres approches de relevé et de locomotion unifiées.

À lire aussi

T-GMP : des modèles de mouvement génératifs conditionnés par le terrain pour une locomotion humanoïde naturelle et polyvalente
Illustration générée par IA
1arXiv cs.RO 

T-GMP : des modèles de mouvement génératifs conditionnés par le terrain pour une locomotion humanoïde naturelle et polyvalente

Des chercheurs ont mis en ligne une version révisée sur arXiv (arXiv:2606.06944v2) d'un article présentant T-GMP (Terrain-conditioned Generative Motion Priors), un module destiné à améliorer la marche des robots humanoïdes sur des terrains variés. Contrairement aux méthodes classiques d'apprentissage par renforcement, qui s'appuient sur des priors de mouvement figés, T-GMP apprend une variété latente de mouvements conditionnée par le terrain à partir d'un petit nombre de démonstrations expert associant états du robot et type de sol. Ce module permet des transitions de style fluides entre modes de marche, ce qui autorise une politique de contrôle unique capable de s'adapter aux variations de terrain plutôt que de nécessiter des politiques séparées.

RecherchePaper
1 source
Pilotage du mouvement au moment du test pour la récupération perceptive de chute des robots humanoïdes
Illustration générée par IA
2arXiv cs.RO 

Pilotage du mouvement au moment du test pour la récupération perceptive de chute des robots humanoïdes

Des chercheurs présentent RISE, une méthode de récupération après chute pour humanoïdes qui permet d'orienter, au moment de l'inférence, la façon dont le robot se relève. L'idée de départ est qu'une même posture au sol admet plusieurs façons de se redresser, qui diffèrent par la trajectoire, les transitions d'appui et le cap final. Une récupération fiable ne dit pas laquelle de ces options le robot exécute. RISE apprend d'abord un « vocabulaire de récupération », c'est-à-dire un ensemble de mouvements partagés reliant l'intention de mouvement aux actions moteurs via le retour sensoriel. Un planificateur visuel à diffusion s'entraîne ensuite sur des exécutions de ce vocabulaire.

RecherchePaper
1 source
Un système rapide, résilient et adaptable pour les comportements de loco-manipulation des robots humanoïdes
Illustration générée par IA
3arXiv cs.RO 

Un système rapide, résilient et adaptable pour les comportements de loco-manipulation des robots humanoïdes

Une équipe de recherche a publié le 2 septembre 2026 sur arXiv (2609.01518) un système d'architecture comportementale pour la loco-manipulation sur robots humanoïdes, conçu pour tourner localement et être modifié en temps réel pendant l'exécution. L'architecture combine des Affordance Templates centrées objets, une structure en arbre organisant la logique des tâches, et une scène de perception éditable au runtime, exécutée par un contrôleur corps entier combinant marche et mouvements du buste, avec une interface opérateur synchronisée en continu pour superviser et corriger à la volée.

RecherchePaper
1 source
StableMimic : récupération fluide et humaine pour le suivi de mouvement humanoïde, un apprentissage au-delà de la distribution de suivi pour un comportement structuré post-chute
Illustration générée par IA
4arXiv cs.RO 

StableMimic : récupération fluide et humaine pour le suivi de mouvement humanoïde, un apprentissage au-delà de la distribution de suivi pour un comportement structuré post-chute

StableMimic, présenté début août 2026 sur arXiv (2608.02385v1), est un système unifié de suivi de mouvement pour robots humanoïdes conçu pour gérer les chutes sans intervention externe. Le problème visé : les politiques de suivi classiques fonctionnent bien tant que le robot reste dans la distribution de trajectoires apprises, mais une chute le projette dans des états de contact au sol (à plat ventre, sur le dos, en déséquilibre) où la commande suivante devient temporairement irréalisable, poussant ces politiques à produire des corrections de membres brutales et risquées.

RecherchePaper
1 source