Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel

Recherche — page 2

2549 articles · page 2 sur 51

Publications scientifiques en robotique : arXiv cs.RO, ICRA, IROS, Humanoids, CoRL — nouveaux algorithmes, benchmarks et datasets.

HumanoïdesIA physiqueIndustrielFR/EU ecosystemeChine/AsieBusinessExosquelettesRegulationInfrastructureSociete/EthiqueAutre
N₀-VTLA : passage à l'échelle du modèle vision-tactile-langage-action grâce à des tokens tactiles latents
51arXiv cs.RO RechercheActu

N₀-VTLA : passage à l'échelle du modèle vision-tactile-langage-action grâce à des tokens tactiles latents

Voici l'article : Une équipe de recherche présente N0-VTLA, un modèle fondation vision-tactile-langage-action (VTLA) conçu pour la manipulation fine en contact avec des objets, combinant perception tactile et contrôle par retour tactile. Décrit dans un article publié sur arXiv (2607.23782), le système repose sur trois étapes d'entraînement : un pré-entraînement visuo-tactile sur NeoData, un vaste jeu de données robotiques propriétaire combinant vision et toucher, une intégration progressive d'un canal tactile dédié, puis une amélioration de politique hors ligne baptisée ALTER. Les auteurs revendiquent le premier modèle VTLA pré-entraîné sur des données tactiles à cette échelle. Sur les neuf tâches du benchmark réel NeoReal, N0-VTLA l'emporte face à toutes les méthodes concurrentes testées. Sur une suite de vingt tâches en simulation, il atteint 63,8% de réussite moyenne, contre 44,0% pour la meilleure référence. Les politiques entraînées avec ALTER atteignent 75 à 95% de réussite sur trois tâches réelles à horizon long. Ces résultats ciblent un point de friction connu de la robotique manipulatrice : les modèles vision-langage-action actuels gèrent mal les tâches nécessitant un contact fin et continu, comme la manipulation d'objets déformables, faute d'un signal tactile correctement intégré. En démontrant qu'un canal tactile prédictif, distillé à partir de priors appris à grande échelle, améliore significativement la réussite sur des tâches de préhension délicate, l'étude apporte un argument concret pour l'intégration systématique du toucher dans les futures architectures VLA, un sujet jusqu'ici moins mature que la seule perception visuelle. La méthode ALTER, qui transforme des comparaisons de progression et d'événements de trajectoire en étiquettes d'avantage binaires, offre aussi une piste pour exploiter des corpus de déploiement déjà collectés sans reconstruire un pipeline de reward complexe. Le travail s'inscrit dans la vague récente de modèles VLA génériques (Pi-0, GR00T N2, Helix) qui cherchent à généraliser la manipulation robotique au-delà de tâches scriptées, mais reste à ce stade une contribution académique évaluée sur des benchmarks internes aux auteurs plutôt qu'un produit ou un déploiement industriel documenté. Aucune date de disponibilité, aucun partenariat commercial ni acteur français ou européen n'est mentionné dans l'article ; les prochaines étapes annoncées concernent l'extension du jeu de données NeoData et l'application d'ALTER à d'autres familles de tâches de manipulation contact-riches.

1 source
Vue-Langage-Action : agir, réfléchir ou s'abstenir selon la complexité perçue
52arXiv cs.RO 

Vue-Langage-Action : agir, réfléchir ou s'abstenir selon la complexité perçue

Une équipe de recherche propose un mécanisme d'inférence adaptative pour les modèles Vision-Language-Action (VLA), publié sur arXiv (2603.05147v2). Le principe: au lieu d'appliquer systématiquement un raisonnement coûteux à chaque tâche, le système classe la complexité de la situation perçue et choisit entre trois modes, Act (exécution immédiate pour les tâches connues), Think (raisonnement approfondi pour les cas ambigus) et Abstain (arrêt préventif face à une anomalie physique ou sémantique). La méthode transforme le backbone vision-langage du VLA en détecteur actif, en projetant ses embeddings latents dans des estimateurs paramétriques et non paramétriques. Testé sur les benchmarks LIBERO et LIBERO-PRO ainsi que sur un robot réel, le modèle combinant un Gaussian Mixture Model appliqué aux embeddings fusionnés vision-langage-instruction obtient jusqu'à 87,5% de F1-score sur deux backbones VLA différents, SmolVLA et π0, et conserve 83% de performance avec seulement 5% des données d'entraînement, dépassant les détecteurs d'échec de l'état de l'art. Pour l'industrie robotique, ce travail s'attaque à deux problèmes concrets qui freinent le déploiement des VLA en production: le coût de calcul du raisonnement systématique, qui pénalise le temps de cycle et l'autonomie embarquée sur des tâches triviales, et l'absence de garde-fou fiable face aux scénarios hors distribution, source de défaillances catastrophiques en environnement réel. En donnant au modèle une estimation d'incertitude native plutôt qu'un raisonnement en force brute partout, l'approche vise un compromis entre latence et sécurité que les intégrateurs réclament pour justifier un passage du laboratoire à l'usine ou à l'entrepôt. Le fait que la robustesse se maintienne avec 5% des données seulement suggère aussi une piste pour réduire le coût d'entraînement spécifique à chaque nouvelle tâche. Le travail s'inscrit dans la lignée des VLA généralistes comme π0 (Physical Intelligence) et des modèles compacts comme SmolVLA, dont la généralisation reposait jusqu'ici surtout sur l'ajout de modules de raisonnement, au prix de la latence. En s'appuyant sur les benchmarks de simulation LIBERO et sa variante durcie LIBERO-PRO, complétés par une validation sur robot physique, les auteurs positionnent leur détecteur de complexité comme une alternative aux approches existantes de détection d'échec. Les prochaines étapes attendues concernent l'extension à d'autres familles de VLA et une validation à plus grande échelle en conditions industrielles réelles.

RechercheActu
1 source
Structured Observation Language pour la navigation vision-langage efficace et généralisable
53arXiv cs.RO 

Structured Observation Language pour la navigation vision-langage efficace et généralisable

Une équipe de recherche propose SOL-Nav (Structured Observation Language for Navigation), une nouvelle méthode de navigation par instructions en langage naturel pour agents embarqués, décrite dans un article déposé sur arXiv (2603.27577v2). Plutôt que de convertir les images en tokens visuels ou en représentations implicites comme le font la plupart des systèmes de Vision-Language Navigation (VLN) actuels, SOL-Nav découpe chaque image RGB-D captée par l'agent en une grille de N par N cellules, puis extrait pour chaque cellule des informations sémantiques, de couleur et de profondeur. Ces données sont transformées en texte structuré, concaténé directement avec l'instruction en langage naturel, avant d'être transmises telles quelles à un modèle de langage pré-entraîné (PLM). L'ensemble du pipeline évite ainsi tout module de vision dédié. Les auteurs rapportent des résultats sur les benchmarks standards R2R et RxR ainsi que des tests en conditions réelles, avec une réduction significative de la taille du modèle et de la dépendance aux données d'entraînement visuel. L'intérêt principal de cette approche réside dans la généralisation : les méthodes VLN classiques, qui s'appuient sur un pré-entraînement visuel massif, tendent à mal résister aux variations d'environnement comme les changements d'éclairage ou de texture. En reformulant l'observation visuelle en langage structuré, SOL-Nav exploite directement les capacités de raisonnement des PLM sans repasser par un espace latent visuel fragile. Pour les équipes travaillant sur la navigation robotique autonome, cela suggère une voie alternative aux architectures VLA lourdes, potentiellement plus légère à déployer et moins gourmande en données d'entraînement spécifiques à un environnement. Ce travail s'inscrit dans la lignée des recherches en VLN qui cherchent depuis plusieurs années à combler l'écart entre performance en simulation et robustesse réelle, un problème récurrent pointé par le secteur pour les agents de navigation entraînés sur des jeux de données comme R2R ou RxR. La validation en conditions réelles annoncée par les auteurs, au-delà des seuls benchmarks académiques, laisse présager des travaux de suivi visant à tester la méthode sur des plateformes robotiques variées et des instructions plus complexes.

RecherchePaper
1 source
DeReCo : découpler l'apprentissage de la représentation et de la coordination pour le transport coopératif décentralisé multi-robots adaptatif à l'objet
54arXiv cs.RO 

DeReCo : découpler l'apprentissage de la représentation et de la coordination pour le transport coopératif décentralisé multi-robots adaptatif à l'objet

Une revue académique (pas d'annonce produit ni de déploiement commercial), donc j'adapte le cadre en conséquence. Des chercheurs présentent DeReCo (Decoupling Representation and Coordination learning), un nouveau framework d'apprentissage par renforcement multi-agent (MARL) pour le transport coopératif décentralisé d'objets par plusieurs robots. Le problème ciblé : généraliser cette coopération à des objets de formes et de propriétés physiques très variées, sous exécution décentralisée, où chaque robot ne dispose que d'observations partielles. L'approche classique optimise conjointement, de bout en bout, la représentation de l'objet et la politique de coordination en randomisant formes et propriétés durant l'entraînement, une méthode coûteuse en échantillons car les erreurs de représentation, dues à l'observabilité partielle, déstabilisent l'apprentissage de la coordination, tandis que la non-stationnarité propre au MARL dégrade en retour la qualité des représentations. DeReCo découple les deux tâches via un entraînement en trois étapes : apprentissage centralisé de la coordination avec accès à des informations privilégiées sur l'objet, reconstruction des représentations dépendantes de l'objet à partir des observations locales seules, puis retrait progressif de ces informations privilégiées pour aboutir à une exécution totalement décentralisée. En simulation, DeReCo dépasse les méthodes de référence sur trois objets d'entraînement, se généralise à six objets inédits présentant des masses et coefficients de friction différents, et obtient de meilleurs résultats que les baselines sur deux objets inédits testés en conditions réelles avec de vrais robots. Pour l'industrie robotique, ce travail s'attaque à un verrou concret : la manipulation coopérative multi-robots reste aujourd'hui largement cantonnée à des objets connus à l'avance ou à des scénarios d'entraînement peu variés, ce qui limite son déploiement en logistique, en entrepôt ou sur chantier, où les charges à déplacer diffèrent sans cesse en poids, en forme et en friction. En démontrant qu'un découplage architectural, plutôt qu'un entraînement bout en bout monolithique, améliore à la fois l'efficacité d'apprentissage et la généralisation à des objets jamais vus, DeReCo apporte une piste méthodologique réutilisable au-delà du transport d'objets, pour tout système multi-agent décentralisé confronté à des tâches non stationnaires. Le test sur robots réels, même limité à deux objets inédits, est le point le plus significatif : il confirme que les gains obtenus en simulation ne s'évaporent pas au passage au monde réel, un écart (sim-to-real gap) qui reste l'un des principaux points de friction du secteur. Ce papier, disponible sur arXiv sous une version révisée (2603.08111v2), s'inscrit dans un courant de recherche plus large sur l'apprentissage par renforcement multi-agent appliqué à la robotique coopérative, où la difficulté majeure reste de faire coexister observabilité partielle, communication limitée entre agents et diversité des tâches. La stratégie en trois étapes de DeReCo, avec informations privilégiées en phase d'entraînement puis retrait progressif, rappelle les techniques de type teacher-student déjà utilisées en locomotion de robots quadrupèdes et humanoïdes pour combler l'écart entre simulation et déploiement réel. Les auteurs limitent pour l'instant leurs validations réelles à un nombre restreint d'objets et ne précisent pas le nombre de robots impliqués ni le matériel utilisé, ce qui laisse ouverte la question du passage à l'échelle vers des flottes plus larges ou des objets de très grande taille, typiques des usages industriels visés à terme.

RecherchePaper
1 source
Apprentissage de priors moteurs hybrides réutilisables pour la locomotion humanoïde par imitation de mouvement
55arXiv cs.RO 

Apprentissage de priors moteurs hybrides réutilisables pour la locomotion humanoïde par imitation de mouvement

Une équipe de recherche propose un pipeline en trois étapes pour transformer l'imitation de mouvement humain en un "hybrid motion prior" (HMP) réutilisable pour la locomotion humanoïde. D'abord, une politique experte est entraînée par apprentissage par renforcement à imiter des séquences de motion capture humaine retargetées sur un squelette robotique. Cette expertise est ensuite distillée dans une architecture figée composée d'un encodeur proprioceptif, d'un codebook RVQ (residual vector-quantized) et d'un décodeur d'actions. Enfin, des politiques spécifiques à chaque tâche sont entraînées à sélectionner des entrées discrètes de ce codebook, sans jamais réentraîner le HMP sous-jacent. La méthode est évaluée en simulation sur trois tâches : suivi de vitesse, navigation vers un point cible, et récupération de chute avec suivi de vitesse. La politique de suivi de vitesse a ensuite été déployée sur un robot réel, un Unitree G1. Les chercheurs montrent aussi qu'entraîner le codebook avec un "rotation trick" plutôt qu'un estimateur straight-through classique améliore l'organisation de l'espace latent et réduit le nombre de chutes en aval. L'intérêt principal tient à la réutilisabilité : au lieu d'entraîner une politique RL distincte par tâche avec sa propre fonction de récompense, un seul module d'action reste figé et sert d'interface commune à plusieurs politiques de haut niveau. Cela répond à une limite connue de l'imitation de mouvement, dont les contrôleurs restent généralement de simples "suiveurs" de référence, inutilisables tels quels pour résoudre une tâche. Le codebook obtenu s'avère aussi interprétable : le nombre d'étages RVQ actifs module directement les types de démarche disponibles, un signal utile pour du contrôle hiérarchique. Pour les équipes qui construisent des piles logicielles humanoïdes, cette approche s'inscrit dans la même logique que les bibliothèques de compétences motrices low-level découplées des politiques de tâche, un principe partagé par des modèles VLA comme Pi-0, GR00T N2 ou Helix, même si ceux-ci ciblent surtout la manipulation. Ce travail s'inscrit dans la lignée des méthodes d'imitation de mouvement pour humanoïdes (type DeepMimic, ASE) qui cherchent depuis plusieurs années à extraire des priors moteurs génériques à partir de données de capture humaine. Le déploiement reste toutefois limité à un seul robot et une seule tâche testée en réel, la navigation et la récupération de chute n'ayant été validées qu'en simulation. Les auteurs présentent cela comme une brique réutilisable, ouvrant la voie à d'autres politiques de tâche construites sur le même HMP sans nouveau cycle d'entraînement complet.

RecherchePaper
1 source
Modèle de cognition du monde pour l'interaction humain-robot généralisable
56arXiv cs.RO 

Modèle de cognition du monde pour l'interaction humain-robot généralisable

Un article scientifique publié sur arXiv (référence 2607.22999v1) présente WCM, pour World-Cognition Model, un agent robotique conçu pour rendre l'interaction homme-robot aussi fluide que celle qu'offrent déjà les agents conversationnels dans le logiciel. Le système repose sur une architecture baptisée SLAK, acronyme de Sensing, Logic, Action et Knowledge, qui sépare explicitement la perception, le raisonnement, le contrôle moteur et la mémoire. Cette séparation s'appuie sur un runtime asynchrone permettant au raisonnement, au dialogue et à l'exécution de se dérouler en parallèle plutôt que séquentiellement. WCM ajoute un mode d'apprentissage supervisé par l'humain, où l'utilisateur peut enseigner interactivement au robot des tâches longues ou complexes ; ces épisodes d'enseignement, combinés aux exécutions autonomes, sont ensuite convertis en données de supervision par chaîne de raisonnement (chain-of-thought) pour affiner le modèle en continu. Sur neuf tâches réelles d'interaction homme-robot, le système atteint un taux de réussite moyen de 73,8 %, y compris sur des tâches exclues de l'entraînement par chaîne de raisonnement et sur une tâche longue apprise uniquement par démonstration humaine. L'enjeu dépassé ici n'est pas tant la performance brute que la question de la contrôlabilité. Les approches dominantes actuelles, qu'il s'agisse des politiques vision-langage-action (VLA) ou des planificateurs fondés sur des modèles du monde, sont optimisées pour exécuter une instruction, mais laissent peu de visibilité à l'utilisateur sur les raisons d'une action donnée et peu de moyens de corriger ou réorienter le robot en cours de tâche. En proposant un mécanisme explicite de correction et d'enseignement en temps réel, WCM répond à un point de friction identifié par les intégrateurs industriels : un robot qui exécute bien mais s'explique mal reste difficile à déployer et à faire confiance sur des tâches non anticipées. Le travail s'inscrit dans la lignée des recherches récentes sur les modèles de fondation pour la robotique, où des architectures comme les VLA ont cherché à généraliser l'exécution de tâches à partir de démonstrations massives. WCM se positionne en complément plutôt qu'en rupture, en ajoutant une couche cognitive et interactive au-dessus du contrôle bas niveau. Les auteurs ne précisent pas de calendrier de déploiement industriel ni de partenaire commercial ; il s'agit à ce stade d'une publication de recherche, dont la prochaine étape logique serait l'extension à un plus grand nombre de tâches et de plateformes robotiques.

RecherchePaper
1 source
Modèle du monde visuo-tactile FeelWorld pour la prédiction et la planification hiérarchiques du contact
57arXiv cs.RO 

Modèle du monde visuo-tactile FeelWorld pour la prédiction et la planification hiérarchiques du contact

FeelWorld est un nouveau modèle du monde visuo-tactile hiérarchique présenté dans un article arXiv (2607.24267v1) qui prédit conjointement les futurs visuels latents et trois états tactiles : l'état de contact, un latent tactile 3D encodant les informations de force, et l'état de glissement. Ces trois signaux sont produits par un modèle de dynamique latente partagé, entraîné avec une supervision explicite et un mécanisme d'attention asymétrique à porte de contact, qui maintient un chemin de prédiction purement visuel avant tout contact puis active la prédiction conjointe visuo-tactile une fois le contact établi. L'entraînement s'appuie sur des rollouts autorégressifs et une injection de bruit contextuel pour limiter l'accumulation d'erreurs. Sur trois tâches de manipulation, saisie de puces électroniques, saisie de fruits et insertion de connecteurs USB, FeelWorld réduit le LPIPS à 10 pas de 0,084 à 0,058 et reste 61% inférieur au LPIPS d'un modèle purement visuel après un rollout autorégressif de 80 pas. Couplé à un planificateur CEM sensible au contact, il atteint un taux de réussite moyen de 81,7% en planification zero-shot. L'apport principal tient au constat que les modèles du monde utilisés en robotique se limitent en général à la dynamique visuelle, ce qui peut générer des futurs imaginés plausibles à l'œil mais physiquement incohérents dès qu'il y a contact réel avec l'objet. Pour des tâches d'assemblage précis, de préhension d'objets fragiles ou d'insertion, cette lacune pèse directement sur la fiabilité du planning robotique. En intégrant le retour tactile directement dans la boucle de prédiction plutôt qu'en aval, FeelWorld cible un des points faibles connus des architectures VLA et des pipelines de planification par imagination, où l'écart entre démonstration visuelle et physique réelle reste un obstacle à la mise à l'échelle. Le travail s'inscrit dans la lignée des modèles du monde issus du RL basé sur modèle et des architectures récentes de prédiction visuelle, jusqu'ici quasi exclusivement centrées sur l'image. La détection tactile constituait jusque-là un axe de recherche largement séparé. Il s'agit ici d'une contribution académique, sans déploiement industriel annoncé ni acteur commercial identifié ; les suites naturelles concernent des tests sur du matériel physique équipé de capteurs tactiles et une intégration dans des piles de planification robotique plus larges.

RecherchePaper
1 source
SHARE : vers une réalité augmentée montée sur casque avec SLAM centré utilisateur en espace de travail humain-robot partagé
58arXiv cs.RO 

SHARE : vers une réalité augmentée montée sur casque avec SLAM centré utilisateur en espace de travail humain-robot partagé

Une équipe de recherche présente SHARE, un système de cartographie et localisation simultanées (SLAM) conçu pour la collaboration homme-robot en espace partagé via des interfaces de réalité augmentée (RA) portées sur la tête. Publié sur arXiv fin juillet 2026, le système s'attaque à un problème concret des architectures SLAM multi-agents actuelles : les serveurs en périphérie de réseau (edge) traitent tous les agents de façon uniforme, sans distinguer les besoins de latence très différents entre un robot et un humain équipé d'un casque RA. SHARE introduit un modèle de priorisation adaptatif qui ajuste dynamiquement les priorités de transmission selon le profil de chaque agent, et réduit le temps de calcul côté edge en exploitant la redondance des données visuelles captées par plusieurs agents dans un même espace. Déployé en conditions réelles avec des casques RA commerciaux et un robot terrestre, le système atteint une latence moyenne de 13,22 millisecondes pour les utilisateurs RA, soit une réduction de 43,3% par rapport à une architecture de référence, tout en conservant une précision de suivi inférieure à 2 centimètres. Des études utilisateurs rapportent une amélioration statistiquement significative de la perception du système par les porteurs de casque. L'enjeu dépasse la prouesse technique : la latence est le facteur limitant historique des interfaces RA en environnement industriel partagé avec des robots, un décalage de quelques dizaines de millisecondes suffisant à provoquer inconfort, désynchronisation visuelle ou erreurs de manipulation. En démontrant qu'une priorisation intelligente au niveau du serveur edge, plutôt qu'un simple ajout de puissance de calcul, peut diviser la latence par deux tout en maintenant la précision de localisation des robots, SHARE offre une piste concrète pour les intégrateurs qui cherchent à déployer des postes de travail mixtes humains-robots assistés par RA, un cas d'usage encore largement expérimental. Il s'agit toutefois d'un travail de recherche académique et non d'un produit commercialisé : l'abstract ne cite aucun partenaire industriel ni feuille de route de déploiement. SHARE s'inscrit dans la lignée des systèmes SLAM multi-agents à architecture edge existants, dont il corrige une limite structurelle identifiée par les auteurs, sans mention explicite de solutions concurrentes ni de calendrier de suite pour ce travail.

RecherchePaper
1 source
Stress-tester des agents LLM dans un laboratoire de chimie robotisé
59arXiv cs.RO 

Stress-tester des agents LLM dans un laboratoire de chimie robotisé

Une équipe de recherche a testé des agents basés sur des grands modèles de langage (LLM) dans un laboratoire de chimie entièrement robotisé, utilisé comme banc d'essai physique plutôt que simulé. Le laboratoire compte 45 postes de travail modulaires exposés sous forme de compétences ("skills") lisibles par machine, ce qui a permis de lancer 4 608 essais au total. Résultat brut : seulement 3,3% des essais ont produit des workflows exécutables jugés valides par des experts humains selon les contraintes réelles du laboratoire. Même le système le plus performant testé n'a atteint que 28,1% de réussite. Sur le plan de la planification à long horizon, à peine trois workflows exécutables ont dépassé 30 opérations enchaînées, le plus long comptant 44 étapes. Sur cinq rounds successifs intégrant du feedback expérimental, les agents ont procédé à des ajustements ponctuels et locaux, mais aucun n'a jamais replanifié un workflow dans son ensemble ni redessiné une méthode analytique complète. Ce résultat vient tempérer le discours ambiant sur des agents IA capables de piloter seuls une découverte scientifique de bout en bout. Il montre que la génération de plans en langage naturel, aussi convaincante soit-elle sur le papier, ne garantit pas l'exécutabilité physique réelle en environnement contraint, et que l'écart entre démonstration et déploiement reste très large. Pour les acteurs de l'automatisation de laboratoire et les décideurs qui envisagent des pipelines de R&D pilotés par IA, le signal est clair : les agents actuels excellent à produire des plans plausibles, mais échouent majoritairement à les adapter face à des preuves expérimentales contradictoires, une capacité pourtant centrale à toute démarche scientifique itérative. Le champ de l'"IA agentique pour la science" s'est développé rapidement ces deux dernières années, porté par des promesses de laboratoires autonomes capables de concevoir et exécuter des expériences sans intervention humaine. La plupart des évaluations existantes reposent toutefois sur des simulations ou des tâches purement textuelles, ce qui limite leur valeur prédictive. En s'appuyant sur un vrai laboratoire robotisé avec ses contraintes physiques, cette étude propose un cadre diagnostique reproductible pour mesurer la maturité réelle de déploiement de ces agents, et appelle à des travaux futurs axés sur des boucles fermées permettant une véritable replanification et une redéfinition des méthodes analytiques en cours d'expérience.

RecherchePaper
1 source
Manipulation prensile et non prensile simultanées : une approche pratique des tâches dextres multi-étapes
60arXiv cs.RO 

Manipulation prensile et non prensile simultanées : une approche pratique des tâches dextres multi-étapes

Des chercheurs présentent DexMulti, une méthode d'apprentissage pour mains robotiques dextres capables de manipulation concurrente préhensile et non préhensile, c'est-à-dire tenir un objet tout en agissant sur un second. L'article, publié sur arXiv (2603.11655, version révisée), a été testé sur trois tâches multi-étapes représentatives de gestes du quotidien : saisir et tirer, saisir et ouvrir, saisir et saisir. Les essais ont été menés sur deux mains robotiques différentes, Allegro et LEAP, pour un total de plus de 1 000 essais en conditions réelles. Avec seulement 3 à 4 démonstrations par objet, DexMulti atteint un taux de réussite moyen de 66 % sur les objets d'entraînement, soit 2 à 3 fois mieux que les politiques de diffusion utilisées comme référence, tout en nécessitant nettement moins de données. La méthode généralise aussi à des objets jamais vus et à des variations spatiales allant jusqu'à 25 centimètres. L'intérêt de ces résultats tient moins à la performance brute qu'à l'efficacité d'apprentissage : la manipulation dextre multi-objets et riche en contacts est réputée gourmande en données pour les politiques de bout en bout, ce qui freine leur déploiement réel. En démontrant qu'une poignée de démonstrations par objet suffit à obtenir un comportement robuste et généralisable, ces travaux répondent directement à l'un des goulots d'étranglement identifiés dans l'apprentissage par imitation pour la robotique dextre, un enjeu qui concerne aussi bien les laboratoires de recherche que les intégrateurs cherchant à déployer des mains robotiques dans des tâches industrielles ou domestiques variées sans réentraînement massif à chaque nouvel objet. Plutôt que d'entraîner une politique monolithique, DexMulti décompose les démonstrations en compétences centrées sur l'objet, dotées de frontières temporelles claires, puis les récupère et les aligne sur l'état observé de l'objet via un estimateur qui suit son centre et son orientation, avant de les exécuter selon un paradigme de récupération-alignement-exécution. Cette architecture s'inscrit dans une tendance plus large de la recherche en manipulation dextre, qui cherche des alternatives aux politiques de diffusion et aux modèles vision-langage-action entraînés de bout en bout, jugés trop coûteux en données pour certaines tâches contraintes. Les auteurs annoncent vouloir étendre l'approche à un plus grand nombre de tâches et de configurations d'objets dans de futurs travaux.

RecherchePaper
1 source
PAC-DP : apprentissage de politiques de diffusion par une approche PAC-bayésienne
61arXiv cs.RO 

PAC-DP : apprentissage de politiques de diffusion par une approche PAC-bayésienne

Voici la traduction/résumé demandé : L'article scientifique publié sur arXiv le 28 juillet 2026 présente PAC-DP (PAC-Bayesian Diffusion Policy), une méthode d'entraînement pour les politiques de diffusion utilisées en manipulation robotique. Les auteurs modélisent la politique de diffusion comme un réseau de neurones bayésien et définissent une borne de généralisation PAC-Bayes, ce qui leur permet de dériver un nouvel objectif d'entraînement. Concrètement, cet objectif ajoute à la fonction de perte de débruitage standard un terme de régularisation basé sur la divergence de Kullback-Leibler entre la distribution postérieure et la distribution a priori des paramètres du réseau. Les résultats expérimentaux, obtenus sur plusieurs benchmarks de manipulation robotique, montrent une amélioration des performances de débruitage, une log-vraisemblance négative variationnelle plus faible, et des taux de réussite supérieurs par rapport aux politiques de diffusion classiques. Cette contribution s'adresse à un problème concret et récurrent en robotique : l'entraînement des politiques de diffusion repose généralement sur un objectif de débruitage qui offre peu de garanties de généralisation, en particulier dans les régimes à données limitées typiques des applications robotiques réelles, où collecter des démonstrations expertes reste coûteux. Les auteurs montrent que les gains de performance sont les plus marqués justement dans ces régimes à faibles données et sur les tâches complexes, ce qui suggère que PAC-DP pourrait être particulièrement utile pour les intégrateurs et laboratoires de recherche disposant de jeux de démonstrations restreints plutôt que de flottes massives de collecte de données comme celles utilisées par les grands acteurs des politiques vision-langage-action (VLA). Les politiques de diffusion se sont imposées ces dernières années comme une approche dominante pour l'apprentissage de comportements de manipulation complexes à partir de démonstrations, notamment dans des frameworks comme Diffusion Policy ou dans des composants de modèles VLA plus larges. Mais leur dépendance à un entraînement purement génératif, sans mécanisme explicite de contrôle de la généralisation, reste une limite reconnue par la communauté. PAC-DP s'inscrit dans une lignée de travaux cherchant à apporter des garanties théoriques plus rigoureuses à l'apprentissage de politiques robotiques, en s'appuyant sur le cadre PAC-Bayes déjà utilisé en apprentissage automatique classique. L'article, disponible en prépublication, ne précise pas encore de calendrier de publication en conférence ni de code source associé.

RecherchePaper
1 source
WorldDiT : une architecture de diffusion unifiée pour la modélisation du monde et des actions
62arXiv cs.RO 

WorldDiT : une architecture de diffusion unifiée pour la modélisation du monde et des actions

WorldDiT est une nouvelle architecture de transformeur à diffusion présentée dans un article arXiv publié fin juillet 2026, qui unifie la génération d'actions robotiques et la modélisation visuelle du monde dans un seul réseau. Contrairement à la tendance dominante consistant à adosser les politiques robotiques à de grands modèles vision-langage (VLM) préentraînés comme backbone, un unique transformeur à diffusion génère ici des séquences d'actions continues tout en prédisant, en parallèle, des patchs RGB normalisés issus des futures images de caméra. Sur les quatre suites de simulation LIBERO, référence standard pour évaluer la généralisation en manipulation robotique, WorldDiT se positionne sur la frontière de Pareto reliant nombre de paramètres et taux de réussite moyen, avec un modèle de moins d'un milliard de paramètres. Ce résultat questionne une hypothèse répandue dans le secteur des politiques vision-langage-action (VLA) : que la performance en manipulation exige de coupler l'action à un VLM massif préentraîné, comme le font des approches telles que Pi-0 ou GR00T N2. Un modèle sub-milliard capable de rivaliser sur ces bancs d'essai ouvre une voie vers des architectures moins gourmandes en calcul, un enjeu concret pour les intégrateurs visant un déploiement embarqué plutôt que du cloud. Le papier s'inscrit dans une lignée de recherches couplant prédiction visuelle et contrôle moteur, alors que le secteur multiplie les architectures VLA à grande échelle (Helix chez Figure, GR00T N2 chez Nvidia). Les auteurs présentent toutefois WorldDiT comme une base de référence pour de futures études de mise à l'échelle, uniquement validée en simulation LIBERO, sans expérimentation sur robot réel à ce stade.

RechercheActu
1 source
Vol anticipé guidé par les risques : un apprentissage par renforcement pour voler en sécurité dans un environnement dynamique encombré
63arXiv cs.RO 

Vol anticipé guidé par les risques : un apprentissage par renforcement pour voler en sécurité dans un environnement dynamique encombré

Une équipe de recherche présente un nouveau cadre d'apprentissage par renforcement pour la navigation sécurisée de quadrirotors dans des environnements encombrés et dynamiques, publié sur arXiv fin juillet 2026. La méthode, baptisée "anticipatory risk-guided reinforcement learning", s'appuie sur des états privilégiés du simulateur pour construire une carte de risque de collision future, orientée directionnellement et calculée via le point d'approche le plus proche (Closest Point of Approach, CPA). Une architecture actor-critic asymétrique entraîne le réseau à auto-prédire ce risque structuré, qui guide ensuite la politique visuelle au moment du déploiement réel. Un encodeur spatio-temporel léger extrait les indices de mouvement directement depuis les séquences de profondeur embarquées, sans recourir au tracking d'objets ni à l'estimation de flux optique explicite. Les auteurs rapportent des gains en marge de sécurité et en efficacité de vol par rapport aux méthodes de référence, en simulation comme en conditions réelles, avec un transfert sim-to-real zero-shot validé sur un drone physique. Pour l'industrie des drones et des systèmes autonomes, ce travail s'attaque à un point de friction connu: les pipelines modulaires classiques souffrent de latence de perception, tandis que les approches end-to-end à récompense scalaire peinent à extraire des features spatio-temporelles fiables sans supervision physique explicite. En ancrant l'apprentissage dans une notion de risque géométrique anticipé plutôt que dans un signal de récompense implicite, la méthode illustre une piste pour fiabiliser le comportement des politiques visuelles face à des obstacles mobiles, un scénario encore mal couvert par la plupart des solutions commerciales d'évitement d'obstacles pour drones et robots mobiles autonomes (AMR). Ce résultat s'inscrit dans la lignée des travaux récents combinant perception par profondeur et RL pour le vol autonome en environnement dynamique, un axe de recherche actif face aux limites persistantes des méthodes géométriques classiques. Il s'agit à ce stade d'une publication de recherche avec validation expérimentale limitée, non d'un produit ou d'un déploiement industriel; les prochaines étapes attendues porteraient sur l'extension à des essaims de drones, des obstacles multiples plus denses, et une validation à plus grande échelle hors simulation.

RecherchePaper
1 source
FutureRTC : exécution robotique en temps réel par regroupement d'actions conditionné par anticipation
64arXiv cs.RO 

FutureRTC : exécution robotique en temps réel par regroupement d'actions conditionné par anticipation

Des chercheurs présentent FutureRTC, un framework destiné à corriger un problème concret du déploiement temps réel des politiques Vision-Language-Action (VLA) sur robots : lorsque l'exécution est asynchrone, c'est-à-dire que le prochain bloc d'actions (« chunk ») est calculé pendant que le bloc courant s'exécute encore, un décalage apparaît entre ce qui a été prédit et ce qui se passe réellement, provoquant des discontinuités visibles aux frontières entre chunks. Contrairement aux approches existantes qui lissent superficiellement ces transitions, réentraînent coûteusement la politique, ou ne prédisent que les états proprioceptifs sans tenir compte des observations visuelles, FutureRTC s'installe en complément d'une politique VLA existante sans la modifier. Le système combine un module de correction d'état, qui compense l'écart entre les états proprioceptifs projetés en avance et ceux réellement observés à l'exécution, et un module de prédiction d'observation, qui anticipe les représentations visuelles au moment de l'exécution en utilisant le mouvement du robot comme a priori physique via un transport et une reconstruction de caractéristiques conditionnés par ce mouvement. Une fonction de perte de cohérence aligne enfin les chunks d'actions générés à partir de ces contextes prédits avec ceux que produirait la politique si elle recevait directement les entrées réelles. Ce travail cible un angle mort fréquent des démonstrations de VLA : la plupart des résultats publiés minimisent la latence d'inférence, un scénario éloigné des contraintes réelles d'un robot où le calcul d'un nouveau chunk prend un temps non négligeable pendant lequel le bras ou l'humanoïde continue de bouger. En corrigeant ce décalage sans réentraîner la politique, FutureRTC s'attaque directement à l'écart entre démonstration en laboratoire et déploiement industriel, un enjeu central pour les intégrateurs qui font tourner des politiques VLA génériques sur du matériel aux contraintes de latence variables. Les auteurs rapportent des trajectoires plus lisses, une exécution plus rapide et de meilleurs taux de succès face aux délais d'inférence, en simulation comme sur robot réel, sans toutefois publier de chiffres détaillés dans le résumé. Le papier s'inscrit dans la recherche actuelle sur les politiques VLA généralistes, dans la lignée de modèles comme Pi-0 ou GR00T N2, où la latence d'inférence devient critique à mesure que ces modèles grossissent. Publié sur arXiv comme nouvelle soumission, sans partenariat industriel ni calendrier de déploiement mentionné, il reste pour l'instant un résultat académique dont la portée pratique dépendra de sa reproduction sur des plateformes robotiques tierces.

RechercheActu
1 source
Interface KAI : une approche tenant compte de la cinématique pour la manipulation efficace d'objets articulés
65arXiv cs.RO 

Interface KAI : une approche tenant compte de la cinématique pour la manipulation efficace d'objets articulés

Des chercheurs présentent KAI (Kinematic-Aware Articulation Interface), une nouvelle représentation intermédiaire structurée conçue pour l'apprentissage de politiques de manipulation d'objets articulés par des robots, comme des tiroirs, des portes ou des charnières. Contrairement aux approches qui tentent d'apprendre la structure cinématique uniquement à partir de démonstrations robotiques, KAI intègre directement des a priori géométriques et cinématiques interprétables dans le processus d'apprentissage. Testée sur six tâches de simulation, la méthode atteint un taux de réussite moyen de 82,9%, égalant voire dépassant les performances des méthodes de référence tout en n'utilisant que la moitié des données de démonstration nécessaires. Le système, entraîné dans un environnement unique et non encombré, démontre également une capacité de généralisation vers des arrière-plans inédits et des scènes réelles encombrées de distracteurs visuels. En combinant l'entraînement avec des vidéos d'interactions humaines, grâce à sa conception indépendante de l'action ("action-agnostic"), le taux de réussite moyen dépasse 70% même face à des perturbations visuelles diverses. Pour l'industrie robotique, ce travail s'attaque à un goulot d'étranglement bien identifié: l'apprentissage par démonstration coûte cher en temps d'annotation et de téléopération, en particulier pour les objets articulés dont la cinématique varie fortement d'un instance à l'autre. Diviser par deux le volume de démonstrations nécessaires, si le résultat se confirme au-delà de la simulation, représenterait un gain d'efficacité concret pour les intégrateurs travaillant sur la manipulation domestique ou industrielle (portes d'armoires, électroménager, machines-outils). La possibilité de co-entraîner avec des vidéos humaines, sans capture de données robotiques dédiées, ouvre aussi une piste pour réduire davantage le coût de collecte, un enjeu central alors que les approches VLA (vision-language-action) peinent encore à passer l'échelle sans volumes massifs de données. Il s'agit à ce stade d'un article de recherche déposé sur arXiv, sans nom d'institution ni de laboratoire précisé dans le résumé, et les résultats restent principalement validés en simulation, avec un transfert vers le réel limité à des scènes encombrées plutôt qu'à un déploiement en conditions industrielles. Le travail s'inscrit dans un courant de recherche plus large visant à injecter des priors structurels explicites dans les politiques d'apprentissage, en contraste avec les approches purement end-to-end de type GR00T N2 ou Pi-0, et pourrait alimenter les futures générations de modèles de manipulation généralistes si sa robustesse se confirme sur du matériel physique.

RecherchePaper
1 source
Sling2Sim2Real : identification élastique en un seul essai pour l'apprentissage de politiques de fronde non destructif
66arXiv cs.RO 

Sling2Sim2Real : identification élastique en un seul essai pour l'apprentissage de politiques de fronde non destructif

Des chercheurs proposent Sling2Sim2Real, un cadre de manipulation robotique capable d'apprendre à tirer un lance-pierre élastique à partir d'une seule interaction réelle non destructive. Publié sur arXiv fin juillet 2026, le système a été testé sur un bras Franka Emika Panda avec des bandes élastiques aux propriétés physiques variées, pour atteindre des distances de tir différentes. La méthode fonctionne en deux temps : d'abord une identification "Real2Sim" multi-démarrage qui exploite la covariance des paramètres pour estimer les caractéristiques élastiques de la bande à partir d'un seul essai réel, sans avoir à la faire claquer ou casser ; ensuite un apprentissage de politique entièrement en simulation, suivi d'un transfert "zero-shot" vers le robot réel une fois le simulateur calibré. Les auteurs rapportent une réduction significative du nombre d'essais physiques nécessaires, sans toutefois donner de chiffres précis sur les taux de réussite ou le nombre d'itérations économisées. L'enjeu dépasse le simple exercice de lance-pierre : la manipulation d'objets élastiques (bandes, câbles, tissus) reste un point aveugle de la robotique, car leurs propriétés de déformation ne se déduisent pas de l'observation visuelle seule et varient énormément d'un objet à l'autre. Les méthodes classiques de calibration nécessitent souvent des dizaines d'essais destructifs coûteux en temps robot. En réduisant cette calibration à une seule interaction sûre, Sling2Sim2Real s'attaque directement au goulot d'étranglement du sim-to-real pour les objets déformables, un problème plus difficile que celui, déjà largement traité, des objets rigides ou articulés. Ce travail s'inscrit dans la lignée des recherches sur l'apprentissage par renforcement en simulation pour la manipulation robotique, où le fossé entre simulateur et monde réel reste l'obstacle principal au déploiement. Contrairement aux approches qui multiplient les essais réels pour affiner un modèle physique, ou qui exigent des capteurs spécialisés pour mesurer l'élasticité, Sling2Sim2Real mise sur l'inférence statistique à partir d'un minimum de données. Il s'agit pour l'instant d'un résultat de laboratoire limité à une tâche de démonstration, sans indication de généralisation à d'autres familles d'objets élastiques ni de calendrier vers une application industrielle.

RecherchePaper
1 source
Modèle du monde ancré : alignements latents prédictifs pour l'action (LeapBot-WA)
67arXiv cs.RO 

Modèle du monde ancré : alignements latents prédictifs pour l'action (LeapBot-WA)

Une équipe de recherche a publié sur arXiv (référence 2607.23969v1) LeapBot-WA, un nouveau modèle de type World Action Model (WAM) pour le contrôle robotique. Contrairement aux WAM classiques qui génèrent des vidéos pixel par pixel pour prédire l'évolution d'une scène, ce qui gaspille de la capacité de calcul sur des détails visuels sans intérêt pour la tâche et rend les politiques vulnérables aux distracteurs visuels, LeapBot-WA adopte une architecture "Predictive-Latent" en s'appuyant sur le Joint-Embedding Predictive Architecture (JEPA), utilisé comme "ancre du monde" (World-Anchor). Le système prédit la dynamique physique directement dans un espace latent abstrait plutôt que de reconstruire des images. Pour relier cet espace latent aux modèles de diffusion, les auteurs introduisent un Isotropic Semantic Autoencoder (ISAE), qui remodèle l'espace latent pour éviter les dérives hors variété. L'architecture repose aussi sur un Mixture-of-Transformers asymétrique : un Anchor Diffusion Transformer guide l'entraînement d'un Action Diffusion Transformer, puis est retiré à l'inférence pour ne conserver aucun surcoût de calcul. Sur les benchmarks LIBERO et RoboTwin 2.0, LeapBot-WA atteint l'état de l'art parmi les modèles prédictifs et rivalise avec les meilleurs WAM génératifs, sans pré-entraînement massif sur trajectoires. Le code est disponible sur GitHub (LeapWM/leapbot-wa). Pour l'industrie robotique, ce résultat questionne un présupposé répandu : que la génération vidéo pixel par pixel est nécessaire pour qu'un modèle de monde capture une dynamique physique exploitable. En montrant qu'un espace latent compact suffit à égaler des générateurs vidéo lourds, tout en gagnant en robustesse zero-shot face à des environnements inédits et en démontrant un transfert réel sur robot physique, LeapBot-WA plaide pour des architectures VLA plus légères et déployables, un enjeu concret pour les intégrateurs cherchant à réduire la latence d'inférence en production plutôt qu'en démonstration. Le travail s'inscrit dans la filiation du JEPA popularisé par les travaux de Yann LeCun sur l'apprentissage auto-supervisé non génératif, appliqué ici pour la première fois comme socle central d'un WAM plutôt que comme simple module auxiliaire. Il se positionne face aux générateurs vidéo dominants du secteur (type Pi-0, GR00T N2 ou Helix) qui misent sur la synthèse pixel. Les auteurs annoncent la publication du code mais ne mentionnent pas encore de partenariat industriel ni de calendrier de déploiement commercial.

RechercheActu
1 source
WARL : apprentissage par renforcement augmenté par la clé pour l'apprentissage indépendant de la tâche chez les robots à pattes
68arXiv cs.RO 

WARL : apprentissage par renforcement augmenté par la clé pour l'apprentissage indépendant de la tâche chez les robots à pattes

Il s'agit d'un article de recherche (arXiv), sans annonce commerciale ni acteur industriel identifié. Voici le résumé en trois paragraphes autonomes : Une équipe de recherche présente WARL (Wrench-Augmented Reinforcement Learning), une méthode d'apprentissage par renforcement pour robots à pattes qui ajoute un wrench, c'est-à-dire une force et un couple, à l'espace d'action habituellement limité aux seules commandes articulaires. L'idée centrale consiste à combiner une exploration guidée par ce wrench avec un mécanisme de curriculum basé sur le taux de réussite, afin d'élargir les capacités d'exploration en début d'entraînement, tout en visant à terme des comportements pilotés uniquement par le contrôle articulaire classique. Les expériences ont été menées sur un robot quadrupède, testé sur des terrains variés et plusieurs tâches motrices, sans ajustement de récompense spécifique à chaque terrain ni conception de curriculum complexe. Une étude d'ablation a confirmé l'efficacité du "Switching Curriculum", le mécanisme qui élimine progressivement le wrench au fil de l'apprentissage. Pour le secteur de la robotique à pattes, ce travail s'attaque à un goulot d'étranglement connu de l'apprentissage par renforcement : la difficulté d'explorer efficacement quand l'espace d'action se limite aux articulations, ce qui oblige souvent les équipes à multiplier les réglages de récompense terrain par terrain. En démontrant qu'un espace d'action augmenté par un wrench permet un apprentissage robuste sans cette ingénierie manuelle, WARL propose une piste pour réduire le temps de développement des politiques de locomotion. Mais l'étude apporte aussi un bémol important pour les praticiens : l'introduction du wrench peut favoriser des comportements qui n'exploitent pas pleinement les capacités physiques réelles du robot, un compromis entre facilité d'entraînement et fidélité à l'embodiment mécanique. Ce travail s'inscrit dans la lignée des recherches en RL pour la locomotion des quadrupèdes, où le compromis entre efficacité de l'exploration et réalisme physique reste un défi ouvert. Les auteurs positionnent explicitement leur contribution comme une amélioration de l'efficacité d'apprentissage plutôt qu'une solution définitive, et identifient comme prochaine étape critique la conception d'un espace d'action augmenté qui reste cohérent avec la structure physique du robot. Aucune date de publication de code, aucun partenaire industriel ni déploiement réel n'est mentionné à ce stade : il s'agit d'une contribution méthodologique en amont, destinée à la communauté recherche en robotique et apprentissage par renforcement.

RecherchePaper
1 source
Manipulateurs souples à câbles : estimation à horizon glissant et commande prédictive non linéaire
69arXiv cs.RO 

Manipulateurs souples à câbles : estimation à horizon glissant et commande prédictive non linéaire

Une équipe de chercheurs présente un nouveau cadre de commande pour les manipulateurs souples actionnés par câbles, combinant estimation à horizon glissant (MHE) et commande prédictive non linéaire (NMPC), fondé sur des modèles de Cosserat réduits qui décrivent la dynamique du robot souple de façon physique plutôt que par apprentissage pur. Les auteurs développent une formulation lissée de la commande par longueur de câble, qui approxime la relation de complémentarité entre tension et relâchement du câble, permettant de piloter le robot uniquement via la longueur des câbles, sans capteur de tension dédié. L'estimateur MHE reconstruit l'état réduit et la configuration complète du bras à partir des mesures de pose de l'effecteur et des longueurs de câble, tandis que le NMPC assure le suivi de trajectoire dans l'espace tâche sous contraintes de longueur et de vitesse de câble. Le système a été validé en simulation sur un manipulateur multi-câbles, puis expérimentalement sur un prototype à quatre câbles, où le schéma MHE-NMPC tourne en temps réel et suit la position de l'effecteur avec précision. L'intérêt de ces travaux tient au problème central de la robotique souple: les modèles suffisamment précis pour capturer la déformation continue d'un bras flexible sont en général trop coûteux à calculer pour une commande temps réel, ce qui pousse beaucoup d'équipes vers des approches purement data-driven, moins interprétables et moins robustes hors distribution. En montrant qu'un modèle physique réduit peut suffire à estimer et contrôler un bras souple en temps réel, sans capteur de tension supplémentaire, ce travail va dans le sens d'une commande moins instrumentée et donc moins coûteuse à déployer, un enjeu pour toute application où les manipulateurs souples visent des tâches de préhension délicate ou d'inspection en espace confiné. Il s'agit ici d'une publication de recherche académique (arXiv, prépublication non encore relue par les pairs), sans lien avec un produit commercial ou une entreprise identifiée. Elle s'inscrit dans une lignée de travaux utilisant la théorie des poutres de Cosserat pour modéliser les robots continuum, et répond spécifiquement à la difficulté classique du relâchement des câbles dans les mécanismes tendon-driven. Les prochaines étapes attendues concernent l'extension à des manipulateurs plus complexes et l'intégration dans des tâches robotiques réelles au-delà du banc d'essai à quatre câbles.

RecherchePaper
1 source
Modèle de fondation à base d'agents : combler la lacune d'orchestration des robots généralistes grâce à l'agentivité physique
70arXiv cs.RO 

Modèle de fondation à base d'agents : combler la lacune d'orchestration des robots généralistes grâce à l'agentivité physique

Un article de recherche publié sur arXiv (2607.21725v1) présente Pigey, un orchestrateur d'agence physique conçu pour piloter des robots généralistes sans données supplémentaires ni post-entraînement. Plutôt que d'entasser perception, planification, détection de succès, récupération d'erreurs et contrôle bas niveau dans une seule politique apprise par pré-entraînement massif, comme le font les modèles vision-langage-action (VLA) actuels, les auteurs séparent le problème en deux couches : un agent de contrôle langage-conditionné classique, et un gestionnaire de haut niveau qui décompose les objectifs en sous-tâches, envoie des commandes moteur, vérifie les résultats à partir des observations bas niveau et déclenche des routines de récupération en cas d'échec. Pigey peut commander aussi bien des politiques VLA existantes que des compétences paramétrées préexistantes. Sur le benchmark de simulation LIBERO-PRO, le taux de réussite passe de 12,8% à 53,3%, soit plus du quadruple, sans aucun réglage spécifique à la tâche. Sur un robot réel, les tâches nécessitant du raisonnement voient leur taux de succès grimper de quasi zéro à plus de 90% une fois la politique figée intégrée dans la boucle agentique de Pigey. Ce résultat vient alimenter un débat déjà vif dans la robotique humanoïde et manipulatrice : les modèles VLA de bout en bout, aussi impressionnants soient-ils en démonstration, échouent souvent dès que la tâche exige un raisonnement séquentiel ou une récupération après erreur, un écart que les auteurs baptisent "orchestration gap". En montrant qu'une simple couche d'orchestration explicite, sans ré-entraînement, suffit à multiplier par quatre les performances, l'étude suggère que l'échelle des données de pré-entraînement n'est pas le seul levier disponible pour combler ce fossé entre démonstration et fiabilité réelle, un enjeu direct pour les intégrateurs qui doivent déployer ces systèmes en environnement industriel non contrôlé. Cette approche s'inscrit dans une tendance plus large de la recherche en robotique généraliste, où des laboratoires développent des modèles comme Pi-0, GR00T N2 ou Helix pour unifier perception et action. Pigey se positionne comme une alternative complémentaire plutôt qu'un concurrent direct : il ne remplace pas ces politiques mais les pilote depuis l'extérieur, ce qui laisse ouverte la question de son adoption par les fournisseurs de VLA propriétaires et de son passage à l'échelle sur des tâches de manipulation encore plus complexes.

RecherchePaper
1 source
Un bras observe l'autre : coopération multi-agents dynamique pour une manipulation bimanuelle efficiente en environnement dynamique
71arXiv cs.RO 

Un bras observe l'autre : coopération multi-agents dynamique pour une manipulation bimanuelle efficiente en environnement dynamique

Des chercheurs ont présenté DynaMAC (Dynamic Multi-Agent Cooperation), un framework léger et agnostique aux politiques d'apprentissage, conçu pour la manipulation robotique bimanuelle et les environnements dynamiques. Contrairement aux politiques multi-flux classiques, qui modélisent les actions par rapport à des repères environnementaux supposés fixes, DynaMAC traite le bras opposé comme un paramètre de tâche dynamique, ce qui unifie la manipulation d'objets en mouvement et la coordination à deux bras sans imposer de relation explicite leader-suiveur. Pour évaluer l'approche, l'équipe a aussi introduit DynaBench, un nouveau benchmark dédié à la manipulation en environnement dynamique. Sur l'ensemble des tâches testées, dynamiques et bimanuelles, DynaMAC dépasse les meilleures méthodes probabilistes et génératives de plus de 35 points de pourcentage tout en nécessitant 20 fois moins d'exemples d'entraînement. Le système généralise aussi en zero-shot: entraîné uniquement sur des démonstrations statiques, il fonctionne directement dans des environnements dynamiques sans données supplémentaires. Ce résultat s'attaque à un angle mort connu des politiques VLA (vision-language-action) et des architectures multi-flux: leur efficacité d'échantillonnage repose sur l'hypothèse que le référentiel de la tâche est exogène, une hypothèse qui s'effondre dès qu'un bras manipule un objet mobile ou que deux bras interagissent, chacun devenant alors partie de l'environnement dynamique de l'autre. En résolvant cette limite causale sans sacrifier la vitesse de calcul ni la flexibilité, DynaMAC répond à un problème concret pour les intégrateurs qui cherchent à déployer des robots bimanuels en usine ou en logistique, où la collecte de données réelles en environnement mobile reste coûteuse et lente. Le travail s'inscrit dans la lignée des recherches récentes sur les politiques de manipulation type Pi-0 ou GR00T N2, qui cherchent à réduire la dépendance aux volumes massifs de démonstrations téléopérées. En simplifiant la collecte de données, via une généralisation depuis des démonstrations statiques, DynaMAC ouvre une piste vers une collaboration homme-robot plus directe, où le bras humain ou un second bras robotique serait traité nativement comme partie du contexte dynamique de la tâche plutôt que comme une perturbation à corriger.

RecherchePaper
1 source
Robot conforme : cadre modulaire pour l'impédance variable en ligne avec axes de compliance orientés arbitrairement
72arXiv cs.RO 

Robot conforme : cadre modulaire pour l'impédance variable en ligne avec axes de compliance orientés arbitrairement

Un article publié sur arXiv (2607.22483v1) présente un framework de contrôle en compliance robot-agnostique qui étend l'écosystème ROS control avec des interfaces de commande standardisées, en espace articulaire et cartésien. Le problème ciblé est concret : il n'existe pas aujourd'hui d'infrastructure logicielle réutilisable pour implémenter des algorithmes de contrôle compliant sur différents bras manipulateurs tout en conservant une interface commune vers les applications de plus haut niveau. La solution proposée repose sur une architecture à plugins qui sépare l'infrastructure du contrôleur de l'implémentation de la loi de commande : des wrappers génériques exploitent les abstractions matérielles existantes pour piloter différents robots, tandis que des plugins chargés au runtime n'implémentent que la loi de contrôle elle-même. Les interfaces gèrent des références en espace articulaire ou cartésien, des gains de raideur et d'amortissement, des cibles en nullspace et des termes feedforward, permettant de l'impédance variable et diverses formulations de compliance. La cinématique et la dynamique sont calculées à partir de modèles URDF via la bibliothèque Pinocchio. Le contrôleur d'impédance cartésienne de référence permet en particulier de faire tourner en ligne les axes principaux de raideur et d'amortissement (translation et rotation) selon la géométrie locale de la tâche, plutôt que de les figer dans le repère du robot ou de l'outil. Pour l'industrie robotique, l'intérêt est la portabilité : la même implémentation de contrôleur peut être déployée sans modification sur des manipulateurs aux caractéristiques cinématiques et dynamiques très différentes, ce qui réduit le travail de ré-ingénierie habituellement nécessaire à chaque changement de plateforme. La possibilité de réorienter dynamiquement les directions de compliance répond directement à un besoin identifié en manipulation en contact riche, où les directions de mouvement, de contrainte et de compliance évoluent en cours de tâche plutôt que de rester fixes. Le framework complet, comprenant les contrôleurs de référence, les interfaces de tâche de haut niveau et des configurations d'exemple pour plusieurs manipulateurs, est publié en open source. Les auteurs valident l'approche par des expériences sur robot réel démontrant la compliance dépendante de la tâche en manipulation en contact riche, complétées par des simulations montrant la portabilité du framework sur des manipulateurs aux propriétés distinctes.

RecherchePaper
1 source
StARS : recommandation d'actions robotiques socialement appropriées via un système de recommandation
73arXiv cs.RO 

StARS : recommandation d'actions robotiques socialement appropriées via un système de recommandation

Des chercheurs de l'Université de Cambridge (groupe Cambridge-AFAR) publient StARS, un nouveau cadre pour générer des actions robotiques socialement appropriées en tenant compte de la variabilité des jugements humains. Le constat de départ est simple : deux personnes peuvent juger différemment la même action d'un robot dans une situation identique, ce qui rend obsolète l'idée d'un score d'appropriation universel. Plutôt que d'entraîner un modèle unique censé plaire à tout le monde, l'équipe reformule le problème comme un système de recommandation, en traitant les annotateurs comme des utilisateurs, les scènes ou contextes comme des items, et les scores d'appropriation attribués à un ensemble d'actions candidates comme les cibles à prédire. StARS combine du filtrage collaboratif avec des représentations de scène apprenables, et reste agnostique au modèle sous-jacent : il peut s'intégrer à différents encodeurs de scène et backbones sans redesign complet. Les auteurs l'ont testé sur deux jeux de données de référence en robotique sociale, MannersDB+ et SocNav1, avec une analyse de robustesse en cas de retours de préférence peu nombreux. Le code est disponible publiquement sur GitHub. Pour l'industrie de l'interaction humain-robot, cette approche s'attaque à un angle mort classique des systèmes actuels : la plupart des modèles d'appropriation sociale produisent un score moyen, sans distinguer les préférences individuelles des utilisateurs, ce qui limite leur usage réel en contexte domestique, hospitalier ou en espace public partagé. En montrant des gains constants d'accord avec les annotateurs sur plusieurs jeux de données et plusieurs architectures, StARS suggère qu'une personnalisation légère, sans réentraîner le modèle de base, est possible pour affiner le comportement social des robots selon l'utilisateur. Ce travail s'inscrit dans la lignée des travaux sur l'évaluation de l'appropriation sociale en HRI (notamment les jeux de données MannersDB et SocNav utilisés ici) et dans la tradition plus large des systèmes de recommandation appliqués hors du e-commerce. Il reste à ce stade une contribution académique, publiée en préprint sur arXiv sans annonce de déploiement industriel ni de partenariat commercial ; la suite logique serait une validation sur des interactions robot-humain en conditions réelles, au-delà des jeux de données existants.

RecherchePaper
1 source
ACME : jeu de données multiculturel et multi-incarnation pour la navigation sociale
74arXiv cs.RO 

ACME : jeu de données multiculturel et multi-incarnation pour la navigation sociale

Wandercraft, Pollen Robotics ou tout autre acteur français ne figurent pas dans cette étude, qui reste une publication de recherche pure sur arXiv. Voici la synthèse. Une équipe de chercheurs publie ACME (Cross-cultural, Multi-Embodiment dataset), un jeu de données destiné à la navigation sociale des robots, collecté sur 8 sites répartis dans 5 pays et utilisant 7 embodiments robotiques différents. Le corpus totalise 29,35 heures de données embarquées capturées directement par les robots et 43,5 heures de suivi piéton en vue aérienne. Contrairement aux jeux de données existants, ACME cible spécifiquement des scénarios de navigation orientée objectif en environnement social complexe, avec des interactions explicites robot-foule incluant la parole du robot comme signal d'interaction. Le dataset fournit des features de scène en 2D et 3D, des données d'odométrie, des informations d'interaction et des trajectoires piétonnes annotées manuellement, disponibles à la fois en format brut binaire et en version lisible par sensor modality. L'enjeu pour l'industrie robotique est celui de la généralisation. Les politiques de navigation sociale entraînées aujourd'hui reposent souvent sur des corpus captés dans un seul pays, avec un seul type de robot, ce qui expose les systèmes déployés à un risque de mauvaise généralisation face à des normes culturelles de proxémie ou de comportement piéton différentes. En couvrant plusieurs cultures et embodiments simultanément, ACME répond directement à cette limite documentée dans la littérature. Les auteurs affirment que leur dataset capture des scénarios plus complexes et une distribution de comportements piétons plus large que les jeux de données précédents, une évaluation qualitative et quantitative qui reste toutefois auto-rapportée par l'équipe elle-même et mériterait une validation indépendante avant d'être prise comme référence de facto. Ce travail s'inscrit dans une dynamique plus large de la recherche en robotique mobile, où la multiplication des robots de service et de livraison en espace partagé avec des humains a rendu criante l'absence de données d'entraînement culturellement diverses. La publication ouverte du dataset, avec formats bruts et annotés, vise à en faire un benchmark communautaire pour entraîner des politiques de navigation et des modèles de prédiction de trajectoires piétonnes, sans qu'aucune date de disponibilité publique ou dépôt associé ne soit précisé dans l'abstract.

RecherchePaper
1 source
GRACE : génération d'actions robotiques sans gradient par estimation de la moyenne a posteriori combinant diffusion et MPPI
75arXiv cs.RO 

GRACE : génération d'actions robotiques sans gradient par estimation de la moyenne a posteriori combinant diffusion et MPPI

Des chercheurs universitaires anonymes (soumission en double aveugle, code et vidéos disponibles sur un dépôt anonyme) publient sur arXiv la méthode GRACE, pour Gradient-free Robot Action generation via Combined diffusion-MPPI posterior mean Estimation. Le principe : piloter une politique de diffusion déjà entraînée sur des démonstrations, en la guidant au moment du déploiement grâce au contrôle MPPI (Model Predictive Path Integral), sans jamais calculer de gradient. À chaque étape de débruitage, GRACE construit une distribution de guidage conditionnée par un coût, puis en estime la moyenne via une seule mise à jour MPPI centrée sur la moyenne de diffusion inverse. Sur un bras manipulateur réel à 7 degrés de liberté (7-DoF), le système évite systématiquement un obstacle placé au moment du déploiement, un obstacle que la politique non guidée percute à chaque essai. En simulation, GRACE dépasse aussi bien les méthodes de diffusion classiques que les approches par échantillonnage pur en taux de réussite. L'apport pratique tient à un verrou technique précis : la plupart des méthodes de guidage de politiques de diffusion exigent des coûts différentiables, ce qui exclut de fait des contraintes de sécurité pourtant basiques en robotique industrielle, comme les vérifications de collision binaires, les limites articulaires ou les coûts de simulation en boîte noire, non différentiables par nature. En rendant le guidage possible avec de simples évaluations de coût "forward", sans rétropropagation, GRACE élargit le champ des contraintes imposables à une politique déjà entraînée, sans réentraînement. Pour les intégrateurs et les équipes robotique confrontées à l'écart classique entre démonstration en labo et déploiement réel, c'est un argument concret contre l'idée que les politiques de type VLA ou diffusion resteraient fragiles dès qu'un imprévu géométrique apparaît sur le terrain. Le travail s'inscrit dans la lignée des politiques de diffusion pour la manipulation robotique, où le guidage par gradient s'est imposé comme standard mais butait sur les contraintes non différentiables, et du contrôle prédictif MPPI, technique de contrôle par échantillonnage éprouvée en robotique mobile et manipulation depuis plusieurs années. GRACE relie formellement les deux cadres : sous une approximation au premier ordre à covariance appariée, la méthode retrouve le guidage par gradient classique comme cas particulier. À ce stade, il s'agit d'un résultat de recherche académique validé sur un seul bras manipulateur en conditions contrôlées, sans indication de partenariat industriel ni de feuille de route vers un produit commercial.

RecherchePaper
1 source
Robot à peau artificielle : évaluation humaine des réflexes tactiles de retrait
76arXiv cs.RO 

Robot à peau artificielle : évaluation humaine des réflexes tactiles de retrait

Une équipe de recherche a testé trois stratégies de réflexe de retrait pour un bras robotique entièrement recouvert d'une peau tactile sensible à la pression, s'inspirant du mécanisme biologique de nociception qui relie une stimulation nocive à une réaction de protection. Le système convertit la pression détectée sur la peau du robot en un "gain de douleur" scalaire via un modèle continu non linéaire, puis déclenche l'un des trois comportements : un réflexe uniforme qui rétracte quatre articulations vers la base du bras quel que soit le point de contact, un réflexe bio-inspiré dérivé des caractéristiques du réflexe de retrait humain et dépendant de la localisation du contact, et un réflexe en espace cartésien qui retire le bras le long de la normale à la surface touchée. Un contrôleur de réflexe interrompt la tâche en cours, exécute le retrait, puis ramène le bras à sa position initiale. Quinze participants ont évalué ces comportements via le questionnaire Godspeed, des échelles maison de naturel perçu et de sécurité, et des comparaisons en choix forcé. Résultat contre-intuitif : le réflexe uniforme, le plus simple et le moins biomimétique, a été jugé le plus sûr, le plus naturel et le plus humain par les participants, devançant les deux alternatives plus sophistiquées sur les sous-échelles d'anthropomorphisme, d'animacité et de sympathie. Le réflexe cartésien a été perçu comme la réaction la plus appropriée au toucher, tandis que le réflexe bio-inspiré n'a dominé sur aucun critère. Pour les concepteurs de cobots et de bras à peau tactile, ce résultat suggère que la prévisibilité du mouvement compte davantage que la fidélité biologique dans l'acceptation utilisateur, un enseignement à contre-courant de l'hypothèse répandue selon laquelle imiter le vivant améliore automatiquement l'interaction homme-robot. Les auteurs attribuent la contre-performance du réflexe bio-inspiré à l'écart d'incarnation entre un bras robotique et un bras humain, les attentes des utilisateurs envers un manipulateur industriel différant de celles envers un membre biologique. Ce travail s'inscrit dans la recherche croissante sur les peaux robotiques tactiles pleine surface et la sécurité physique homme-robot, et ouvre la voie à des études complémentaires sur la personnalisation des réflexes selon le contexte d'usage ou le type de robot.

RecherchePaper
1 source
Mag4D-SLAM : un jeu de données géomagnétique 4D multimodal à traversées répétées pour la localisation et la cartographie
77arXiv cs.RO 

Mag4D-SLAM : un jeu de données géomagnétique 4D multimodal à traversées répétées pour la localisation et la cartographie

Des chercheurs ont publié Mag4D-SLAM, premier jeu de données de grande échelle dédié à la localisation et cartographie simultanées (SLAM) par détection géomagnétique en extérieur, décrit dans un article déposé sur arXiv en juillet 2026 (arXiv:2607.21986). Le dataset comprend 14 séquences totalisant plus de 18 kilomètres de trajectoires, enregistrées sur des parcours structurés de campus universitaire, en conditions diurnes et nocturnes appariées, et dans les deux sens de parcours. Chaque séquence synchronise cinq modalités de capteurs : LiDAR, caméra, centrale inertielle (IMU), magnétomètre tri-axial et GNSS, avec des poses de vérité terrain en six degrés de liberté (SE(3)) à haute précision. Grâce à des passages répétés sur les mêmes trajets, les auteurs étudient trois propriétés clés : la répétabilité du champ magnétique entre sessions d'enregistrement différentes (jour/nuit), l'estimation d'un cap global sans dérive, et la capacité des signatures magnétiques à discriminer des lieux pour la reconnaissance de lieu inter-session. Ce dataset comble un vide identifié par les auteurs : les jeux de données magnétiques existants se limitent à des environnements intérieurs de petite échelle et manquent de la structure multimodale synchronisée, du protocole de passages répétés et de la vérité terrain 6-DoF nécessaires pour étudier sérieusement le SLAM géomagnétique. Pour la robotique mobile et les systèmes de navigation autonome, la détection géomagnétique présente un intérêt concret : c'est une référence d'orientation absolue, sans infrastructure dédiée, robuste au brouillage ou à la perte du signal GNSS et aux dégradations visuelles comme la faible luminosité ou la répétitivité structurelle des environnements. Un jeu de données ouvert de cette ampleur pourrait accélérer les recherches sur la fermeture de boucle magnétique, la correction de dérive de cap, et la fusion de cette modalité avec les approches visuelles et LiDAR classiques, notamment comme solution de repli en cas de dégradation d'autres capteurs sur des missions longue durée. Le papier positionne explicitement Mag4D-SLAM comme une contribution de recherche ouverte plutôt qu'un produit commercial : les auteurs le présentent comme un point de départ pour de nouvelles questions de recherche, sans annoncer de déploiement industriel ni de partenariat. Il s'inscrit dans une littérature encore naissante sur le SLAM multimodal pour la robotique en environnements où le GNSS est indisponible ou peu fiable, un axe suivi de près par les équipes travaillant sur la navigation longue durée en extérieur, aussi bien en robotique terrestre qu'en drones.

RecherchePaper
1 source
Impédance de manipulateurs embarqués sur navire via dynamique inverse dans l'espace des tâches basée sur l'optimisation
78arXiv cs.RO 

Impédance de manipulateurs embarqués sur navire via dynamique inverse dans l'espace des tâches basée sur l'optimisation

Des chercheurs proposent un nouveau système de contrôle pour bras robotiques embarqués sur des navires, confrontés aux mouvements erratiques de la houle. Le framework combine une commande au niveau couple, basée sur la dynamique inverse en espace tâche (task-space inverse dynamics, TSID), résolue par programmation quadratique, avec un contrôle d'impédance permettant de gérer à la fois le suivi précis de trajectoire et les tâches de manipulation en contact. Pour compenser dynamiquement les perturbations liées au mouvement de la base, un filtre de Kalman à état d'erreur (ESKF) estime en temps réel la position de la base en fusionnant les données inertielles avec le retour de pose de l'effecteur terminal. Testée en simulation puis en conditions réelles sur un bras manipulateur à 7 degrés de liberté (DOF) monté sur une plateforme Stewart à 6 DOF simulant le tangage et le roulis d'un navire, la méthode réduit l'erreur de suivi de position de l'effecteur de plus de 25,7% par rapport à la meilleure référence testée. Elle permet aussi une insertion dynamique de type peg-in-hole avec seulement 1 mm de jeu, tout en réduisant de 45% les forces de contact moyennes. Cette avancée s'attaque à un verrou technique concret pour la robotique maritime et offshore: la manipulation fine à bord de plateformes mobiles reste un défi majeur pour l'entretien d'infrastructures en mer, le transfert de charges entre navires ou les opérations de maintenance sur éoliennes offshore, où le couplage dynamique entre base instable et bras articulé dégrade habituellement la précision et complique tout contact contrôlé. Une réduction significative des forces de contact tout en maintenant un succès élevé sur une tâche de précision millimétrique constitue une preuve tangible que des opérations délicates, jusqu'ici réservées à des environnements statiques, deviennent envisageables en mer. Ce travail s'inscrit dans la lignée des recherches en contrôle robuste pour bases mobiles non stationnaires, où les approches précédentes peinaient à combiner compensation dynamique et compliance en environnement de contact. En couplant estimation d'état par capteurs inertiels et retour visuel ou de pose, les auteurs ouvrent la voie à des validations sur navires réels et à l'extension de la méthode à d'autres configurations de bras et de plateformes mobiles instables.

RecherchePaper
1 source
IA incarnée et prédictive : le contrôle par apprentissage sûr pour les systèmes robotiques ego-monde
79arXiv cs.RO 

IA incarnée et prédictive : le contrôle par apprentissage sûr pour les systèmes robotiques ego-monde

Des chercheurs proposent SOWL-MPC, une méthode de contrôle prédictif sûr conçue pour un nouveau scénario baptisé "ego-world robotic framework": un robot ego doit naviguer aux côtés d'un autre robot ("world robot") dont la politique de contrôle est totalement inconnue. Plutôt que de supposer un comportement prévisible chez l'autre agent, comme le font la plupart des méthodes existantes, l'approche combine un mécanisme d'apprentissage en ligne basé sur des processus gaussiens variationnels épars (SVGP) avec un schéma de contrôle à horizon glissant. À partir de simples mesures d'état bruitées, le système infère une distribution postérieure sur la politique latente du robot tiers, mise à jour en continu via un conditionnement variationnel en ligne (OVC), puis propagée dans la dynamique non linéaire du système via un schéma approché de propagation des moments, avant d'alimenter un contrôleur prédictif (MPC) sensible à l'incertitude. La méthode a été testée lors de campagnes Monte Carlo en simulation sous ROS 2, puis validée sur du matériel robotique réel dans une arène intérieure. Il s'agit d'un article de recherche déposé sur arXiv (2607.22225v1), pas d'un produit commercialisé. L'enjeu dépasse l'exercice académique: dans les entrepôts, les usines ou les espaces partagés où circulent plusieurs robots mobiles (AMR) ou humanoïdes issus de flottes ou de fabricants différents, un robot ne connaît généralement pas la politique de contrôle exacte des autres agents évoluant autour de lui. Les méthodes de navigation sûre reposent le plus souvent sur des hypothèses simplificatrices, modèles cinématiques fixes, comportements connus à l'avance, qui s'effondrent dès que l'environnement devient hétérogène. Une approche capable d'apprendre en ligne le comportement d'un agent inconnu tout en garantissant des marges de sécurité formelles répond directement à ce point de friction, potentiellement utile pour l'intégration de flottes multi-fournisseurs. Le travail s'inscrit dans la lignée des recherches combinant processus gaussiens et contrôle prédictif pour la navigation sûre, un axe actif depuis plusieurs années en robotique mobile et en interaction homme-robot. La validation reste toutefois limitée à une arène intérieure contrôlée: le passage à des environnements réels plus complexes, avec davantage d'agents ou des dynamiques plus rapides, constitue la prochaine étape logique avant tout usage industriel.

RecherchePaper
1 source
Aviation autonome : évaluation zéro-shot des agents MLLM au niveau mission
80arXiv cs.RO 

Aviation autonome : évaluation zéro-shot des agents MLLM au niveau mission

Des chercheurs ont présenté MissionBench, un benchmark évaluant des agents pilotés par des modèles multimodaux de grande taille (MLLM) sur des missions aériennes complètes, à partir d'une seule instruction de haut niveau. Le corpus comprend 120 missions réparties sur cinq environnements 3D simulés et quatre familles de tâches. Les agents doivent planifier, naviguer et rendre compte du résultat en s'appuyant uniquement sur des observations égocentriques et leur historique d'actions, sans aucun fine-tuning spécifique au domaine aérien. Sur 22 MLLM testés, open source et propriétaires, le meilleur modèle ne réussit que moins de 35% des missions, contre 84,4% pour des opérateurs humains. Les auteurs notent des écarts de performance importants entre familles de modèles, mais aussi un effet d'échelle: les modèles plus grands montrent de meilleures capacités zéro-shot en environnement incarné. Ce résultat vient objectiver un doute déjà répandu chez les intégrateurs de systèmes autonomes: la capacité d'un modèle de langage à raisonner sur du texte ou des images isolées ne garantit pas sa compétence sur une tâche longue et multi-étapes en conditions réelles. L'écart de près de 50 points entre humains et meilleur modèle rappelle que la promesse d'un agent "donnez-lui une consigne, il se débrouille" reste largement prématurée pour les missions de drones ou de robots mobiles nécessitant planification adaptative, mémoire d'actions et correction d'erreurs en cours de route. Pour les décideurs évaluant des offres d'autonomie embarquée, c'est un signal à ne pas confondre démonstration isolée et fiabilité en conditions de mission complète. Le travail s'inscrit dans la tendance à utiliser des MLLM généralistes comme module de raisonnement central d'agents incarnés, plutôt que des modèles vision-langage-action spécialisés type Pi-0 ou GR00T N2. Les benchmarks existants évaluaient surtout la perception ou des sous-tâches isolées; MissionBench vise l'évaluation de bout en bout, en boucle fermée. Les auteurs appellent explicitement à davantage d'évaluations en boucle fermée pour mesurer si les gains obtenus par simple mise à l'échelle des modèles se traduisent réellement en fiabilité opérationnelle, plutôt qu'en performance de façade sur des benchmarks statiques.

RecherchePaper
1 source
ViTacWorld : passage à l'échelle des modèles du monde visuo-tactiles pour la manipulation robotique riche en contacts
81arXiv cs.RO 

ViTacWorld : passage à l'échelle des modèles du monde visuo-tactiles pour la manipulation robotique riche en contacts

Des chercheurs présentent ViTacWorld, un modèle de monde visuo-tactile conditionné par l'action, conçu pour la manipulation robotique riche en contacts, décrit dans une prépublication arXiv (2607.22530v1). Le système s'appuie sur des jeux de données tactiles réels publics combinés à un environnement de simulation construit spécifiquement pour l'occasion, afin de générer à grande échelle des trajectoires visuo-tactiles-actions. Le modèle est d'abord préentraîné sur de larges volumes de trajectoires réelles et simulées, puis affiné avec des rollouts de politiques collectés en conditions réelles pour mieux coller aux comportements de manipulation visés. À partir d'une séquence d'actions du robot, ViTacWorld prédit conjointement les observations visuelles et le retour tactile correspondants, permettant de générer des rollouts visuo-tactiles-actions complets. Les auteurs présentent cela comme le premier cadre exploitant un modèle de monde pour la génération de trajectoires visuo-tactiles-actions et l'évaluation de politiques robotiques. L'enjeu central est le coût et la rareté des données tactiles réelles, qui freinent l'apprentissage robotique basé sur le toucher : matériel spécifique, collecte coûteuse, diversité de tâches et de scènes limitée. En misant sur le fait que le signal tactile, directement ancré dans le contact physique, souffre d'un écart simulation-vers-réel plus faible que la seule vision, ViTacWorld propose une voie pour combler ce manque de données sans multiplier les campagnes de collecte sur robot réel. Pour les équipes de recherche en manipulation fine (assemblage, insertion, préhension d'objets déformables), cela ouvre deux usages concrets : générer des données synthétiques pour améliorer des politiques tactiles en aval, et évaluer des politiques existantes en prédisant leurs résultats visuo-tactiles sous des séquences d'actions contrôlées, sans passer systématiquement par des essais physiques. C'est un signal de plus que les modèles de monde, déjà répandus en vision, commencent à s'étendre à d'autres modalités sensorielles pour la robotique de contact. Ce travail s'inscrit dans la lignée des modèles de monde appliqués à la robotique, jusqu'ici centrés presque exclusivement sur la modalité visuelle, et dans la continuité des efforts pour réduire la dépendance de l'apprentissage tactile aux capteurs propriétaires et aux collectes sur site. Les expériences menées par les auteurs sur des tâches de manipulation riches en contacts montrent que ViTacWorld génère des rollouts physiquement cohérents, améliore les performances de politiques via une augmentation de données scalable, et permet une évaluation de politiques conditionnée par l'action. Le projet est documenté sur vitacworld.github.io. L'article ne mentionne aucun partenariat industriel ni déploiement commercial à ce stade : il s'agit d'une contribution de recherche dont la portée réelle dépendra de sa reproduction sur des plateformes robotiques variées et de son adoption par des équipes travaillant sur l'assemblage ou la manipulation fine en environnement industriel.

RecherchePaper
1 source
Modèles de génération de graphes de scènes 2D géométriques
82arXiv cs.RO 

Modèles de génération de graphes de scènes 2D géométriques

Une équipe de recherche propose une nouvelle méthode pour générer automatiquement des graphes de scène représentant les relations d'assemblage entre composants, sans recourir à des données sémantiques annotées et en fonctionnant avec un jeu de données très restreint. Le pipeline s'appuie d'abord sur un modèle Faster R-CNN pour détecter les composants et produire des représentations géométriques de leur position et de leur forme. Ces représentations passent ensuite par une architecture transformer chargée de générer une matrice d'adjacence, qui sert à son tour d'entrée à un réseau siamois. Ce dernier utilise un mécanisme de passage de messages fondé sur un réseau convolutionnel de graphe attentionnel (aGCN) pour caractériser précisément la nature des connexions entre pièces. La méthode a été validée sur un jeu de données d'étude composé de pièces de modèles réduits assemblables en véhicules de transport (type maquettes jouets). Pour la robotique d'assemblage, ce travail répond à un problème très concret : un bras robotique ne peut planifier ni exécuter un montage sans comprendre comment les pièces s'articulent entre elles, et les approches classiques de génération de graphes de scène reposent généralement sur de lourdes bases sémantiques annotées, coûteuses à constituer pour chaque nouveau produit industriel. En s'appuyant uniquement sur la géométrie détectée visuellement et en tolérant de petits volumes de données d'entraînement, cette approche vise à réduire le travail d'annotation nécessaire pour déployer un système de compréhension d'assemblage sur une nouvelle chaîne de production ou un nouveau produit, ce qui intéresse directement les intégrateurs et les équipes R&D en robotique industrielle. Ce travail s'inscrit dans la lignée des recherches sur la génération de graphes de scène (scene graph generation), initialement développée pour la compréhension d'images en vision par ordinateur, mais ici réorientée vers un cas d'usage industriel précis : la planification d'assemblage robotique. La combinaison Faster R-CNN plus transformer plus réseau siamois à base de aGCN constitue une architecture hybride originale, distincte des approches purement sémantiques dominantes dans ce domaine. Publiée sur arXiv, cette contribution reste à ce stade une preuve de concept testée sur un jeu de données jouet ; sa généralisation à des composants industriels réels, à des géométries plus complexes ou à des scènes encombrées reste une étape à valider.

RecherchePaper
1 source
DB-VIO : odométrie visuelle-inertielle à double branche avec représentation visuelle-inertielle améliorée
83arXiv cs.RO 

DB-VIO : odométrie visuelle-inertielle à double branche avec représentation visuelle-inertielle améliorée

Résumé rédigé, sans travail d'outil nécessaire. DB-VIO est un nouveau système d'odométrie visuo-inertielle développé pour estimer précisément la pose à six degrés de liberté (6-DoF) des robots mobiles, présenté dans un preprint publié sur arXiv (arXiv:2607.22123v1). Contrairement aux approches d'apprentissage existantes qui fusionnent vision et inertie dans une représentation unique traitée par un seul modèle temporel, DB-VIO sépare le problème en deux branches dédiées, une pour la rotation, une pour la translation. Le système enrichit la perception visuelle monoculaire avec des indices de profondeur et injecte un a priori d'attitude intégré pour renforcer les signaux rotationnels souvent implicites dans les données brutes de la centrale inertielle (IMU). Testé sur les benchmarks KITTI (conduite autonome) et EuRoC (robot aérien), DB-VIO améliore les méthodes de référence de 20% sur KITTI et de 33% sur EuRoC, avec un gain de 65,7% sur la métrique rotationnelle dans les scénarios de mouvement agile d'EuRoC. Ces résultats, à ce stade limités à des benchmarks académiques standardisés et non à un déploiement réel, illustrent une tendance de fond dans la navigation robotique: la décomposition explicite des tâches de perception plutôt que des architectures monolithiques tend à mieux capturer des dynamiques physiques hétérogènes. Pour les intégrateurs travaillant sur des drones, des véhicules autonomes ou des robots mobiles, ce type d'avancée conditionne directement la fiabilité du suivi de trajectoire en environnement GPS-dégradé, un enjeu critique pour la navigation en intérieur ou en essaim. L'odométrie visuo-inertielle reste un champ actif depuis les approches classiques comme VINS-Mono jusqu'aux méthodes apprises plus récentes, ces dernières cherchant à dépasser les limites des pipelines géométriques traditionnels face au bruit capteur et aux mouvements rapides. DB-VIO s'inscrit dans cette lignée en ciblant spécifiquement la faiblesse connue des features monoculaires, l'absence de structure géométrique explicite. Aucune date d'intégration industrielle ni partenariat n'est mentionné à ce stade, le travail restant une contribution de recherche.

RecherchePaper
1 source
Main humanoïde monolithique à pliage origami asymétrique et actionneurs à double chambre
84arXiv cs.RO 

Main humanoïde monolithique à pliage origami asymétrique et actionneurs à double chambre

Une équipe de chercheurs présente une nouvelle main robotique souple entièrement monolithique, baptisée OSOR (Origami-inspired SOft Robotic hand), imprimée en une seule pièce par frittage laser sélectif (SLS) dans un seul matériau, le polyuréthane thermoplastique (TPU). L'innovation repose sur deux structures géométriques inédites : le motif de flexion origami asymétrique (AOB), décliné en versions à chambre simple (AOB-S) pour les doigts et à double chambre asymétrique (AOB-D, ou ADC) pour la paume, qui reproduit un mouvement combiné doigts-paume inspiré de la main humaine. Les essais expérimentaux, validés par des modèles analytiques et une analyse par éléments finis, montrent une amplitude de flexion maximale de 203 degrés pour les doigts et 40 degrés pour la paume, avec des forces de sortie respectives de 6,3 N et 16 N. La main démontre plusieurs types de préhension : pincement délicat d'un morceau de tissu, saisie stable d'une bouteille d'eau à deux doigts, prise paume seule, et l'ensemble des prises de puissance recensées dans la taxonomie standard des préhensions manufacturières. L'apport principal ne tient pas tant à la performance brute qu'à la simplification radicale de la fabrication. Les mains souples existantes offrent une bonne adaptabilité passive mais restent souvent limitées par des architectures multi-matériaux ou multi-pièces, coûteuses à produire et fragiles à assembler. En démontrant qu'une géométrie asymétrique unique permet à la fois la flexion des doigts et le mouvement de paume dans une structure imprimable en un seul bloc, les auteurs répondent directement au compromis habituel entre performance et facilité de production, un frein connu à l'adoption industrielle des préhenseurs souples pour la manutention, la logistique ou la robotique collaborative. Ce travail s'inscrit dans la lignée des actionneurs souples inspirés de l'origami, un axe de recherche actif visant à remplacer les architectures pneumatiques complexes par des géométries pliables imprimables directement. Contrairement aux préhenseurs à jamming granulaire ou aux mains tendineuses multi-articulées développées par d'autres laboratoires, l'approche ici mise sur la simplicité structurelle plutôt que sur la richesse des degrés de liberté. Les auteurs évoquent la poursuite des travaux vers une caractérisation plus fine du ratio d'asymétrie et une intégration potentielle sur des bras robotiques complets.

RecherchePaper
1 source
Robot-Factored World Models via le rendu de robots
85arXiv cs.RO 

Robot-Factored World Models via le rendu de robots

Un article de recherche publié sur arXiv (2607.22535) propose une nouvelle architecture pour les "world models" en robotique, ces systèmes qui prédisent les observations futures d'une scène à partir d'une image initiale et d'un signal d'action. L'équipe identifie un problème structurel dans les approches existantes : conditionner le modèle directement sur les commandes d'action l'oblige à apprendre lui-même comment le corps du robot et son contrôleur traduisent ces commandes en mouvement réel, tandis que le conditionner sur les états futurs enregistrés revient à lui donner d'avance le résultat qu'il est censé prédire. La solution proposée, baptisée "robot-factored world model", sépare deux facteurs propres au robot en amont du modèle. D'abord, la trajectoire nominale : chaque commande est passée par le contrôleur et la cinématique du robot pour produire un signal intermédiaire disponible au déploiement. Ensuite, le rendu robotique : cette trajectoire est rendue via le fichier URDF du robot, extrayant sa géométrie et son apparence du modèle d'apprentissage. Pour lever l'ambiguïté de profondeur, les chercheurs associent la profondeur de l'effecteur terminal à celle de la scène. Cette approche cible un angle mort connu des modèles vidéo conditionnés par l'action utilisés en planification et simulation robotique, à savoir leur difficulté à généraliser au-delà du robot sur lequel ils ont été entraînés. Les résultats montrent que l'interface de rendu surpasse les méthodes de référence conditionnées par vecteurs d'action et généralise à des embodiments robotiques inédits au moment de l'inférence, un point sensible pour l'industrie alors que les modèles vision-langage-action (VLA) cherchent à s'affranchir de la dépendance à une plateforme matérielle unique. Le modèle parvient aussi à générer des vidéos de manipulation robotique à partir de démonstrations humaines, en retargetant le mouvement de la main vers une géométrie de robot. Ces travaux s'inscrivent dans une compétition plus large autour des world models et des politiques VLA à grande échelle, un terrain où Physical Intelligence (Pi-0), NVIDIA (GR00T N2) ou Figure (Helix) investissent massivement pour rendre leurs systèmes transférables d'un robot à l'autre. La piste du rendu explicite de la géométrie robotique, plutôt que son encodage implicite dans des vecteurs d'action, pourrait devenir un standard méthodologique si elle se confirme sur des déploiements réels au-delà des benchmarks académiques.

RecherchePaper
1 source
Modélisation de récompense de progression pour l'apprentissage robotique : une étude complète
86arXiv cs.RO 

Modélisation de récompense de progression pour l'apprentissage robotique : une étude complète

Une étude publiée sur arXiv (arXiv:2607.21655v1) propose la première synthèse structurée de la littérature sur le "progress reward modeling" en apprentissage robotique, soit les signaux de récompense qui mesurent l'avancement d'une tâche pendant son exécution, et non plus seulement à son terme. Le constat de départ est simple: un signal de succès terminal indique si la tâche est accomplie, mais ne dit rien sur le fait qu'un robot progresse, stagne ou régresse dans son comportement en cours de route. Face à la profusion de méthodes récentes exploitant ce type de retour intermédiaire, les auteurs organisent le champ en trois axes reliés: l'interface du modèle (quelles observations et spécifications d'objectif il reçoit, quel signal de progression il produit), les mécanismes internes de construction de ce signal, puis les données et protocoles d'évaluation qui servent à le valider. L'étude recense aussi les limites actuelles des approches existantes et esquisse des pistes de recherche futures. L'enjeu dépasse la seule taxonomie académique. En apprentissage par renforcement ou par imitation, la récompense terminale rare reste un goulot d'étranglement majeur pour les tâches longues de manipulation ou de locomotion: sans retour intermédiaire, l'agent ne sait pas s'il se rapproche de l'objectif. Des signaux de progression denses, exploitables par des politiques vision-langage-action comme GR00T ou Pi-0, promettent un apprentissage plus efficace en échantillons. Mais les auteurs pointent surtout l'absence de cadre commun: espaces d'observation, formats de signal, sources de supervision et protocoles d'évaluation diffèrent d'un papier à l'autre, rendant les comparaisons de résultats entre laboratoires largement invalides en l'état. Ce travail s'inscrit dans la lignée des modèles de récompense apparus avec le RLHF pour les grands modèles de langage, transposés ici au monde incarné, après des années de récompenses denses conçues à la main ou de signaux terminaux trop pauvres pour guider l'apprentissage. Les approches récentes s'appuient sur des fonctions de valeur apprises à partir de vidéos, des modèles vision-langage utilisés comme juges, ou de l'apprentissage contrastif contre des démonstrations. Sans annoncer de nouveaux résultats expérimentaux, cette synthèse vise avant tout à poser les bases de benchmarks standardisés pour ce sous-domaine en pleine expansion.

RecherchePaper
1 source
Modèle Vision-Langage-Action pour la manipulation multi-mains via recherche dans les espaces d'assignation et nuls
87arXiv cs.RO 

Modèle Vision-Langage-Action pour la manipulation multi-mains via recherche dans les espaces d'assignation et nuls

Des chercheurs publient sur arXiv (arXiv:2607.22020, nouvelle soumission) une méthode pour résoudre un problème d'exécution resté largement irrésolu dans la robotique par apprentissage : les politiques de manipulation entraînées produisent aujourd'hui des trajectoires pour des « mains » abstraites, indépendantes de toute plateforme physique, ce qui facilite la collecte de démonstrations et le transfert d'un robot à l'autre. Mais transposer ces sorties sur un robot réel à plusieurs bras pose trois contraintes simultanées : assigner chaque trajectoire de main à un bras physique, faire en sorte que chaque bras suive dans l'espace des configurations la trajectoire prescrite de son effecteur, et respecter les limites cinématiques tout en évitant les collisions entre bras. En l'absence d'algorithme dédié, les équipes bricolent aujourd'hui des pipelines de cinématique inverse (IK) mono-bras étendus ad hoc, sans garantie de faisabilité ni de sécurité. Les auteurs proposent un planificateur fondé sur le Conflict-Based Search (CBS), qui recherche conjointement dans l'espace discret d'assignation des trajectoires aux bras et dans l'espace continu des espaces nuls jacobiens des bras redondants, exploitant cette redondance pour éviter les collisions inter-bras tout en suivant les mouvements prescrits. Le projet est documenté sur omcbsa.github.io. Ce travail s'attaque directement au maillon faible entre les politiques génératives type VLA (Pi-0, GR00T N2, Helix) et leur déploiement effectif sur des plateformes multi-bras ou humanoïdes bi-manuelles. Il illustre un écart typique du secteur : une politique peut être excellente en simulation ou sur une seule paire de bras, sans qu'il existe de méthode garantissant sa transposition sûre et complète à un robot physique concret. Pour les intégrateurs, disposer d'un cadre théoriquement complet, plutôt que d'heuristiques IK non garanties, réduit le risque d'échecs d'exécution ou de collisions lors du passage du laboratoire au déploiement industriel. CBS est historiquement un algorithme de planification multi-agents pour la recherche de chemins sans collision entre plusieurs robots mobiles ; son adaptation ici à l'espace nul des manipulateurs redondants est la contribution centrale. Il s'agit pour l'instant d'un travail de recherche publié en preprint, sans annonce de pilote industriel ni de partenaire ; la suite naturelle serait une validation sur des plateformes multi-bras réelles au-delà des démonstrations du site du projet.

RecherchePaper
1 source
Robot Serpent : Locomotion Ondulatoire Adaptative en Milieu Visqueux Dynamique via Apprentissage par Renforcement Profond
88arXiv cs.RO 

Robot Serpent : Locomotion Ondulatoire Adaptative en Milieu Visqueux Dynamique via Apprentissage par Renforcement Profond

Des chercheurs démontrent qu'un robot serpent piloté par apprentissage par renforcement profond (DRL) peut adapter sa locomotion en temps réel dans des environnements visqueux dont les propriétés changent dynamiquement, là où les méthodes de contrôle classiques à trajectoire prédéfinie échouent. Le problème est formulé comme un processus de décision markovien partiellement observable, puisque le robot ne dispose d'aucun capteur embarqué mesurant directement la viscosité du fluide environnant. La solution repose sur un cadre acteur-critique asymétrique : une politique "professeur" est d'abord entraînée en simulation physique avec accès à des informations privilégiées (la viscosité réelle), puis distillée dans une politique "étudiante" qui ne s'appuie plus que sur des capteurs proprioceptifs, exploitables sur un robot réel. Testé sur une plage de viscosités dynamiques allant de 10⁻⁷ à 10⁻² m²/s, l'agent apprend spontanément des allures ondulatoires non sinusoïdales, en rupture avec les gaits classiques, qui améliorent à la fois la vitesse de propulsion et l'efficacité de transport. L'intérêt dépasse le simple exercice académique : les robots serpents sont pressentis pour l'inspection de pipelines, l'exploration de milieux confinés ou sous-marins, et les opérations de recherche et sauvetage, autant de contextes où la viscosité du milieu (eau, boue, hydrocarbures) varie sans prévenir. Démontrer qu'un contrôleur peut inférer implicitement les propriétés physiques de l'environnement sans capteur dédié, uniquement via la distillation de connaissances privilégiées, ouvre une voie pour s'affranchir des modèles hydrodynamiques classiques, souvent trop rigides face à l'imprévisibilité réelle des fluides. Ce travail s'inscrit dans la lignée des recherches sur la locomotion bio-inspirée, où le contrôle par générateurs de patterns centraux (CPG) et les gaits sinusoïdaux dominent depuis des décennies faute d'alternative robuste. Il rejoint aussi la tendance plus large du DRL en robotique locomotrice, illustrée par les transferts sim-to-réel sur quadrupèdes ou bipèdes. Les résultats présentés restent toutefois cantonnés à la simulation ; la validation sur un robot serpent physique, confronté à de vrais fluides et à leurs bruits de mesure, constitue l'étape suivante logique avant tout déploiement industriel.

RecherchePaper
1 source
Robot apprend à communiquer via des abstractions visuelles projetées
89arXiv cs.RO 

Robot apprend à communiquer via des abstractions visuelles projetées

Des chercheurs presentent un systeme robotique capable d'exprimer des formes via des ombres projetees, construit autour d'une main dexterisee a 21 degres de liberte recouverte d'une peau souple compliante qui limite les fuites de lumiere et produit des silhouettes continues. Le coeur du systeme est un "self-model" differentiable, appris par exploration autonome sans tache predefinie, qui associe chaque configuration de la main a l'ombre qu'elle projette. A partir d'une image ou d'une video cible, le robot optimise sa configuration par descente de gradient sur ce modele appris, puis affine la solution via une simulation tenant compte des collisions pour garantir des mouvements physiquement realisables. Pour les ombres en mouvement, les chercheurs ajoutent des objectifs de region expressive, une regularisation de lissage temporel et une optimisation par images-cles. Les demonstrations couvrent la langue des signes, les ombres chinoises artisanales et l'imitation de mouvements animaux, testees en simulation et sur robot physique. L'interet depasse le gadget: peu de travaux en robotique expressive abordent la communication via une abstraction visuelle du corps plutot que par la morphologie elle-meme. Pour la recherche en interaction homme-robot, cela ouvre un canal alternatif aux gestes directs ou aux ecrans expressifs, en exploitant un phenomene physique universellement lisible. La demonstration valide aussi, a petite echelle, la faisabilite d'un self-model differentiable appris par auto-exploration plutot que programme manuellement, une approche qui rejoint la tendance des modeles de monde appris pour la manipulation dexterisee. Reste que ce travail est une preuve de concept en laboratoire, sans donnees sur la robustesse en conditions reelles ni sur le temps de calcul requis. Cette recherche s'inscrit dans la lignee des mains robotiques a haut nombre de degres de liberte, un axe distinct des mains de prehension des humanoides generalistes comme Figure ou Tesla Optimus, davantage orientees manipulation qu'expression. La question des abstractions corporelles projetees prolonge les travaux sur les visages expressifs des robots sociaux, ici sous un angle purement optique. Publie sur arXiv, l'article ne mentionne ni calendrier de suite ni application commerciale visee: il s'agit d'une demonstration de faisabilite scientifique posant un cadre reutilisable par d'autres equipes travaillant sur l'expressivite robotique, non d'un produit ou d'un pilote industriel.

RecherchePaper
1 source
Ordered Action Tokens pour l'apprentissage de politiques visuomotrices
90arXiv cs.RO 

Ordered Action Tokens pour l'apprentissage de politiques visuomotrices

Des chercheurs publient sur arXiv (arXiv:2607.21670v1) une nouvelle méthode de tokenisation d'actions pour les politiques visuomotrices de robots, baptisée OAT (Ordered Action Tokenization). Le problème visé est concret : pour piloter un bras ou un robot humanoïde via un modèle vision-langage-action (VLA), il faut convertir des séquences d'actions continues en tokens discrets, une étape clé de l'architecture. Les méthodes existantes échouent sur deux fronts, soit elles produisent des séquences de tokens beaucoup trop longues, soit elles génèrent des tokens latents appris mais sans structure interne, ce qui les rend peu compatibles avec les politiques de contrôle en aval. OAT combine un transformer à registres, une quantification scalaire finie et des mécanismes d'entraînement qui imposent un ordre aux tokens produits. Concrètement, chaque préfixe de la séquence de tokens est entraîné à pouvoir, à lui seul, se décoder en une action valide, les premiers tokens portant l'information de contrôle grossière et les suivants affinant les détails résiduels. Les auteurs ont testé la méthode sur trois architectures de politiques différentes et plus de 60 tâches, couvrant cinq bancs d'essai en simulation ainsi que des scénarios réels. Cette structure ordonnée change la donne opérationnelle : elle permet un compromis "anytime" entre coût de calcul à l'inférence et précision du geste, un point critique pour le déploiement embarqué où la latence contraint directement la cadence de contrôle. Pour les intégrateurs travaillant avec des politiques autorégressives ou des architectures hybrides combinant tokens et experts de type flow, cela ouvre la possibilité d'ajuster dynamiquement le compromis vitesse-précision sans changer de modèle, un besoin réel face aux VLA actuels souvent jugés trop lents pour du contrôle temps réel industriel. Le travail s'inscrit dans la lignée des tokenizers d'actions développés pour les politiques VLA type Pi-0 ou GR00T N2, où l'encodage des actions reste un goulot d'étranglement identifié par la recherche depuis l'essor de ces modèles. En comparant explicitement autorégression pure et co-entraînement par tokens dans un cadre flow-based, les auteurs positionnent OAT comme une brique d'interface générique, potentiellement réutilisable au-delà des architectures testées dans l'étude.

RechercheActu
1 source
Apprentissage de tâches humanoïdes variées via des scénarios vidéo synthétiques, sans données du monde réel
91arXiv cs.RO 

Apprentissage de tâches humanoïdes variées via des scénarios vidéo synthétiques, sans données du monde réel

Une équipe de recherche propose une nouvelle méthode pour entraîner des robots humanoïdes sans passer par la collecte de données réelles, coûteuse et chronophage. Décrite dans un article publié sur arXiv (2607.21648), l'approche utilise l'IA générative pour transformer de simples prompts textuels en séquences vidéo synthétiques et réalistes de mouvements humains. Plutôt que de filmer des opérateurs humains exécutant une tâche, encore et encore, pour capturer différentes variantes de mouvement, le système génère lui-même de multiples façons d'accomplir une même action. Ces démonstrations synthétiques servent ensuite de matériel d'apprentissage pour le robot, selon un principe proche du Learning-from-Demonstration mais sans intervention humaine directe. Les chercheurs ont testé leur méthode sur quatre scénarios de simulation, avec des résultats montrant que le robot exécute les tâches avec succès et s'adapte à des variations complexes de mouvement. L'intérêt de cette approche tient au goulot d'étranglement bien identifié de l'apprentissage par démonstration pour les humanoïdes : la morphologie proche de l'humain ouvre des possibilités motrices riches, mais capturer suffisamment de données réelles diversifiées, couvrant les multiples façons dont différentes personnes réalisent une même tâche, reste onéreux et limité en échelle. Si la génération synthétique de mouvements humains via IA générative tient ses promesses en conditions réelles, elle pourrait réduire la dépendance aux tournages de motion capture et accélérer l'entraînement de modèles de type VLA, un enjeu central pour des acteurs comme Figure, Physical Intelligence ou NVIDIA avec GR00T. Ce travail s'inscrit dans une tendance de recherche plus large qui explore les données synthétiques et la simulation pour combler l'écart entre démonstration et déploiement réel, le fameux problème du sim-to-real. Il reste toutefois à ce stade un résultat de simulation publié en preprint, sans validation sur robot physique ni comparaison chiffrée avec des méthodes concurrentes de génération de données d'entraînement, ce qui invite à la prudence avant toute extrapolation vers une application industrielle.

RecherchePaper
1 source
Chargement en 30 000 heures de données tactiles comble le fossé de l'IA incarnée : XinZhi Embodied et l'université Fudan publient trois rapports techniques sur la perception haptique
92Pandaily 

Chargement en 30 000 heures de données tactiles comble le fossé de l'IA incarnée : XinZhi Embodied et l'université Fudan publient trois rapports techniques sur la perception haptique

XinZhi Embodied et l'université Fudan ont publié conjointement trois rapports techniques consacrés à un maillon longtemps négligé de l'intelligence incarnée : le toucher. Alors que la vision et le langage progressent rapidement dans les modèles de manipulation robotique, la perception tactile reste en retard, alors qu'elle est indispensable pour saisir, assembler ou identifier des objets. La collaboration, basée à Shanghai, met à disposition 30 000 heures de données d'interaction tactile collectées sur de véritables opérations robotiques, destinées à entraîner des modèles capables de reconnaître texture, dureté, température et friction par le contact. Les trois rapports couvrent respectivement la conception et l'étalonnage des capteurs tactiles, la méthodologie de collecte de données à grande échelle, et l'entraînement de modèles de manipulation sensibles au toucher. L'approche matérielle combine plusieurs principes de transduction, capacitif, piézoélectrique et résistif, afin de capter à la fois la distribution statique de pression et les signaux vibratoires dynamiques lors du contact. La collecte a mobilisé plusieurs plateformes robotiques réalisant des tâches de préhension, de manipulation en main et d'exploration de surface sur des milliers d'objets aux matériaux, géométries et textures variés. Cette publication répond à un goulot d'étranglement largement identifié dans le secteur : les systèmes fondés uniquement sur la vision savent repérer un objet et planifier une trajectoire d'approche, mais échouent à juger la force de préhension nécessaire, à détecter un glissement ou à distinguer des matériaux au contact, des compétences que l'humain acquiert par des milliers d'heures d'interaction physique durant son développement. En ouvrant l'accès à un volume aussi important de données tactiles structurées, rare car leur collecte exige du matériel spécialisé, une annotation précise des événements de contact et un temps d'exploitation robotique prolongé, XinZhi Embodied et Fudan espèrent lever un frein concret à la commercialisation de robots capables de manipuler des objets variés en conditions réelles, au-delà des environnements contrôlés typiques des démonstrations actuelles. Cette initiative s'inscrit dans la tendance plus large de la perception multimodale en robotique, où la vision assure la conscience spatiale globale, le langage porte l'instruction de tâche, et le toucher fournit l'information locale nécessaire à une manipulation fine. Elle illustre aussi l'intégration croissante entre recherche académique et innovation entrepreneuriale dans l'écosystème chinois de l'intelligence incarnée, les résultats de recherche alimentant directement les cycles de développement produit. En ouvrant ces données à des chercheurs et développeurs tiers, XinZhi Embodied et Fudan University visent à accélérer l'émergence de capacités de manipulation tactile jusqu'ici hors de portée faute de données, dans un secteur où la course à l'autonomie manipulatoire s'intensifie face aux acteurs américains et européens.

RecherchePaper
1 source
Robot-araignée à quatre pattes conçu pour repérer et récupérer des personnes dans l'eau
93Interesting Engineering 

Robot-araignée à quatre pattes conçu pour repérer et récupérer des personnes dans l'eau

Des chercheurs de l'AIRS (Shenzhen Institute of Artificial Intelligence and Robotics for Society) en Chine et du Stevens Institute of Technology aux Etats-Unis ont developpe QuadBoat, un robot de sauvetage aquatique a quatre pattes inspire des araignees pecheuses, capable de suivre et de recuperer physiquement une personne en detresse dans l'eau. Contrairement aux araignees pecheuses qui exploitent la tension de surface, QuadBoat repose sur une flottabilite classique tandis que ses quatre pattes independantes assurent la propulsion et la maniabilite grace a un controleur en cinematique inverse. Le pilotage combine une commande predictive de modele (MPC) en cascade avec un regulateur PID pour stabiliser et diriger l'engin. L'equipe, menee par Lianxin Zhang, Yihan Huang et Huihuan Qian, a teste le robot en piscine pour verifier sa capacite a suivre des trajectoires planifiees, puis en environnements interieur et exterieur pour des experiences de suivi visuel et de recuperation d'objets flottants. Les essais montrent que QuadBoat parvient a suivre une cible sur l'eau et a executer des taches de recuperation pertinentes pour une mission de sauvetage. L'etude a ete publiee sur le serveur de preprints arXiv. La plupart des vehicules de surface sans pilote (USV) actuellement utilises en recherche et sauvetage se limitent a localiser ou approcher une personne en difficulte, sans pouvoir la sortir de l'eau. QuadBoat cible precisement cet angle mort : l'extraction physique de la victime, une etape critique quand l'hypothermie, l'epuisement ou une mer agitee reduisent les chances de survie. Pour les integrateurs et decideurs du secteur maritime et de la securite civile, ce type de plateforme ouvre une piste distincte de celle des drones aeriens ou des USV classiques a coque rigide, en misant sur une agilite de posture proche de celle d'un robot quadrupede terrestre plutot que sur la seule vitesse de deplacement. Le papier reste toutefois prudent : les demonstrations ont eu lieu en bassin controle, sans vagues, courants ni conditions meteo degradees, ce qui laisse un ecart important entre la preuve de concept en laboratoire et un deploiement operationnel reel. QuadBoat s'inscrit dans un mouvement plus large de transfert des architectures de locomotion quadrupede, deja eprouvees a terre par des robots comme ceux de Boston Dynamics ou Unitree, vers des environnements aquatiques ou aeriens. Les auteurs soulignent que la recherche sur les robots de sauvetage a jusqu'ici peu traite la phase de recuperation proprement dite, se concentrant surtout sur la detection et le reperage. Les prochaines etapes annoncees par l'equipe consistent a faire evoluer le prototype vers un outil pratique pour les equipes de secours, en le testant dans des conditions plus proches du reel : vagues, courants et scenarios d'accidents maritimes ou de naufrages. Aucun calendrier de deploiement ni partenariat industriel n'est pour l'instant precise.

RecherchePaper
1 source
AXIS : un moteur de données communautaire évolutif pour la manipulation robotique à grande échelle
94arXiv cs.RO 

AXIS : un moteur de données communautaire évolutif pour la manipulation robotique à grande échelle

Des chercheurs ont présenté AXIS, un moteur de données communautaire et évolutif pour l'apprentissage de la manipulation robotique, décrit dans un article déposé sur arXiv le 24 juillet 2026. Le système permet de collecter des démonstrations à grande échelle via téléopération directement dans le navigateur, sans matériel spécialisé ni opérateurs centralisés, et génère puis valide automatiquement de nouvelles tâches de manipulation. Un pipeline automatisé filtre la qualité des trajectoires, les lisse et applique des augmentations visuelles et physiques pour produire des données prêtes à l'entraînement. Le jeu de données AXIS compte actuellement 207 tâches diverses et plus de 50 000 trajectoires, organisées en "task snapshots" évalués selon un protocole strict à données retenues (held-out). Ce travail cible un goulot d'étranglement bien identifié du secteur : la difficulté à faire grandir les jeux de démonstrations utilisés pour entraîner les politiques vision-langage-action (VLA), jusqu'ici souvent limités par du matériel dédié ou des catalogues de tâches figés. Les auteurs montrent que le pré-entraînement continu sur AXIS améliore le taux de réussite global du modèle π0.5 de 5,8 points, et dépasse de 37,3 points un modèle pré-entraîné sur RoboCasa365, avec des gains qui s'accentuent à mesure que le volume de données augmente. Les progrès les plus nets apparaissent sous perturbations de disposition, de bruit capteur et de point de vue caméra, un signal utile pour les intégrateurs cherchant des politiques robustes hors laboratoire plutôt que de simples démonstrations réussies en conditions idéales. Le projet s'inscrit dans une tendance émergente consistant à traiter la collecte de données robotiques comme un problème d'échelle communautaire, à l'image de ce que le crowdsourcing a permis pour les grands modèles de langage. Il se positionne explicitement face à RoboCasa365, utilisé comme référence de comparaison, et s'appuie sur des politiques VLA existantes telles que π0.5 pour évaluer l'apport réel des données AXIS. Il s'agit à ce stade d'un article de recherche déposé en preprint, dont les résultats n'ont pas encore été validés par relecture par les pairs ni reproduits par des équipes tierces.

RecherchePaper
1 source
VPWEM : politique visuomotrice non markovienne à mémoire de travail et épisodique
95arXiv cs.RO 

VPWEM : politique visuomotrice non markovienne à mémoire de travail et épisodique

Voici l'article traduit et résumé : Une équipe de recherche publie VPWEM (Visuomotor Policy with Working and Episodic Memory), une architecture destinée aux politiques visuomotrices utilisées en apprentissage par imitation robotique. Le problème ciblé : la plupart des politiques actuelles ne conditionnent leurs décisions que sur l'observation courante ou un historique court, ce qui les rend inefficaces sur des tâches non-markoviennes nécessitant une mémoire à long terme, comme retrouver un objet déplacé hors champ de vision quelques instants plus tôt. Plutôt que d'élargir la fenêtre de contexte, coûteux en calcul et propice au surapprentissage de corrélations superficielles, VPWEM conserve une fenêtre glissante d'observations récentes comme mémoire de travail à court terme, et ajoute un compresseur contextuel basé sur Transformer qui convertit récursivement les observations sorties de la fenêtre en un nombre fixe d'embeddings de mémoire épisodique. Ce compresseur combine auto-attention sur les résumés passés et attention croisée sur les observations historiques, et s'entraîne conjointement avec la politique. L'architecture a été instanciée sur des diffusion policies, avec mémoire et calcul quasi constants à chaque pas de temps. Sur les benchmarks MIKASA (tâches de manipulation exigeantes en mémoire) et MoMaRT (manipulation mobile), VPWEM dépasse les diffusion policies et modèles vision-langage-action (VLA) de référence de plus de 20% et 5% respectivement. Le code est disponible sur GitHub. Pour les intégrateurs et décideurs robotiques, ce travail répond à une limite concrète des systèmes VLA et diffusion policies actuellement déployés en usine ou en logistique : leur incapacité à raisonner sur des séquences longues fait qu'ils échouent dès qu'une tâche exige de se souvenir d'un événement passé, un tri d'objets par comptage, une inspection multi-étapes, un scénario où un obstacle a bougé hors caméra. Un gain de 20% sur les tâches à mémoire intensive suggère que le goulot d'étranglement n'est pas tant la capacité de perception ou de génération d'action que la gestion du contexte temporel, un point souvent minimisé dans les démonstrations commerciales de robots humanoïdes ou de bras manipulateurs, où les tâches testées restent généralement courtes et markoviennes. Ce travail s'inscrit dans la lignée des diffusion policies popularisées pour le contrôle robotique ces dernières années, et des architectures VLA (vision-language-action) comme Pi-0 ou GR00T N2, qui dominent actuellement les annonces du secteur mais peinent structurellement sur la mémoire longue durée. VPWEM se positionne comme complément architectural plutôt que rupture, applicable en théorie à d'autres backbones de politique. Il s'agit ici d'une publication de recherche avec code ouvert, pas d'un produit ou d'un déploiement industriel, une étape amont dans la chaîne qui sépare la recherche académique des systèmes commerciaux vendus par les acteurs de l'humanoïde.

RecherchePaper
1 source
Ce qui compte pour le transfert de l'apprentissage par renforcement en simulation vers l'apprentissage en ligne sur des robots réels
96arXiv cs.RO 

Ce qui compte pour le transfert de l'apprentissage par renforcement en simulation vers l'apprentissage en ligne sur des robots réels

Voici l'article traduit et adapté : Une étude empirique menée sur trois plateformes robotiques distinctes a testé l'apprentissage par renforcement (RL) en ligne directement sur des robots physiques, à travers 100 sessions d'entraînement réelles. Les chercheurs ont systématiquement isolé les choix de conception algorithmiques, matériels et expérimentaux habituellement laissés implicites dans les travaux précédents sur le sujet. Résultat principal : certains réglages par défaut largement utilisés dans la pratique du RL se révèlent contre-productifs sur du matériel réel, tandis qu'un ensemble restreint de choix de conception robustes, faciles à adopter dans le cadre standard du RL, permet d'obtenir un apprentissage stable sur différentes tâches et différents types de robots. Il s'agit, selon les auteurs, de la première étude empirique à grande échelle de ce type portant sur ces choix de conception. Cette cartographie répond à un point de friction bien identifié chez les intégrateurs et équipes de recherche robotique : le RL en ligne sur robot réel reste réputé fragile, coûteux en ingénierie et peu reproductible d'une plateforme à l'autre, ce qui pousse la majorité des équipes vers l'apprentissage en simulation (sim-to-real) ou l'imitation à partir de démonstrations. En identifiant quels réglages par défaut nuisent réellement à l'apprentissage et lesquels le stabilisent, ce travail réduit potentiellement l'effort d'ingénierie nécessaire pour déployer du RL en ligne directement sur du hardware, sans passer par un simulateur intermédiaire. C'est un signal utile pour évaluer si le RL en ligne peut devenir une option pratique face aux architectures VLA (vision-langage-action) qui dominent actuellement la communication du secteur, en offrant une alternative plus frugale en données de démonstration. Le papier s'inscrit dans une lignée de travaux cherchant à combler l'écart entre les promesses du RL en robotique, démontrées depuis longtemps en simulation, et sa fiabilité en conditions réelles, où le coût d'échantillonnage et les risques matériels limitent les expérimentations à grande échelle. Contrairement aux annonces de plateformes humanoïdes commerciales, ce travail relève de la recherche fondamentale reproductible, avec des ablations systématiques plutôt qu'une démonstration ponctuelle. Publié sur arXiv en tant que version révisée ("replace"), il ouvre la voie à des protocoles standardisés que d'autres laboratoires pourront reprendre et à des comparaisons futures avec des approches sim-to-real ou par imitation sur les mêmes tâches.

RecherchePaper
1 source
Robotisation de laboratoire à faible coût et évolutive : plateforme robotique intégrée à un jumeau numérique pour la manipulation autonome de liquides (RAINBOT™)
97arXiv cs.RO 

Robotisation de laboratoire à faible coût et évolutive : plateforme robotique intégrée à un jumeau numérique pour la manipulation autonome de liquides (RAINBOT™)

Des chercheurs présentent RAINBOT, un robot de manipulation de liquides à bas coût conçu en convertant une imprimante 3D cartésienne grand public, l'Elegoo Neptune 4 Max. L'extrudeuse est remplacée par une pipette monocanal de précision, actionnée par le portique X-Y-Z d'origine piloté en G-code, tandis que le mouvement du piston et l'éjection des embouts sont assurés par deux actionneurs linéaires compacts contrôlés en Python. Pour rendre les expériences transparentes et supervisables à distance, les équipes ont développé un jumeau numérique accessible depuis un navigateur, synchronisé en temps réel avec la plateforme physique : il reproduit la cinématique et les états de pipetage, et permet un monitoring distant, des interventions et un arrêt d'urgence depuis n'importe quel navigateur. Comme preuve de concept, RAINBOT a réalisé des échanges séquentiels de solutions aqueuses colorées, un capteur de couleur intégré mesurant les mélanges obtenus en modèle rouge-jaune-bleu (RYB), avec un écart moyen de seulement deux points de pourcentage par rapport au comportement attendu. Le coût total du matériel reste inférieur à 1300 dollars. Cette approche s'adresse directement à un frein connu de l'automatisation de laboratoire : le coût élevé, la conception propriétaire et la faible supervisabilité à distance des systèmes commerciaux de manipulation de liquides, environ dix fois plus chers que RAINBOT à l'entrée de gamme. Pour des laboratoires académiques ou des équipes R&D aux budgets serrés, la reproductibilité ouverte de la plateforme (basée sur du matériel grand public modifiable) abaisse significativement la barrière à l'entrée pour automatiser des protocoles de dosage et de mélange, tout en gardant un contrôle humain via le jumeau numérique, un point clé pour la confiance et la validation scientifique. RAINBOT est ensuite couplé au framework CEID (Cooperative Explorer for Inverse Design), qui transforme l'expérimentation manuelle par essais successifs en une recherche orientée par objectif, de type conception inverse, tout en conservant un humain dans la boucle décisionnelle. Cette intégration positionne la plateforme comme une brique physique-virtuelle pour des laboratoires auto-pilotés (self-driving labs), un domaine en pleine expansion où l'automatisation low-cost et open source pourrait accélérer la découverte de matériaux ou de formulations, en complément des systèmes commerciaux plus coûteux et fermés.

RecherchePaper
1 source
TOPReward : les probabilités de tokens comme récompenses cachées zéro-shot pour la robotique
98arXiv cs.RO 

TOPReward : les probabilités de tokens comme récompenses cachées zéro-shot pour la robotique

TOPReward est une méthode d'apprentissage robotique sans entraînement dédié, conçue pour générer des signaux de récompense denses et fondés sur l'instruction donnée au robot. Contrairement aux approches existantes, qui reposent sur des annotations manuelles de progression, des démonstrations spécifiques à chaque tâche, ou des modèles de récompense entraînés sur des jeux de données robotiques triés, TOPReward exploite directement les probabilités de tokens internes de modèles Video-Language (VLM) déjà pré-entraînés. Concrètement, la méthode fournit au VLM un extrait vidéo et une instruction en langage naturel, puis mesure la probabilité que le modèle attribue au fait que la tâche soit terminée, plutôt que de lui demander de générer une valeur numérique de progression. Les chercheurs évaluent leur approche sur ManiRewardBench, un benchmark de manipulation en conditions réelles qu'ils ont construit, couvrant 130 tâches uniques sur quatre plateformes robotiques distinctes, ainsi que sur les jeux de données Open X-Embodiment. TOPReward surpasse nettement les méthodes VLM sans entraînement existantes sur les modèles open source, et se montre compétitif face à un modèle de récompense entraîné spécifiquement, sur les métriques d'estimation de progression, sans nécessiter le moindre entraînement dédié. Pour l'industrie robotique, l'enjeu central reste l'obtention de feedback fiable à grande échelle sans coûteuse collecte et annotation manuelle propre à chaque tâche. Si un VLM générique, non spécialisé, parvient à distinguer une tâche réussie d'un comportement bloqué ou raté, cela allège considérablement le travail des équipes qui veulent déployer de l'apprentissage par renforcement ou du clonage de comportement sur de nouvelles tâches sans repasser par une phase d'étiquetage. Les auteurs précisent que le signal reste sensible à l'instruction donnée et n'est pas simplement expliqué par la position temporelle dans la vidéo, un point qui écarte l'hypothèse que le modèle se contente de suivre le déroulé de la séquence sans réellement évaluer l'accomplissement de la tâche. Ce travail s'inscrit dans la lignée des recherches cherchant à remplacer les reward models spécialisés par des modèles vision-langage généralistes, une piste motivée par le coût et la rigidité des modèles entraînés sur mesure pour chaque robot. TOPReward se distingue des méthodes VLM précédentes, qui demandaient au modèle de produire explicitement un score numérique, une approche jugée peu fiable car les VLM restent mal calibrés pour ce type de sortie. Le papier, disponible sur arXiv (2602.19313v2, version révisée), démontre deux applications en aval : la détection de succès de tâche et le clonage de comportement pondéré par récompense en mode offline. Reste à confirmer si l'approche tient à plus grande échelle, sur des tâches de manipulation plus complexes que celles couvertes par ManiRewardBench.

RecherchePaper
1 source
IA incarnée : FORGE-plus régule l'effort de récupération pour l'assemblage à contact riche via un superviseur LLM figé
99arXiv cs.RO 

IA incarnée : FORGE-plus régule l'effort de récupération pour l'assemblage à contact riche via un superviseur LLM figé

Des chercheurs présentent FORGE-plus, un framework à deux couches combinant un grand modèle de langage (LLM) figé, uniquement textuel, avec un contrôleur bas niveau pour l'assemblage de précision par apprentissage par renforcement conditionné en force. Le LLM détermine avant exécution un plafond de force propre à chaque objet, puis sélectionne des manœuvres de récupération dans un menu d'actions fixe à partir de signatures de force textuelles compactes, sans jamais piloter la force directement, celle-ci restant imposée par un contrôleur bas niveau indépendant. Le seuil de rupture réel de chaque objet reste caché, connu seulement de l'évaluateur. Les tests portent sur deux tâches, le placement d'une bouteille fragile et l'insertion d'un engrenage avec un jeu diamétral de 0,4 mm, réalisées avec deux pinces différentes, la Robotiq 2F-140 et la main Franka Panda. Une politique unique réussit 256 épisodes sur 256 sans casse, sur objets fragiles comme robustes, prédit correctement le moment du relâchement, et complète un pipeline complet de prise sur table et insertion avec une force de pointe moyenne de 5,4 N. Face à des glissements de préhension injectés artificiellement, la stratégie de récupération basée sur les signatures de force résout 40% et 64% des échecs selon la pince utilisée, contre une approche naïve consistant à serrer plus fort, inefficace ou provoquant des casses fréquentes. Ce travail éclaire un débat central de la robotique industrielle actuelle, celui de la fiabilité réelle des politiques d'assemblage par apprentissage face aux démonstrations soigneusement sélectionnées. En séparant décision stratégique, confiée au LLM, et exécution physique, confiée à un contrôleur strict, les auteurs proposent une architecture qui limite les risques de casse tout en gardant une flexibilité de raisonnement, un enjeu clé pour les intégrateurs manipulant des composants fragiles ou à tolérances serrées. Les auteurs situent explicitement les limites de l'étude: tout se déroule en simulation à corps rigides, avec une rupture par seuil de force caché, et aucune revendication de transfert vers le réel n'est faite. Ils rapportent aussi des résultats négatifs, notamment l'échec de l'algorithme PPO classique sous contraintes de force strictes et l'inefficacité de stratégies de relâchement apprises, signalant que le problème reste loin d'être résolu de bout en bout par apprentissage pur.

RecherchePaper
1 source
Automatisation en temps réel de la perception RGB-D pour marteaux-piqueurs autonomes en mine : autofiltrage, segmentation des roches et génération de poses de fragmentation
100arXiv cs.RO 

Automatisation en temps réel de la perception RGB-D pour marteaux-piqueurs autonomes en mine : autofiltrage, segmentation des roches et génération de poses de fragmentation

Les chercheurs à l'origine de ce papier arXiv (référence 2607.20748v1) présentent un système de perception en temps réel destiné à automatiser les brise-roches hydrauliques utilisés en exploitation minière, notamment lors des opérations de réduction secondaire souterraine. Aujourd'hui, ces machines sont pilotées à distance par téléopération, ce qui limite fortement la cadence de travail. Le pipeline proposé combine une caméra RGB-D, de la segmentation d'instance par image et un traitement géométrique de nuage de points pour générer simultanément des poses de frappe faisables mécaniquement et une reconstruction 3D de l'espace de travail débarrassée du bras robotique lui-même, une étape nécessaire pour que le système ne confonde pas sa propre structure avec les roches à fragmenter. L'ensemble tourne sur du matériel embarqué à environ 10 Hz, pour une latence totale d'environ 675 millisecondes, un niveau de réactivité jugé compatible avec un asservissement en boucle fermée. Les tests ont été menés sur un scénario réduit à l'échelle, reproduisant les conditions typiques d'un chantier souterrain. Pour le secteur minier, cette publication illustre une tendance de fond: l'automatisation progressive d'équipements lourds historiquement pilotés à la main, un segment resté en retrait par rapport à l'automatisation des véhicules de transport minier (camions autonomes) déjà répandue chez les grands opérateurs. Contrairement à des annonces marketing sur des robots humanoïdes en usine, il s'agit ici d'un travail de recherche mesuré et transparent sur ses limites: le prototype n'a été validé qu'en environnement réduit et contrôlé, pas sur un chantier minier réel, ce qui laisse ouvert l'écart classique entre démonstration en laboratoire et déploiement industriel. Le contexte est celui d'une industrie minière cherchant à réduire l'exposition des opérateurs aux zones dangereuses et à améliorer la productivité des opérations de dégagement de blocs rocheux surdimensionnés, un goulot d'étranglement récurrent après les tirs de mine. Les auteurs ne mentionnent pas de partenariat industriel ni de calendrier de commercialisation; la suite logique évoquée par ce type de travaux académiques est généralement un passage à l'échelle réelle et une validation en conditions souterraines effectives, étapes qui restent à venir.

RecherchePaper
1 source