Aller au contenu principal

Dossier Boston Dynamics — page 9

661 articles · page 9 sur 14

Boston Dynamics, pionnier de la locomotion : Atlas électrique, Spot patrouille industrielle et inspection, partenariats Hyundai et Toyota Research Institute.

401Hackaday Robots Hacks InfrastructureTuto

Robot-chien dans le navigateur

Un simulateur de chien robot tourne dans le navigateur, sans installation ni matériel. Hackaday présente cet outil basé sur Bittle, le robot quadrupède open source de Petoi vendu sous le nom OpenCat, doté de 9 degrés de liberté : un servomoteur dans la tête et huit répartis sur les quatre pattes. L'ensemble du code s'exécute dans un IDE web gratuit, et l'utilisateur peut piloter le robot virtuel via des boutons à l'écran ou des commandes série documentées, comme "ksit" pour faire asseoir le chien. La logique principale se trouve dans deux fichiers, read_serial, placé de façon surprenante dans src/moduleManager.h, et reaction, dans src/reaction.h. Un clic sur "compile" charge et exécute le code modifié directement dans le robot simulé, permettant de tester des séquences de mouvements, par exemple un enchaînement assis, debout, salto arrière et salto avant répété toutes les 1000 itérations de boucle, sans risquer d'endommager de vrais servomoteurs en cas de chute de bureau. Le sponsor de l'article commercialise le robot en kit ou assemblé, mais la base logicielle étant ouverte, il reste possible de construire sa propre version. Cet outil ne constitue pas un produit commercial ni un déploiement industriel, mais il illustre une tendance utile pour les makers et les développeurs de robotique amateur : tester du code de comportement sur un jumeau virtuel avant tout contact avec le matériel physique, une pratique de simulation-avant-exécution déjà standard chez les plateformes humanoïdes haut de gamme mais rarement accessible sur des quadrupèdes open source à petit budget. Cela réduit le risque de casse de servomoteurs pendant le développement et abaisse la barrière d'entrée pour expérimenter sans acheter de matériel au préalable. L'article souligne aussi le positionnement d'OpenCat entre les jouets bon marché, peu capables, et les plateformes robotiques sérieuses, dont le prix reste élevé : Bittle occupe un créneau intermédiaire, hackable et documenté, mais qui nécessite tout de même un investissement réel pour exploiter pleinement le matériel. OpenCat, déjà couvert par Hackaday par le passé, repose sur un firmware ouvert et des servomoteurs standards, ce qui le distingue de plateformes fermées comme celles de Boston Dynamics ou Unitree, où le code de contrôle n'est pas modifiable par l'utilisateur. Le robot peut aussi être étendu avec des capteurs additionnels montés au niveau de la gueule, ou voir sa tête remplacée par un bras si des servomoteurs suffisamment puissants sont installés. Aucun calendrier de déploiement commercial n'est mentionné : il s'agit d'un outil de développement destiné aux propriétaires actuels ou futurs du robot, pensé pour prototyper des comportements avant tout achat ou assemblage physique.

1 source
KYON : quadrupède semi-modulaire roues-pattes aux capacités bimanuelles agiles
402arXiv cs.RO 

KYON : quadrupède semi-modulaire roues-pattes aux capacités bimanuelles agiles

KYON est un robot quadrupède hybride roue-jambes, doté d'un torse bimanel, présenté dans un preprint arXiv (2606.30243) publié fin juin 2026 par une équipe dont l'affiliation institutionnelle n'est pas précisée dans l'abstract. La plateforme adopte une architecture semi-modulaire : les membres inférieurs sont reconfigurables, permettant de basculer entre locomotion sur roues et locomotion sur pattes selon le terrain. Plutôt que de distribuer les actionneurs le long des membres, KYON les concentre dans le châssis central et transmet le mouvement via des mécanismes de transmission, ce qui réduit l'inertie distale et améliore l'agilité dynamique. Le système de contrôle combine un cadre de contrôle du corps entier (whole-body control) avec une politique d'apprentissage par renforcement (RL), traitant séparément mais de façon coordonnée les tâches de locomotion et de manipulation. Les résultats expérimentaux rapportés valident la capacité du robot à opérer en locomotion dynamique et en manipulation bimane dans des environnements non structurés -- aucun chiffre précis de charge utile, de degrés de liberté ou de temps de cycle n'est communiqué dans l'abstract. L'intérêt de KYON pour les intégrateurs industriels et les décideurs B2B tient à la combinaison rare d'une base mobile à double mode (roue/patte) et d'une capacité de manipulation à deux bras sur un même châssis compact. La réduction de l'inertie distale via la centralisation des actionneurs est un choix de conception déjà validé sur des plateformes comme l'ANYmal de ANYbotics ou le MIT Cheetah, et son application à un système bimane à mobilité hybride constitue un apport méthodologique tangible. L'usage du RL pour absorber les perturbations dynamiques sans recalibration manuelle est cohérent avec les avancées récentes en sim-to-real, bien que les conditions exactes de test et les métriques de robustesse ne soient pas détaillées, ce qui limite l'évaluation externe à ce stade. Le marché des quadrupèdes mobiles est aujourd'hui dominé par Boston Dynamics (Spot), ANYbotics (ANYmal C/D), Unitree (B2, Go2) et, en France, des acteurs comme Wandercraft sur le segment bipède. La niche hybride roue-patte est occupée par peu de plateformes commerciales matures, ce qui positionne KYON comme un candidat de recherche dans un espace encore peu peuplé. Publié en preprint sans validation par les pairs, ce travail reste au stade de prototype de laboratoire : aucun partenaire industriel, aucun déploiement ni calendrier de commercialisation ne sont mentionnés. Les prochaines étapes naturelles seraient une publication en conférence (ICRA, IROS, RSS) et des tests en conditions réelles d'entrepôt ou de logistique.

RecherchePaper
1 source
Booster Lab : un pipeline centré sur les données pour l'apprentissage de politiques de locomotion humanoïde déployables
403arXiv cs.RO 

Booster Lab : un pipeline centré sur les données pour l'apprentissage de politiques de locomotion humanoïde déployables

Des chercheurs de Booster Robotics ont publié le 27 juin 2026 sur arXiv (2606.27813) un article décrivant "Booster Lab", un pipeline de bout en bout pour apprendre et déployer des politiques de locomotion sur des robots humanoïdes. Le système repose sur quatre étapes enchaînées : curation automatisée de données de mouvement, adaptation du modèle robot de l'environnement réel vers la simulation (real-to-sim), apprentissage par renforcement avec la méthode AMP (Adversarial Motion Priors), et transfert simulation-vers-réel (sim-to-real). Le pipeline a été validé sur le robot humanoïde Booster T1, la plateforme principale de l'entreprise, avec des premiers résultats de portabilité obtenus sur le Booster K1. Aucun chiffre de performance brut (temps de cycle, vitesse de marche, taux de succès) n'est disponible dans l'abstract de cette préprint, ce qui limite l'évaluation indépendante des résultats. Le véritable apport de ce travail n'est pas une architecture RL inédite, mais une réponse opérationnelle à un problème concret qui ralentit tout le secteur : la rareté des données de mouvement compatibles avec la morphologie des robots humanoïdes. Les captures humaines brutes sont souvent inutilisables directement, les clips open-source sont hétérogènes en qualité, et même les trajectoires synthétiques issues de simulation nécessitent une vérification de faisabilité physique. En centralisant la curation, l'adaptation de modèle et la vérification dans un même pipeline, Booster Lab propose une infrastructure reproductible plutôt qu'un résultat de labo isolé. La validation croisée sur deux plateformes distinctes (T1 et K1) suggère une ambition de généralisation, mais reste à confirmer sur des benchmarks indépendants. Booster Robotics est une startup chinoise spécialisée dans les humanoïdes à faible coût, positionnée en compétition directe avec Unitree et ses séries H1/G1, ainsi qu'avec Fourier Intelligence. Le T1 est commercialisé comme plateforme de recherche accessible, en opposition aux segments premium occupés par Figure (Figure 02), Agility Robotics (Digit) ou Boston Dynamics (Atlas). L'approche data-centric de ce papier s'inscrit dans la tendance de fond du secteur : après les percées en manipulation portées par des VLA comme pi0 (Physical Intelligence) ou GR00T N2 (NVIDIA), la locomotion naturelle et robuste reste le dernier verrou avant des déploiements industriels crédibles. La suite logique de ce travail serait un benchmark public des politiques apprises et un accès au pipeline de curation pour la communauté.

RecherchePaper
1 source
OmniContact : enchaînement de méta-compétences par flux de contact pour la loco-manipulation humanoïde généralisable
404arXiv cs.RO 

OmniContact : enchaînement de méta-compétences par flux de contact pour la loco-manipulation humanoïde généralisable

Des chercheurs ont publié le 26 juin 2026 sur arXiv (réf. 2606.26201) un framework hiérarchique baptisé OmniContact, conçu pour enchaîner des séquences complexes de locomotion et manipulation sur des humanoïdes. Le coeur du système est une représentation intermédiaire appelée "contact flow" (CF): trajectoires corporelles clés et signaux binaires de contact en série temporelle. Deux modules s'appuient dessus, CF-Track (politique bas-niveau, bibliothèque de compétences unifiée) et CF-Gen (planificateur haut-niveau heuristique qui synthétise les séquences futures). En simulation, les résultats annoncés atteignent 98,7% de succès sur la tâche "Carry Box" et 76,5% sur "Push-Stack Boxes", soit respectivement +40,9% et +66,5% face aux baselines sur l'exécution de méta-compétences et leur enchaînement. Le dataset OmniContact, constitué via capture de mouvement (MoCap) d'interactions humain-objet, supporte l'entraînement. Le vrai défi des humanoïdes industriels n'est pas l'exécution d'un geste unitaire mais l'enchaînement robuste de séquences longues avec récupération autonome en cas de défaillance, ce verrou précis que OmniContact cible. Le système propose une interface structurée lisible par le planificateur haut-niveau, une voie médiane entre représentations explicites trop rigides pour la planification et embeddings implicites trop opaques pour la composition fiable. L'intégration avec des VLMs (Vision-Language Models) permettrait des instructions en langage naturel converties en séquences de contact flows, comme l'illustre la démonstration d'arrangement de boîtes en forme de coeur. Nuance importante: toutes les métriques publiées sont issues de conditions contrôlées en laboratoire, sans validation sur hardware physique ni déploiement industriel réel, ce qui laisse entier le problème du sim-to-real. La loco-manipulation longue horizon est devenu le benchmark officieux du secteur humanoïde en 2025-2026. Figure AI (Figure 03), Tesla (Optimus Gen 3), Physical Intelligence (pi0) et Boston Dynamics s'affrontent sur des tâches de plus en plus généralisables, tandis que NVIDIA pousse GR00T N2 comme couche de policy universelle. OmniContact vient du monde académique, sans entreprise identifiée derrière ce preprint, mais son approche par contact flow s'inscrit dans la tendance des représentations intermédiaires structurées, en parallèle des architectures VLA à diffusion. La collecte MoCap dédiée aux interactions humain-objet sur humanoïdes confirme que les données de référence restent un goulot d'étranglement même quand la simulation abonde. La prochaine étape déterminante sera le transfert sur un humanoïde physique, condition sine qua non pour que ce framework passe du laboratoire au hangar.

RecherchePaper
1 source
L'effondrement neuronal ordinal comme a priori de représentation pour la navigation visuelle
405arXiv cs.RO 

L'effondrement neuronal ordinal comme a priori de représentation pour la navigation visuelle

Une équipe de recherche a publié en juin 2026 sur arXiv (2606.26839) ORION, une méthode d'apprentissage de politiques de navigation visuelle pour robots mobiles. Le problème de départ est celui de l'imitation learning de bout en bout : lorsqu'on entraîne conjointement un encodeur visuel et un décodeur d'actions via une unique loss d'action, le signal de supervision reste indirect pour l'encodeur. Résultat : l'encodeur apprend des représentations dites "action-agnostic", insensibles aux distinctions qui comptent pour la navigation. Dans les environnements réels, avec leurs distracteurs visuels et la variabilité des scènes, ces représentations ambiguës se traduisent par des actions incohérentes aux carrefours et aux intersections complexes, générant des échecs de navigation. ORION impose explicitement une structure ordinale à l'espace de représentation de l'encodeur : les catégories de commandes ego-centriques (de "Far Left" à "Far Right") forment une séquence naturelle où les classes voisines partagent des contextes visuels similaires. L'encodeur est contraint d'organiser ces classes le long d'un axe discriminant unique, en supprimant la variance hors-axe au sein de chaque classe. Cet encodeur pré-entraîné est ensuite intégré dans un framework de navigation basé sur la diffusion, puis affiné end-to-end. Les expériences, conduites en simulation et en conditions réelles, montrent que ORION surpasse les baselines end-to-end et neural collapse classiques sur le taux de succès de navigation et la progression vers l'objectif, avec des gains particulièrement marqués aux intersections multi-voies. L'intérêt de cette approche réside dans sa réponse à un problème structurel des VLA (Vision-Language-Action models) et plus généralement de l'imitation learning visuelle : la supervision indirecte de l'encodeur. En robotique mobile autonome, notamment pour les AGV et AMR déployés en entrepôt ou en milieu urbain, les représentations "action-agnostic" sont un vecteur d'échec documenté et coûteux en production. L'idée d'exploiter la structure ordinale naturelle des commandes directionnelles pour contraindre l'espace latent est élégante et transférable : elle n'exige pas de données supplémentaires, mais réorganise le signal de supervision existant. La démonstration de gains concrets sur des intersections complexes est particulièrement pertinente pour les intégrateurs de robots de livraison ou de surveillance en environnements non structurés. Cela confirme une hypothèse émergente dans le secteur : la qualité de la représentation visuelle, et non la puissance brute du décodeur, est souvent le goulet d'étranglement dans le passage du labo au terrain. Le concept de "neural collapse" est emprunté à la littérature sur la classification supervisée, où il décrit la convergence des représentations de dernière couche vers des structures géométriques idéales en fin d'entraînement. ORION étend ce cadre à la navigation en y ajoutant la dimension ordinale, ce qui le distingue des travaux précédents qui appliquaient neural collapse sans tenir compte de la relation sémantique entre classes de commandes. Dans l'écosystème des frameworks de navigation diffusion-based, on retrouve des travaux proches comme NoMaD ou GNFactor, ainsi que des approches VLA comme pi-0 de Physical Intelligence. Les auteurs n'annoncent pas de déploiement commercial ni de partenariat industriel identifiable dans ce preprint ; les prochaines étapes naturelles seraient une validation à plus grande échelle sur des plateformes comme Clearpath ou Boston Dynamics Spot, et une extension aux politiques multimodales intégrant des instructions en langage naturel.

RechercheOpinion
1 source
MIL-LC : architecture robuste de localisation multimodale par fusion magnétomètre-inertiel-LiDAR
406arXiv cs.RO 

MIL-LC : architecture robuste de localisation multimodale par fusion magnétomètre-inertiel-LiDAR

Une équipe de recherche publie sur arXiv (identifiant 2606.25796, juin 2026) un framework de localisation multimodale baptisé MIL-LC, qui fusionne trois sources de données : un magnétomètre, une centrale inertielle (IMU) et un LiDAR, montés sur une suite de capteurs conçue spécifiquement pour les robots mobiles autonomes (AMR). Le système cible les environnements où le GPS est absent et où les méthodes classiques échouent : parkings souterrains, hôtels, open-spaces à géométrie répétitive ou sans texture distinctive. MIL-LC est conçu pour maintenir une localisation fiable dans deux scénarios critiques : la dégénérescence géométrique du LiDAR (tunnels, couloirs uniformes), et l'évolution de la carte magnétique au fil du temps lors de déploiements longue durée. Les résultats présentés couvrent des tests en simulation et en environnement réel, sans chiffres de précision publiés dans le résumé disponible. L'intérêt industriel réside dans la promesse d'un déploiement sans infrastructure supplémentaire. Les solutions actuelles de localisation indoor pour AMR s'appuient soit sur des features géométriques ou visuelles (fragiles en environnement répétitif), soit sur des balises UWB, Wi-Fi ou QR (coût d'installation, maintenance, rigidité de déploiement). Le champ magnétique ambiant (AMF), lui, est omniprésent et ne nécessite aucun équipement terrain. L'apport de MIL-LC est de transposer cette idée, jusqu'ici explorée uniquement en contexte piéton avec des smartphones, à un AMR équipé d'une suite capteurs dédiée. Pour un intégrateur ou un COO industriel, cela signifie potentiellement réduire les prérequis d'installation dans des bâtiments complexes, un frein récurrent à l'adoption. La fusion magnétomètre-IMU pour la localisation piétonne a été explorée depuis plusieurs années par des laboratoires de robotique (notamment en Chine, en Europe et au Japon), mais son application aux AMR industriels restait largement ouverte. Les alternatives dominantes sur le marché AMR indoor incluent le SLAM LiDAR pur (Sick, Hokuyo, Livox), la vision (Boston Dynamics, Locus Robotics), et les systèmes hybrides LiDAR+vision. Côté français, des acteurs comme Exotec (logistique) ou Balyo déploient des AMR en entrepôts structurés, moins exposés aux environnements dégradés ciblés ici. MIL-LC reste pour l'instant une contribution académique en preprint, sans annonce de déploiement ni de partenariat industriel. Une soumission vers une conférence de référence (ICRA ou IROS) constituerait la prochaine étape naturelle avant toute validation à l'échelle.

UEImpact indirect pour les déployeurs français d'AMR (Exotec, Balyo) qui opèrent majoritairement en entrepôts structurés ; la contribution reste un preprint sans métriques publiées ni validation industrielle, à suivre si soumis à ICRA/IROS.

RecherchePaper
1 source
Un robot-chien chinois affronte -30 °C, traverse rivières et terrains accidentés en démonstration
407Interesting Engineering 

Un robot-chien chinois affronte -30 °C, traverse rivières et terrains accidentés en démonstration

DEEP Robotics a publié une vidéo de démonstration de son robot hybride roues-pattes Lynx M20S, successeur du M20, capable de traverser des rivières glacées jusqu'à 80 cm de profondeur, de fonctionner à -30°C et d'évoluer à une altitude de 5 177 mètres. La plateforme pèse 35 kg, accepte une charge utile de 15 kg (charge maximale 50 kg) et franchit des obstacles jusqu'à 80 cm de hauteur dans des couloirs aussi étroits que 50 cm, avec des pentes jusqu'à 45 degrés. Son autonomie atteint 3 heures et 15 km à vide par charge, réduite à 2,5 heures et 12 km avec 15 kg de payload, grâce à une double batterie hot-swappable et une endurance améliorée de 17 à 67% par rapport au modèle précédent. La vitesse de pointe en laboratoire est de 5 m/s, la vitesse opérationnelle de 2 m/s. Pour la perception, la plateforme intègre deux LiDAR à 96 lignes en configuration 360° x 90°, des caméras grand-angle et un évitement d'obstacles omnidirectionnel. La certification IP66 lui permet d'opérer entre -20°C et +55°C, avec mises à jour OTA et expansion modulaire. Cette démonstration cible un créneau précis : les environnements où les AMR à roues classiques sont bloqués et où les drones ne peuvent pas porter de charge utile significative, soit l'inspection de lignes haute tension en montagne, la réponse d'urgence post-catastrophe ou l'exploration en zone difficile d'accès. La combinaison roues-pattes est ici un compromis technique cohérent, la propulsion à roues assurant vitesse et efficacité énergétique sur terrain stable, les pattes prenant le relais sur obstacles. Les specs annoncées (80 cm d'eau, -30°C, 45° de pente) dépassent sur le papier celles du Spot de Boston Dynamics en contexte outdoor extrême. Il convient cependant de noter que les séquences présentées sont sélectionnées par l'équipe marketing et que les performances en déploiement industriel continu restent à valider par des clients opérationnels. Une charge utile de 15 kg reste suffisante pour des capteurs LiDAR embarqués, de la thermographie ou des kits d'urgence légers, ce qui ouvre des cas d'usage concrets pour les intégrateurs. DEEP Robotics est un acteur chinois positionné face à Unitree Robotics (B2, Go2) sur le segment robots à pattes compétitifs-prix, et face à ANYbotics (ANYmal, Suisse) sur le segment inspection industrielle premium. Le M20S est une évolution incrémentale du M20 original, dont les points forts principaux sont l'endurance améliorée et la double batterie interchangeable à chaud, plutôt qu'une refonte de l'architecture mécanique. Parallèlement, DEEP développe un humanoïde DR02 pour environnements industriels et dangereux, confirmant la tendance des constructeurs de robots spécialisés à élargir leur catalogue vers les plateformes anthropomorphes. Aucune date de disponibilité commerciale ni tarif n'ont été communiqués pour le M20S : la vidéo reste pour l'instant au stade de la démonstration d'enveloppe de performances, pas d'une annonce de produit livrable.

UEImpact indirect sur ANYbotics (Suisse) dont le segment inspection industrielle premium se retrouve concurrencé par des specs annoncées supérieures à coût potentiellement inférieur, mais sans disponibilité commerciale confirmée.

Chine/AsieOpinion
1 source
SCAN-Planner : planification locale anticollision pour la navigation guidée longue portée de quadrupèdes
408arXiv cs.RO 

SCAN-Planner : planification locale anticollision pour la navigation guidée longue portée de quadrupèdes

Des chercheurs ont publié sur arXiv (référence 2606.19555) une lettre décrivant SCAN-Planner, un cadre de planification locale pour robots quadrupèdes destiné à la navigation longue portée en environnements non structurés. Le système s'attaque à trois familles de situations problématiques : les passages étroits, les scènes intérieures encombrées et les terrains 3D complexes à grande échelle. L'innovation centrale est un empreinte bicylindrique sensible au lacet (yaw-aware twin-cylinder footprint) qui modélise le corps allongé du quadrupède, par opposition aux approximations isotropiques classiques qui gonflent le robot comme une sphère ou un cylindre unique. Cette représentation permet une évaluation des collisions sur l'ensemble du corps via des requêtes éparses dans une carte d'occupation 3D gonflée. Le système intègre également une recherche A* projetée sur une surface d'adhérence au sol interpolée, avec suppression de gradient vertical pour contourner les obstacles horizontaux sans compromettre la stabilité verticale. Pour le déploiement à grande échelle, une carte glissante centrée sur le robot avec mécanisme de repli aux frontières assure un contrôle de collision local haute résolution et une récupération des impasses locales. Les expériences combinent simulation et terrain réel : couloirs encombrés, scènes 3D non structurées, franchissement d'escaliers et navigation longue portée. L'intérêt pour les intégrateurs et les équipes robotiques tient à deux points concrets. D'abord, la prise en compte explicite des surplombs et structures tridimensionnelles comble une lacune réelle des planificateurs à carte d'élévation 2.5D, qui échouent dès qu'un obstacle dépasse un plan horizontal unique. Ensuite, le mécanisme de carte glissante adresse le passage à l'échelle (large-scale deployment) sans exploser les besoins mémoire, un problème récurrent dans les déploiements industriels longue distance. L'approche valide aussi empiriquement que la modélisation fine du corps du robot améliore la navigation en espace contraint, là où les planificateurs conservateurs dilatent excessivement les marges de sécurité et bloquent le robot dans des passages praticables. Côté contexte, la planification locale pour quadrupèdes est un terrain dense : les plateformes Boston Dynamics Spot et ANYbotics ANYmal ont popularisé ces robots hors laboratoire, mais leurs planificateurs embarqués restent majoritairement propriétaires. Côté académique, les travaux récents s'appuient sur des représentations comme les cartes de distance euclidienne (ESDF) ou les réseaux de perception, avec des systèmes comme le locomotion controller de ANYmal-D ou les frameworks de navigation de l'ETH Zurich. SCAN-Planner se positionne comme une couche de planification locale agnostique au locomotion controller, compatible avec un guidage de route externe. Aucun déploiement industriel ni partenariat commercial n'est mentionné dans la publication actuelle, qui reste une contribution de recherche en cours d'évaluation par les pairs.

RecherchePaper
1 source
La mémoire flash comme actif périssable : tarification de l'endurance pour les agents incarnés et ses limites
409arXiv cs.RO 

La mémoire flash comme actif périssable : tarification de l'endurance pour les agents incarnés et ses limites

Une équipe de chercheurs a publié sur arXiv (référence 2606.18144) une analyse formelle d'un problème souvent ignoré dans les systèmes robotiques embarqués : l'usure irréversible de la mémoire flash. Chaque écriture consomme un cycle programme/effacement (P/E) sur un stock fini, environ 1 000 cycles pour les puces QLC ou eMMC que montent les robots bas de gamme, et 3 000 pour les TLC premium. Les auteurs traitent cette mémoire comme un capital qui se déprécie et introduisent un "prix fantôme d'endurance" noté η, qui permet d'optimiser le placement des données à travers une hiérarchie RAM, NVM embarquée et cloud. Sur des logs de robots réels, ils mesurent un coefficient d'association valeur-écriture χ : positif (~+1,0×10⁻³) pour la manipulation récurrente à long horizon, nul pour les tâches à court horizon, et négatif pour la téléopération non récurrente. Résultat contre-intuitif : quand χ > 0, l'optimum déplace les souvenirs les plus précieux vers le cloud plutôt que vers la flash locale. Ce résultat intéresse directement les intégrateurs et les équipes déployant des agents d'IA embarquée à grande échelle. La contrainte d'endurance n'est pas théorique : elle est dormante sur les TLC haut de gamme mais active sur les eMMC et QLC que la majorité des robots industriels low-cost utilisent aujourd'hui. Formaliser ce coût permet d'optimiser la durée de vie des composants sans sacrifier les performances opérationnelles. Les tests montrent qu'un contrôleur appris "wear-aware" rivalise avec le routage basé sur les prix en valeur de tâche, tout en prolongeant la durée de vie du matériel. L'article établit ainsi une distinction utile : durée de vie du dispositif et performance de la tâche peuvent être découplées, ce qui n'avait pas été formalisé jusqu'ici. La gestion de mémoire persistante est un défi ouvert en robotique, aujourd'hui amplifié par la prolifération des plateformes humanoïdes (Figure AI, 1X, Boston Dynamics Atlas) et des modèles VLA (Vision-Language-Action), qui génèrent des fréquences d'écriture structurellement plus élevées. Ce travail s'inscrit dans les courants Lifelong Learning et SLAM à mémoire persistante. Les auteurs signalent deux limites importantes : la valeur de tâche n'est observable que via un proxy, et l'optimum non-monotone, prouvé formellement, n'a pas encore été observé dans les données expérimentales. Les prochaines étapes naturelles incluent la validation sur des déploiements longue durée et l'intégration du cadre dans les pipelines mémoire des agents VLA, où la question du coût réel de chaque écriture devient critique à l'échelle.

RecherchePaper
1 source
Les modèles causaux peuvent-ils améliorer la navigation des robots ? Adaptation causale en ligne pour robots réels
410arXiv cs.RO 

Les modèles causaux peuvent-ils améliorer la navigation des robots ? Adaptation causale en ligne pour robots réels

Des chercheurs présentent dans un article publié sur arXiv (2606.15691) une méthode d'intégration de modèles causaux dans des systèmes de navigation robotique réels, testée sur un robot de service physique en patrouille dans des couloirs. L'approche se décline en deux modes : un module d'évaluation hors ligne qui prédit la "compétence" d'une trajectoire enregistrée et la corrèle aux métriques de navigation quantitatives, et un module d'adaptation en ligne qui intervient dynamiquement lorsque la compétence prédite du comportement par défaut tombe en dessous d'un seuil. Les résultats montrent une corrélation positive entre compétence prédite et efficacité du chemin parcouru, et une corrélation négative avec les irrégularités de trajectoire. L'accord avec les annotations humaines atteint un coefficient kappa de Cohen de 0,88, un niveau considéré comme quasi-parfait dans la littérature. Ce travail s'attaque à un angle mort réel du déploiement de modèles causaux : la plupart des recherches restent en simulation ou en évaluation post-hoc, sans boucle fermée sur un robot physique. Ici, le modèle causal fonctionne comme un superviseur en temps réel capable de détecter et de corriger des comportements sous-optimaux dans des scénarios difficiles, virage serré, évitement d'obstacle, sans modifier le stack de navigation sous-jacent. Le gain est sélectif et honnêtement rapporté : dans les scénarios simples où le comportement par défaut est déjà proche de l'optimal, l'adaptation causale n'apporte pas de bénéfice mesurable, ce qui indique que la méthode est complémentaire plutôt que substitutive. La recherche en causalité appliquée à la robotique mobile reste dominée par les approches en simulation (travaux de Schölkopf, Peters et al.) ou par des architectures d'apprentissage causal intégrées dès l'entraînement. L'originalité ici est de greffer un module causal sur un système de navigation existant sans le modifier, ce qui abaisse la barrière à l'intégration pour les opérateurs de flottes AMR ou de robots de service. Les concurrents directs sur ce créneau incluent les approches d'apprentissage par renforcement adaptatif (comme celles explorées chez Boston Dynamics ou dans les labs de navigation de CMU), mais sans le volet interprétatif que le modèle causal offre. La suite logique serait de tester l'approche sur des flottes multi-robots ou dans des environnements dynamiques plus chargés, et de quantifier le surcoût computationnel en conditions réelles d'exploitation.

RecherchePaper
1 source
Récupération robuste après chute pour robots bipèdes à roues sans bras par apprentissage guidé par les forces
411arXiv cs.RO 

Récupération robuste après chute pour robots bipèdes à roues sans bras par apprentissage guidé par les forces

Des chercheurs présentent FTSR (Force-guided Teacher-student framework with Stage-wise Rewards), une méthode d'apprentissage par renforcement pour la récupération après chute des robots bipèdes à roues sans bras, publiée sur arXiv en juin 2026 (arXiv:2606.14270). En simulation, une force auxiliaire externe corrélée en temps réel à la hauteur du robot est formulée comme contrainte optimisable : l'algorithme d'apprentissage contraint pousse la politique à réduire progressivement sa dépendance à cette force tout en relevant le corps. Une architecture teacher-student distille la connaissance privilégiée des dynamiques de récupération, structurée par des récompenses progressives par seuils de hauteur (height-progressive stage-wise rewards). La politique est ensuite déployée sur un robot bipède à roues sans bras physique, testée dans des conditions variées et difficiles, et transfère également à un humanoïde à nombreux degrés de liberté (high-DOF). Sans bras ni pattes supplémentaires pour générer des forces d'appui, un bipède à roues figure parmi les morphologies robotiques les plus contraintes pour la récupération après chute. FTSR contourne ce verrou en injectant une force auxiliaire virtuelle pendant l'entraînement en simulation, puis en la supprimant graduellement via une contrainte optimisable : le robot développe ainsi des stratégies de redressement internes sans jamais dépendre d'un artefact absent en conditions réelles. La validation sim-to-real sur robot physique, combinée à la généralisation à un humanoïde high-DOF sans sur-adaptation à une cinématique spécifique, renforce la crédibilité pratique de l'approche pour les équipes travaillant sur plusieurs plateformes. C'est précisément ce gap entre démonstration en simulation et déploiement physique robuste que FTSR cherche à combler, avec des résultats qui méritent d'être suivis. Les robots bipèdes à roues occupent une niche croissante entre les AMR classiques et les humanoïdes complets : ils combinent mobilité sur terrain plat et capacité partielle à franchir des obstacles, à un coût mécanique inférieur. Sur le problème précis de la récupération après chute, les travaux existants se concentrent sur les humanoïdes avec bras (Boston Dynamics Atlas) et les quadrupèdes multi-pattes (ANYmal d'ANYbotics, Unitree Go2), laissant peu de littérature sur les morphologies intermédiaires sans membres supérieurs. FTSR reste à ce stade un preprint arXiv sans déploiement industriel annoncé et sans plateforme commerciale nommée ; les suites naturelles seraient une évaluation sous perturbations extérieures actives et une intégration dans une stack de navigation autonome complète.

RecherchePaper
1 source
Y-BotFrame : un cadre extensible d'agents incarnés pour robots quadrupèdes assistants
412arXiv cs.RO 

Y-BotFrame : un cadre extensible d'agents incarnés pour robots quadrupèdes assistants

Des chercheurs du groupe XDEI ont publié en juin 2026, via arXiv (2606.13049), les spécifications de Y-BotFrame, un framework open-source conçu pour transformer un robot quadrupède générique en assistant mobile autonome piloté par le langage naturel. L'architecture intègre trois modalités de perception en parallèle, microphone (commandes vocales), caméra RGB-D (vision) et LiDAR (cartographie 3D), et repose sur un grand modèle de langage (LLM) comme noyau cognitif central. Ce LLM prend en charge la compréhension de l'environnement, le raisonnement contextuel et la planification de tâches, puis convertit les instructions en langage naturel en unités d'action exécutables par le robot. Le système supprime le besoin d'une télécommande physique, remplacée par une interface voix et un retour visuel temps réel. Il s'agit pour l'instant d'une annonce académique accompagnée d'une vidéo de démonstration, pas d'un produit commercialisé. L'intérêt industriel de Y-BotFrame réside dans son architecture modulaire dite "plug-and-play" : chaque sous-système (navigation, perception, interaction) peut être remplacé ou mis à niveau indépendamment, ce qui abaisse le coût d'intégration pour des déploiements sectoriels spécifiques (inspection, logistique d'entrepôt, assistance en environnement structuré). La chaîne voix-vers-action sans contrôleur dédié réduit la barrière de qualification opérateur, un argument concret pour les déployeurs B2B. Reste que les métriques de performance concrètes, latence de la boucle LLM, robustesse en conditions dégradées, autonomie, sont absentes du résumé publié, ce qui est typique des papiers arXiv en phase préliminaire. Les robots quadrupèdes à LLM embarqué forment un segment en effervescence : Unitree (Go2, H1) et Boston Dynamics (Spot) dominent le hardware, tandis que des frameworks comme LeRobot (HuggingFace), Open-X Embodiment ou π₀ (Physical Intelligence) se disputent la couche logicielle d'apprentissage généraliste. Y-BotFrame se positionne non pas comme un modèle VLA entraîné, mais comme une couche d'orchestration système, plus proche de ROS 2 avec un LLM que d'un modèle de politique end-to-end. La prochaine étape logique pour l'équipe XDEI sera de publier des benchmarks sur un hardware cible identifié et des résultats de déploiement réel hors laboratoire.

RecherchePaper
1 source
La Chine peut apporter une contribution exceptionnelle dans la prochaine décennie, selon un ex-responsable de l'ONU sur l'IA et la robotique
413Pandaily 

La Chine peut apporter une contribution exceptionnelle dans la prochaine décennie, selon un ex-responsable de l'ONU sur l'IA et la robotique

Sam Daws, ancien haut fonctionnaire des Nations Unies et directeur du Project on Peace, Security, and AI à l'Université d'Oxford, a participé à un dialogue stratégique organisé par le Chongyang Institute for Financial Studies de l'Université Renmin de Chine, dans le cadre de la série Mingde Strategic Dialogue. Il a positionné la Chine comme détenant une "position de leadership mondial" en robotique humanoïde et en IA incarnée (embodied AI), tout en reconnaissant que les États-Unis conservent une avance sur la conception des puces avancées. L'avantage distinctif chinois résiderait, selon lui, dans sa capacité à intégrer l'intelligence incarnée à la fabrication industrielle avancée via l'initiative nationale "AI+". Sur la question de l'IA militaire, Daws a mis en garde contre ce qu'il nomme "l'illusion de la précision algorithmique" : les environnements de combat restent intrinsèquement incertains, avec des données incomplètes et des conditions dynamiques, ce qui rend tout déploiement autonome sans contrôle humain réel particulièrement risqué. Il a par ailleurs cité le KazLLM du Kazakhstan -- un grand modèle de langage en langue kazakhe -- comme exemple réussi de développement d'IA localisée dans le contexte des pays du Sud Global. Ce dialogue illustre un glissement dans le débat autour de la souveraineté technologique : les puissances intermédiaires refusent de plus en plus de choisir entre blocs technologiques rivaux, et exigent des infrastructures fiables, une puissance de calcul accessible et des standards interopérables. Pour l'industrie robotique, la thèse de Daws est notable : il soutient que la transition de l'"IA informationnelle" vers l'"IA agentique" -- des systèmes capables d'exécuter des tâches complexes de manière autonome ou semi-autonome -- représente la prochaine rupture structurelle. Si la Chine réussit à convertir son avance dans l'integration manufacturing-embodied AI en standards de facto, les intégrateurs et les OEM mondiaux pourraient se retrouver contraints d'adopter des architectures chinoises pour accéder aux marchés émergents. Le contexte géopolitique éclaire la portée du discours : Daws a évoqué des discussions en cours entre la Chine, l'ASEAN et l'UE sur l'interopérabilité robotique, ainsi qu'une coopération trilatérale potentielle Chine-Japon-Corée du Sud sur les standards des robots humanoïdes -- un signal d'alignement régional à surveiller face à la dynamique américaine autour de Boston Dynamics, Figure AI ou 1X Technologies. Il a identifié l'Organisation des Nations Unies pour le développement industriel (ONUDI/UNIDO) comme plateforme clé pour accompagner la montée en gamme industrielle dans l'ère de l'IA. Il convient de noter que ce compte-rendu reste celui d'un dialogue d'experts, sans annonce de produit ni déploiement concret : l'enjeu ici est normatif et géopolitique, pas opérationnel.

UEDes discussions Chine-ASEAN-UE sur l'interopérabilité robotique sont évoquées, avec un risque que des standards de facto chinois s'imposent aux intégrateurs et OEM européens souhaitant accéder aux marchés émergents.

Chine/AsieOpinion
1 source
Les robots explorent des environnements inconnus grâce à un lidar avancé
414Interesting Engineering 

Les robots explorent des environnements inconnus grâce à un lidar avancé

Ouster, spécialiste du lidar basé à San Francisco, et FieldAI, développeur d'IA robotique californien, ont annoncé un partenariat centré sur l'intégration du capteur lidar numérique Rev8 d'Ouster avec la plateforme Field Foundation Models de FieldAI. L'objectif : permettre à des robots généralistes de se déployer sur de nouveaux sites industriels sans cartographie préalable, sans infrastructure dédiée et sans modification de l'environnement. La plateforme FieldAI est conçue comme un "cerveau" universel capable d'opérer sur des types de robots très différents, dans des conditions changeantes : chantiers de construction, mines, sites énergétiques, installations souterraines et zones industrielles sans couverture GPS. Le Rev8 apporte une couche de perception couleur native aux données lidar classiques, combinant ainsi la précision de la mesure de distance par impulsions laser avec une interprétation chromatique de l'environnement. Aucun chiffre de déploiement, de prix ou de volume client n'a été communiqué dans l'annonce, il s'agit à ce stade d'une collaboration technologique déclarée, pas d'un produit expédié. Ce partenariat pointe vers un verrou structurel du secteur : la dépendance des robots industriels aux environnements précartographiés. Les systèmes AMR (autonomous mobile robots) conventionnels exigent typiquement des semaines de mapping, des marquages au sol ou des balises fixes avant de pouvoir opérer. La proposition de FieldAI, entrer sur un site comme un nouvel employé, évaluer l'environnement et commencer à travailler sans connaissance préalable, représente un changement de paradigme si elle se confirme à l'échelle. L'ajout du lidar couleur Rev8 renforce l'interprétabilité des décisions du robot (distinguer un obstacle fixe d'un opérateur en mouvement, identifier des équipements par leur apparence) et améliore la sécurité dans des contextes où caméras seules ou GPS sont insuffisants. Pour un intégrateur ou un COO industriel, cela se traduit potentiellement par une réduction significative des coûts et délais de mise en service, le principal frein commercial des déploiements robotiques en environnements non structurés. FieldAI s'est construit sur la conviction que les grands modèles de fondation, entraînés à comprendre le monde physique plutôt qu'une tâche spécifique, constituent la brique manquante pour généraliser l'autonomie robotique. Ouster, de son côté, est issu de la vague lidar initiée par Velodyne et ses concurrents ; son passage au lidar numérique (SPAD-based) lui a permis de réduire les coûts et d'augmenter la résolution. Sur le marché des capteurs de perception pour robots industriels, Ouster concurrence Hesai (Chine), Innoviz (Israël) et Luminar (États-Unis), tandis que FieldAI se positionne face à des plateformes d'intelligence robotique comme Boston Dynamics AI Institute, Intrinsic (Google) ou ANYbotics. Aucun acteur européen n'est impliqué dans ce partenariat. Les prochaines étapes annoncées incluent l'intégration du Rev8 dans les déploiements en cours de FieldAI chez ses clients industriels, sans calendrier précis communiqué.

IndustrielOpinion
1 source
CoRe-MoE : un mélange d'experts contrastif pour la locomotion multi-terrain des robots humanoïdes avec adaptation de la démarche
415arXiv cs.RO 

CoRe-MoE : un mélange d'experts contrastif pour la locomotion multi-terrain des robots humanoïdes avec adaptation de la démarche

Une équipe de recherche publie sur arXiv (2606.04718) CoRe-MoE, un framework d'apprentissage par renforcement en deux étapes conçu pour permettre à un robot humanoïde de marcher et de courir sur des terrains variés sans politique distincte par surface. L'architecture repose sur un Mixture-of-Experts (MoE) augmenté d'un objectif contrastif : une première phase entraîne une politique de locomotion de base produisant marche et course avec transitions fluides, puis une seconde phase greffe une branche MoE sensible au terrain, dont le réseau de gating est formé à distinguer structurellement les représentations de sol. L'action finale est une fusion pondérée entre la politique de base et la branche adaptative. Validé en simulation puis déployé en zero-shot sur le Unitree G1, le système traverse escaliers, rampes, marches, obstacles et terrains extérieurs non structurés tout en maintenant un placement de pied précis face à des perturbations externes. L'intérêt de ce travail pour les intégrateurs et décideurs robotiques tient moins à la performance brute qu'à la méthode de découplage. Le problème classique dans l'entraînement multi-tâches est l'interférence de gradients : une politique unifiée marche/course/terrain provoque des conflits d'apprentissage qui dégradent chaque sous-compétence. CoRe-MoE contourne cela en séparant explicitement génération de démarche et adaptation terrain. L'objectif contrastif force une spécialisation claire des experts MoE, défaillance récurrente des implémentations MoE naïves. Le zero-shot sim-to-real sur G1 suggère une réduction du reality gap, point de friction central dans le passage de la simulation au déploiement industriel, bien que le papier ne fournisse pas de métriques de cycle ou de données de déploiement à l'échelle. Le Unitree G1 est un humanoïde 23 degrés de liberté à environ 16 000 dollars, devenu référence de facto pour la recherche en locomotion académique, face au Boston Dynamics Atlas et à l'Agility Robotics Digit plus orientés industrie. CoRe-MoE s'inscrit dans un courant actif de politiques visuomotrices pour humanoïdes, aux côtés de travaux comme GR00T N2 de NVIDIA ou Pi-0 de Physical Intelligence, qui cherchent tous à unifier mobilité et manipulation sous une seule politique généraliste. La prochaine étape naturelle de ce type d'architecture est l'extension aux tâches de manipulation en locomotion, et le test sur des humanoïdes plus lourds à charge utile élevée, où la stabilité dynamique devient critique.

IA physiqueOpinion
1 source
Apprentissage de politiques dynamiques pour robots à pattes : préentraînement sur modèle simplifié et transfert inspiré de l'homotopie
416arXiv cs.RO 

Apprentissage de politiques dynamiques pour robots à pattes : préentraînement sur modèle simplifié et transfert inspiré de l'homotopie

Des chercheurs ont publié sur arXiv (arXiv:2512.24698v2, soumis fin 2025) un cadre d'apprentissage par renforcement baptisé "continuation-based learning" pour générer des comportements dynamiques complexes sur robots à pattes. L'approche se décompose en deux phases : un pré-entraînement de la politique de contrôle sur un modèle d'ordre réduit dit "corps rigide unique" (Single Rigid Body, SRB), qui simplifie le robot à un seul segment de masse, suivi d'un transfert progressif vers la dynamique corps-complet via une stratégie de continuation inspirée de l'homotopie mathématique. Ce transfert consiste à redistribuer graduellement la masse et l'inertie entre le tronc et les membres du robot, en définissant un chemin paramétrique continu entre les deux représentations. Le framework a été validé sur des tâches hautement dynamiques, saltos, manoeuvres assistées par un mur, et déployé avec succès sur un robot quadrupède réel, sans préciser le modèle matériel ni les métriques quantitatives de performance finale. L'intérêt technique est de s'attaquer directement au "sim-to-real gap" pour des comportements extrêmes, là où l'apprentissage par renforcement classique achoppe : produire un salto ou une manoeuvre murale exige une récompense finement calibrée ou des démonstrations de haute qualité, deux ressources coûteuses. En préentraînant sur un modèle SRB, la politique capture rapidement les patrons de mouvement essentiels dans un espace d'état simplifié, puis la continuation homotopique réduit les pertes de performance lors du passage au modèle complet. Les auteurs rapportent une convergence plus rapide et une stabilité supérieure aux méthodes de référence (fine-tuning direct, curriculum naïf), ce qui suggère que la structure géométrique du chemin de transition compte autant que la quantité de données d'entraînement. Pour un intégrateur ou un responsable R&D robotique, c'est un signal que le sim-to-real sur comportements acrobatiques devient méthodologiquement adressable, même sans démonstrations humaines. Ce travail s'inscrit dans un courant actif qui cherche à combiner modèles analytiques réduits et apprentissage profond pour dépasser les limites de chacun : les méthodes purement model-based (MPC sur SRB, très utilisées chez Boston Dynamics, ETH Zurich et ANYbotics) peinent sur les mouvements hors-domaine de validité du modèle, tandis que le RL pur souffre d'une exploration inefficace pour les comportements extrêmes. Des travaux récents comme ceux du groupe de Pieter Abbeel (UC Berkeley) ou de Zhuang Chen (CMU) explorent des voies similaires de curriculum progressif. Aucun partenaire industriel ni calendrier de déploiement n'est mentionné dans la publication ; l'article reste à ce stade un résultat de laboratoire, sans validation sur des plateformes commerciales comme Unitree B2, Spot ou ANYmal.

RecherchePaper
1 source
RoboBusiness 2026 lance un appel à conférenciers
417Robotics Business Review 

RoboBusiness 2026 lance un appel à conférenciers

RoboBusiness 2026 ouvrira ses portes les 19 et 21 octobre au Santa Clara Convention Center, en Californie, et l'appel à communications vient d'être lancé avec une date limite fixée au 8 juillet 2026. Six thématiques structureront le programme : Physical AI (apprentissage à partir de données capteurs, adaptation situationnelle), technologies habilitantes (contrôle du mouvement, vision machine, logiciels embarqués), humanoïdes (conception et déploiement industriel), robotique de terrain (agriculture, construction, applications outdoor), développement (simulation, CAD/CAM, méthodologies d'ingénierie) et Business & Deployment (stratégies go-to-market, financement, scaling de startups). Les conférenciers retenus bénéficient d'une accréditation complète à l'événement et de deux passes invités supplémentaires. La manifestation inclut également le Pitchfire Robotics Startup Competition, compétition de pitch ouverte aux startups en recherche de visibilité auprès d'investisseurs. La programmation 2026 reflète les inflexions majeures du secteur. La thématique humanoïdes acquiert une place centrale, cohérente avec l'accélération des annonces industrielles de Figure, Agility Robotics, Boston Dynamics ou 1X ces dix-huit derniers mois. L'intégration du Physical AI comme thématique à part entière -- soit les architectures combinant perception, raisonnement et action, dont les modèles VLA (vision-language-action) -- signale que la question n'est plus théorique : les industriels veulent comprendre comment ces systèmes se comportent hors laboratoire, en conditions réelles, et pas seulement dans des vidéos soigneusement sélectionnées. L'ajout d'une thématique dédiée au Business & Deployment traduit également une maturité du marché : la robotique commerciale sort du cycle démo-pilote pour entrer dans celui de la scalabilité et du ROI mesurable. RoboBusiness existe depuis vingt ans et est organisé par WTWH Media, groupe éditorial qui publie The Robot Report et Automated Warehouse, et co-produit le Robotics Summit & Expo. Parmi les intervenants récurrents figurent Jeff Burnstein, président de l'Association for Advancing Automation (A3), Ken Goldberg, titulaire de la chaire William S. Floyd Jr. Distinguished en ingénierie à l'UC Berkeley, et Deepu Talla, vice-président robotique et edge AI chez NVIDIA. Sur un marché des événements robotique de plus en plus concurrencé -- ICRA côté recherche académique, MODEX et ProMat côté intralogistique, AUTOMATE pour l'automatisation industrielle -- RoboBusiness maintient un positionnement délibérément orienté commercialisation et go-to-market, ciblant intégrateurs, décideurs et investisseurs plutôt que chercheurs. Les propositions de conférence sont à soumettre via formulaire en ligne avant le 8 juillet ; le contact programme est Steve Crowe (scrowe@wtwhmedia.com).

BusinessOpinion
1 source
SplitAdapter : loco-manipulation humanoïde sensible à la charge par adaptation factorisée
418arXiv cs.RO 

SplitAdapter : loco-manipulation humanoïde sensible à la charge par adaptation factorisée

SplitAdapter est une architecture présentée sur arXiv (identifiant 2606.03297) visant à améliorer le contrôle de robots humanoïdes en loco-manipulation, soit la combinaison simultanée de la marche bipède et de la manipulation d'objets physiques. Le système part d'une politique de manipulation de boîtes préentraînée qu'il fige, puis lui greffe deux encodeurs de contexte indépendants : l'un capture les propriétés de la charge et de l'objet saisi, l'autre modélise les dynamiques internes du robot. Ces représentations sont injectées via une modulation FiLM hiérarchique (Feature-wise Linear Modulation), combinée à des objectifs split world-model et une régularisation cross-adversariale par gradient reversal (GRL). Les expériences couvrent des objets de 2, 4 et 6 kg, à des hauteurs de prise et de dépôt de 0, 30 et 60 cm, testés en sim-to-sim puis en déploiement sur robot réel. SplitAdapter améliore le taux de succès en tâche complète face à la politique de base et aux baselines FiLM à encodeur unique, avec les gains les plus marqués sous forte charge (6 kg). L'enjeu central est le transfert sim-to-réel sous charge variable : lorsqu'un humanoïde soulève un objet lourd, ses dynamiques changent sensiblement, et les adaptateurs existants qui fusionnent tous les signaux dans une seule représentation latente tendent à perdre en robustesse précisément dans les conditions les plus critiques. La factorisation proposée, un encodeur par source de variation, maintient une séparation explicite entre les incertitudes liées à l'objet et celles liées au robot, ce qui se révèle plus stable sous conditions extrêmes. Pour un intégrateur ou un OEM industriel, cela suggère qu'une politique généraliste préentraînée peut être adaptée modulairement selon la charge sans réentraînement complet, une propriété utile pour des lignes de production où les objets manipulés varient fréquemment. La loco-manipulation sur humanoïdes concentre des investissements massifs : Figure AI déploie son Figure 03 chez BMW, Boston Dynamics pousse Atlas en partenariat avec Hyundai, et des labos comme Physical Intelligence (Pi-0) ou NVIDIA (GR00T N2) misent sur des politiques généralisables de type VLA (Vision-Language-Action). SplitAdapter prend un pari différent, adapter une politique spécialisée existante plutôt que d'en entraîner une nouvelle de bout en bout, ce qui réduit les coûts de calcul mais soulève la question de la généralisabilité hors distribution. Le papier est une préimpression arXiv soumise début juin 2026, non encore évaluée par les pairs ; aucun déploiement industriel ni pilote commercial n'est annoncé à ce stade.

IA physiquePaper
1 source
ConTrack : suivi du mouvement des mains sous contraintes avec contrôle adaptatif des compromis
419arXiv cs.RO 

ConTrack : suivi du mouvement des mains sous contraintes avec contrôle adaptatif des compromis

ConTrack, un cadre d'apprentissage par renforcement (RL) publié sur arXiv en juin 2026 (arXiv:2606.03177), s'attaque à l'un des verrous les plus persistants de la manipulation dextère robotique : transférer fidèlement des démonstrations humaines vers un robot réel, en particulier dans des séquences longues impliquant de nombreux contacts. Le problème central, dit "kinematic gap", tient au fait qu'une politique de suivi doit simultanément maintenir les objets sur leurs trajectoires cibles, respecter la cinématique articulaire démontrée et reproduire les timings de contact, le tout sans pouvoir ajuster ses paramètres séquence par séquence. ConTrack résout cela en reformulant le suivi d'objet comme une contrainte plutôt que comme un terme de récompense : l'autorité de contrôle résiduelle est allouée à la fidélité du mouvement, et un mécanisme de mise à jour de variable duale permet d'ajuster dynamiquement le compromis tâche/style en ligne. Le système intègre également une bibliothèque de réinitialisations adaptatives en milieu de trajectoire, qui réutilise les états du simulateur atteignables par la politique courante pour stabiliser l'apprentissage sur des horizons longs. Les auteurs rapportent des améliorations significatives du taux de succès et de la précision de pose des objets par rapport aux approches existantes, validées à la fois en simulation et sur robot réel. L'intérêt de ConTrack pour les équipes de recherche et les intégrateurs robotiques tient à son passage à l'échelle : là où les méthodes précédentes nécessitaient un tuning manuel de la fonction de récompense pour chaque nouvelle séquence, l'approche par contraintes s'affranchit de ce goulot d'étranglement. C'est précisément ce type de réglage par séquence qui rendait les pipelines de manipulation dextère difficilement industrialisables. En séparant l'objectif de suivi d'objet de la préservation du style moteur, ConTrack offre une architecture plus modulaire, potentiellement applicable à des datasets de démonstrations humaines à grande échelle, un axe central dans les travaux récents sur les Visual Language Action (VLA) policies. Ce travail s'inscrit dans un courant très actif du sim-to-real pour la manipulation fine, aux côtés de travaux comme DexMimic, AnyTeleop ou les pipelines de l'équipe Stanford IRIS. L'absence d'affiliation institutionnelle explicite dans le résumé arXiv rend difficile le positionnement compétitif précis, mais la problématique rejoint directement les défis que rencontrent des acteurs comme Physical Intelligence (pi0), Dexterous AI ou les équipes manipulation de Boston Dynamics et Figure. La prochaine étape naturelle serait une évaluation sur des benchmarks standards comme DexArt ou TACO, et une validation sur une plus grande diversité de morphologies de mains robotiques. Il s'agit pour l'instant d'un preprint académique, sans déploiement industriel annoncé.

RecherchePaper
1 source
JAKA Robotics dévoile JAKA Pi, un robot humanoïde compact de 1,22 m pour l'éducation et les services
420Pandaily 

JAKA Robotics dévoile JAKA Pi, un robot humanoïde compact de 1,22 m pour l'éducation et les services

JAKA Robotics, fabricant shanghaïen de robots collaboratifs industriels basé dans le district de Minhang, a présenté le JAKA Pi, un robot humanoïde compact de 1,22 mètre pour 42 kilogrammes. Le système embarque 27 degrés de liberté, avec des modules articulaires 15 à 27 % plus petits en diamètre que la génération précédente. L'articulation du genou délivre 120 Nm de couple pour assurer une locomotion stable, et chaque bras supporte une charge utile de 3 kg pour des tâches de manipulation légère. L'encombrement global est contenu à 1 220 x 420 x 220 mm. L'architecture de contrôle, baptisée "fusion brain" par l'entreprise, repose sur la plateforme de calcul hétérogène Intel et sépare deux domaines distincts : un "cerveau" supérieur dédié au raisonnement IA, aux algorithmes de vision et aux modèles de langage, et un "cervelet" gérant le contrôle moteur temps réel via bus EtherCAT à latence milliseconde. Le produit est présenté comme disponible, mais aucun chiffre de déploiement ni de prix public n'a été communiqué lors de ce lancement. La transition d'un spécialiste des cobots industriels vers un humanoïde de service constitue un signal stratégique notable, même si le positionnement retenu, axé sur l'éducation, la recherche universitaire, l'animation d'expositions et l'accompagnement des personnes âgées, reste dans un segment à faible exigence de fiabilité opérationnelle comparé aux applications logistiques ou manufacturières. La séparation architecturale entre couche IA et couche temps réel via EtherCAT est une approche déjà adoptée par d'autres acteurs du secteur pour résoudre la tension entre latence de l'inférence LLM et déterminisme du contrôle moteur, et représente une décision d'ingénierie sensée plutôt qu'une rupture. La valeur du JAKA Pi pour les intégrateurs et les équipes R&D réside davantage dans sa compacité et dans sa plateforme de développement secondaire ouverte que dans des performances mécaniques exceptionnelles, son payload de 3 kg par bras le plaçant dans une catégorie intermédiaire entre les démonstrateurs de laboratoire et les solutions industrielles. JAKA Robotics a officiellement repositionné sa marque en 2025, abandonnant l'étiquette de fabricant de robots collaboratifs pour celle de société de "robotique intelligente généraliste", et a formalisé un partenariat avec l'Université Jiao Tong de Shanghai pour un centre de recherche conjoint sur l'intelligence incarnée et les systèmes de perception avancée. Le marché des humanoïdes compacts pour l'éducation et le service voit coexister des acteurs très différents : Unitree (H1, G1), Agility Robotics (Digit), Boston Dynamics (Atlas), ainsi que des startups chinoises comme Fourier Intelligence ou Agibot, sans oublier Figure et 1X en Occident. À ce stade, le JAKA Pi s'inscrit davantage comme une annonce de positionnement stratégique que comme un produit à déploiement industriel imminent, en l'absence de données de terrain ou de pilotes clients confirmés.

HumanoïdesOpinion
1 source
Seq-DeepIPC : captation séquentielle pour le contrôle de bout en bout dans la navigation de robots à pattes
421arXiv cs.RO 

Seq-DeepIPC : captation séquentielle pour le contrôle de bout en bout dans la navigation de robots à pattes

Des chercheurs présentent Seq-DeepIPC (arXiv:2510.23057v2), un modèle de navigation bout-en-bout pour robots à pattes reposant sur une fusion multi-modale RGB-D et GNSS. Contrairement aux approches classiques qui séparent perception et contrôle, le système prédit conjointement la segmentation sémantique et l'estimation de profondeur à partir d'entrées séquentielles, puis génère directement les commandes moteur. L'estimation du cap global est assurée non pas par une centrale inertielle (IMU), jugée trop bruitée, mais par une analyse différentielle de coordonnées GNSS successives. Pour le déploiement embarqué, un encodeur léger réduit la charge de calcul sans dégradation significative de précision. Le système a été validé sur un robot quadrupède sur deux types de terrain, route et gazon, à partir d'un jeu de données collecté spécifiquement pour couvrir cette diversité. Le code sera mis en accès libre sur GitHub (github.com/oskarnatan/Seq-DeepIPC). L'apport principal réside dans l'extension de la navigation end-to-end, jusqu'ici dominée par les robots à roues, aux systèmes à pattes, beaucoup plus complexes cinématiquement. Les études ablatives confirment que les entrées séquentielles améliorent à la fois la perception et le contrôle dans Seq-DeepIPC, alors que les baselines testées n'en bénéficient pas, ce qui suggère une dépendance forte à la temporalité propre à la démarche quadrupède. La suppression de l'IMU est un choix architectural audacieux: elle simplifie l'intégration matérielle et évite la dérive gyroscopique, mais le papier reconnaît une fiabilité moindre du cap GNSS-seul en environnement urbain dense. Pour un intégrateur, cela signifie que le système est crédible en extérieur ouvert, mais nécessiterait une fusion sensorielle supplémentaire en milieu confiné ou bâti. La navigation end-to-end pour robots à pattes s'inscrit dans un effort de recherche plus large visant à réduire le gap de spécialisation entre planification et locomotion. Des travaux comme DeepIPC (dont Seq-DeepIPC est la suite directe) ou les architectures VLA (Vision-Language-Action) de Boston Dynamics, Unitree et ANYbotics explorent des pipelines similaires, avec des approches différentes sur la représentation de l'espace et la gestion de la mémoire temporelle. Seq-DeepIPC se distingue par sa sobriété sensorielle et sa cible embarquée, mais reste un prototype de laboratoire validé en conditions semi-contrôlées. La prochaine étape logique serait un test en environnements plus adversariaux, notamment urbains, pour quantifier les limites réelles du cap GNSS différentiel annoncées dans le papier.

RecherchePaper
1 source
Intégration IA-IoT-Robotique : panorama des frameworks, tendances émergentes et voie vers la robotique connectée
422arXiv cs.RO 

Intégration IA-IoT-Robotique : panorama des frameworks, tendances émergentes et voie vers la robotique connectée

Une équipe de chercheurs a publié début juin 2026 sur arXiv (réf. 2606.01015) une revue de la littérature consacrée à l'intégration conjointe de l'intelligence artificielle, de l'Internet des objets (IoT) et de la robotique, trois domaines qui progressaient jusqu'ici principalement deux à deux. Les auteurs recensent les travaux existants autour de combinaisons établies, l'AIoT (IA et IoT) et l'Internet of Robotic Things (IoRT, couplant IoT et robotique), et constatent l'absence persistante de cadres de conception unifiés orchestrant les trois disciplines simultanément. Leur principale contribution est une architecture modulaire où des petits modèles de langage (SLM, Small Language Models) assurent l'inférence locale en bordure de réseau (edge), tandis que des grands modèles de langage (LLM) hébergés dans le cloud prennent en charge le raisonnement de haut niveau et la prise de décision autonome. Pour les intégrateurs industriels et les responsables techniques B2B, l'architecture hybride SLM-LLM proposée répond à deux contraintes opérationnelles majeures : réduire la latence en traitant localement les données capteurs, et limiter la dépendance réseau dans des environnements de production. La revue identifie des verrous encore ouverts, notamment l'interopérabilité entre protocoles hétérogènes et la boucle de contrôle par retour d'information dans des systèmes multi-agents distribués. Il convient de souligner que ces résultats restent à ce stade conceptuels : le papier propose un cadre et une taxonomie, pas un système validé en déploiement réel, et l'absence de benchmarks reproductibles est explicitement signalée comme une limite. Ce travail s'inscrit dans un courant académique et industriel que NVIDIA a popularisé sous le terme de Physical AI, désignant des systèmes capables d'agir dans le monde physique via des robots ou des actionneurs connectés. La robotique connectée que dessine ce survey fait écho aux développements de plateformes cloud-robot portés par des acteurs comme Boston Dynamics, ou en Europe par des intégrateurs spécialisés comme Exotec dans les AMR et Enchanted Tools dans la robotique collaborative. Les auteurs identifient eux-mêmes comme prochaine étape la validation expérimentale de leur cadre sur des cas d'usage réels, condition nécessaire pour que l'architecture proposée dépasse le statut de roadmap et devienne une référence opérationnelle pour l'industrie.

UEL'architecture SLM-LLM proposée pourrait bénéficier à terme aux intégrateurs européens comme Exotec (AMR) et Enchanted Tools (cobots), mais reste un cadre conceptuel sans validation terrain ni benchmarks reproductibles.

IA physiquePaper
1 source
Les avancées en prélèvement robotisé par caisse et à l'unité
423Robotics Business Review 

Les avancées en prélèvement robotisé par caisse et à l'unité

Le 3 juin 2026 à midi (heure de New York), un webinaire gratuit réunit plusieurs acteurs de la logistique robotisée autour de la préhension automatisée de colis et d'unités individuelles (désignée dans l'industrie par "case and each picking"). La table ronde virtuelle rassemble Annie Bowlby, directrice produit et ingénierie chez RightHand Robotics, ancienne responsable produit chez Neurala et cheffe de produit chez Rockwell Automation ; Gina Chung, directrice stratégie chez Locus Robotics, qui revendique plus de 17 000 robots déployés sur plus de 360 sites dans le monde ; et Josh Cloer, directeur général de Nomagic pour l'Amérique du Nord, issu de Mujin et de Mobile Industrial Robots (MiR). Les sujets couverts incluent les avancées en manipulation robotique, le concept de "data flywheel" (boucle de rétroaction de données réelles pour affiner les modèles d'IA guidant la préhension), et la place future de la supervision humaine dans les opérations de fulfillment. L'automatisation du picking unitaire reste l'un des verrous les plus tenaces de la logistique entrepôt. Jusqu'à récemment, un opérateur humain surpassait les robots en vitesse et en précision pour manipuler des SKUs individuels ou des cartons de formats variés. Mais la pénurie de main-d'oeuvre, le coût croissant du travail, les blessures liées aux gestes répétitifs et la variabilité de productivité humaine ont accéléré l'adoption des solutions robotiques. Le webinaire aborde explicitement le défi des formes, matériaux et poids hétérogènes, principal obstacle à la généralisation de la préhension automatisée au-delà des environnements très normalisés. La notion de "data flywheel" est présentée comme le mécanisme clé permettant d'améliorer la robustesse en conditions réelles plutôt qu'en simulation contrôlée, sujet central du débat sim-to-real qui structure encore largement la recherche en manipulation robotique. L'émergence de ce segment reflète une consolidation progressive du marché. RightHand Robotics est positionné sur la préhension unitaire en entrepôt depuis plusieurs années, tandis que Locus Robotics, issu de la première vague d'AMR (robots mobiles autonomes), étend ses capacités vers la manipulation à valeur ajoutée. Nomagic, fondé en Europe et désormais en phase d'expansion nord-américaine, mise sur une approche dite de "physical AI" pour différencier ses solutions dans les opérations de fulfillment. Les concurrents directs dans cet espace incluent Covariant (intégré depuis par Amazon), Dexterity et, dans un registre plus industriel, Boston Dynamics. Il convient de noter que ce webinaire est un échange sectoriel et non un lancement produit ou une annonce de déploiement : aucune nouvelle solution ni chiffre de performance inédit ne sont présentés. La session sera disponible en rediffusion après la diffusion en direct du 3 juin.

IndustrielActu
1 source
TAGA : une approche réactive basée sur les tangentes pour la navigation socialement acceptable des robots autour des groupes humains
424arXiv cs.RO 

TAGA : une approche réactive basée sur les tangentes pour la navigation socialement acceptable des robots autour des groupes humains

Des chercheurs ont publié sur arXiv (réf. 2503.21168) TAGA (Tangent Action for Group Avoidance), une couche de navigation modulaire conçue pour que les robots mobiles contournent non seulement les individus, mais aussi les groupes sociaux constitués dans les espaces publics. L'algorithme détecte les limites implicites d'un groupe humain via des manœuvres tangentielles et les transmet à un contrôleur hiérarchique qui coordonne l'évitement de groupe avec la prévention classique des collisions individuelles, sans modifier la politique de navigation sous-jacente. Pour évaluer la conformité sociale au-delà des métriques terminales binaires (succès/échec), les auteurs introduisent le Group Crossing Rate (GCR), une métrique continue mesurant la fraction de pas de temps pendant lesquels le robot se trouve à l'intérieur du hull convexe d'un groupe. Les tests se basent sur un benchmark de simulation reproduisant cinq comportements empiriquement documentés : hétérogénéité des vitesses individuelles, couplage de vitesse intra-groupe, formations en F statiques, dynamiques leader-suiveur, et limites de hulls convexes, le tout évalué sous les modèles piétons ORCA et Social Force. Les résultats révèlent une asymétrie entre approches réactives classiques et politiques apprises : TAGA apporte jusqu'à 8 points de pourcentage de gain en taux de succès et divise par deux le GCR pour les baselines réactives type ORCA et Social Force, avec un surcoût quasi nul pour les politiques apprises comme DS-RNN ou Intention-RL. Ce résultat est actionnable pour les intégrateurs : il indique précisément quand ajouter un module de conscience de groupe par-dessus un planificateur existant est rentable, versus quand un entraînement end-to-end intégrant les groupes dès le départ est préférable. Pour les déploiements en milieu hospitalier, aéroportuaire ou retail, où la perception de la robotique par les usagers pèse autant que la performance brute, réduire les intrusions dans les bulles sociales représente un levier opérationnel concret. La navigation socialement conforme (socially-aware navigation) est un axe de recherche actif depuis les travaux fondateurs sur le Social Force Model de Helbing et Molnár (1995) et les travaux ORCA de Van Den Berg. TAGA s'inscrit dans une tendance récente qui vise à séparer les préoccupations sociales et cinématiques plutôt qu'à tout fusionner dans un unique réseau de bout en bout. Des approches concurrentes incluent les travaux de Crowd-Nav, SARL, et les politiques RLSS. L'absence de validation sur robot réel reste la limite principale de cette publication académique. Les prochaines étapes logiques seront un test sur plateforme physique (AMR de type Clearpath ou Boston Dynamics Spot) et une intégration avec des stacks ROS2 standard.

RecherchePaper
1 source
Robot omnidirectionnel : une démonstration extrême en vidéo
425IEEE Spectrum Robotics 

Robot omnidirectionnel : une démonstration extrême en vidéo

La sélection hebdomadaire de l'IEEE Spectrum met en avant cette semaine un robot multi-pattes baptisé Argus, dont le nombre de membres indéfini lui confère une mobilité omnidirectionnelle poussée à l'extrême, aux antipodes des architectures bipèdes ou quadrupèdes standards. Parmi les autres démonstrations notables, Noble Machines présente Moby, un robot mobile manipulateur capable de déplacer des charges progressives jusqu'à 50,3 livres (environ 22,8 kg) tout en maintenant équilibre et mobilité dans des espaces non structurés. L'Université du Texas, en collaboration avec Sony Group Corporation, dévoile la main ARISTO (Anthropomorphic, Robotic, Integrated-Sensing, Tendon-Operated), un bras de recherche conçu spécifiquement pour manipuler des objets petits, minces et fragiles. Le Robotics and AI Institute publie une vidéo d'AthenaZero, qui jongle à mains nues grâce à un retour visuel embarqué, enchaînant plusieurs patterns incluant cascade, demi-douche, tennis et shower. Figure montre une démonstration de longévité sur tâche répétitive avec un humanoïde bipède, mais sans mécanisme de récupération d'erreur visible. Astribot propose un bras robotique sans base locomotrice au prix affiché de 13 000 dollars. L'initiative Eco-Score for Robots (Robotics EcoLabel) propose enfin un cadre d'évaluation environnementale des systèmes robotiques, inspiré des étiquettes éco-énergétiques grand public. Ces démonstrations révèlent une fracture persistante entre ce que les robots réalisent en conditions contrôlées et ce qu'ils livrent dans des environnements industriels réels. Moby se distingue précisément parce qu'il traite des charges croissantes dans des espaces non structurés: c'est le type de preuve dont ont besoin les intégrateurs et les COO pour envisager un déploiement concret, là où la plupart des vidéos concurrentes restent cantonnées au laboratoire. La main ARISTO pointe vers un verrou majeur de l'automatisation: la manipulation fine d'objets fragiles reste non résolue pour l'assemblage électronique ou pharmaceutique, et le co-développement Sony-UT signale que des industriels de premier rang misent sur la recherche académique pour le débloquer. La remarque de l'auteur sur Figure est éditoriale mais significative: un humanoïde qui tient sur une tâche répétitive sans récupération d'erreur prouve l'endurance mécanique, pas la robustesse opérationnelle. AthenaZero illustre par ailleurs que les mains multi-doigts commencent à rivaliser avec des end-effectors dédiés pour des tâches dynamiques, ce qui ouvre la voie à des manipulateurs généraux moins spécialisés. La rubrique Video Friday de l'IEEE Spectrum fonctionne comme un baromètre hebdomadaire, agrégant sans filtre commercial des travaux de laboratoires universitaires, startups et grandes entreprises. Le contexte événementiel est dense: ICRA 2026 se tient du 1er au 5 juin à Vienne, RSS 2026 du 13 au 17 juillet à Sydney, et Actuate 2026 les 18 et 19 août à San Francisco, conférences où plusieurs de ces travaux seront vraisemblablement soumis à peer review. En termes de positionnement concurrentiel, Noble Machines s'attaque au segment AMR avec manipulation lourde, face à Boston Dynamics (Stretch) et Agility Robotics (Digit), tandis qu'Astribot cible les cas d'usage desktop à bas coût en concurrence directe avec Franka Robotics et Universal Robots. L'initiative EcoLabel, orientée vers les appels d'offres robotiques européens, s'inscrit dans les contraintes ESG croissantes pesant sur les intégrateurs du Vieux Continent.

UEL'initiative Eco-Score for Robots (EcoLabel) cible explicitement les appels d'offres robotiques européens et les contraintes ESG croissantes des intégrateurs, ce qui pourrait influencer les critères d'achat public et privé en France et en UE à court terme.

IndustrielPaper
1 source
Les logiciels deviennent le principal frein à l'innovation en IA physique, selon une étude QNX
426Robotics Business Review 

Les logiciels deviennent le principal frein à l'innovation en IA physique, selon une étude QNX

Lors du Robotics Summit & Expo de Boston, QNX, division de BlackBerry Ltd., a publié les résultats de son étude "Inside the Robot: Architecture Benchmark Report", menée entre février 2025 et avril 2026 auprès de 1 000 développeurs et ingénieurs logiciels travaillant en robotique. Le constat central est statistiquement net : 27 % des répondants identifient l'architecture logicielle et l'intégration comme leur principal goulot d'étranglement de performance, contre seulement 16 % qui pointent le matériel. 83 % des équipes interrogées déclarent que leurs systèmes opèrent déjà aux côtés d'humains, dans des environnements aussi variés que des blocs opératoires ou des entrepôts actifs. 85 % anticipent que le logiciel jouera un rôle encore plus déterminant dans les trois à cinq prochaines années, et les investissements prioritaires déclarés convergent vers l'IA décisionnelle et la cybersécurité (51 % chacun), suivis des systèmes d'exploitation et du contrôle temps réel (37 %). Fait notable : 95 % des développeurs affirment que l'exécution déterministe et temps réel est une exigence critique pour leurs systèmes. Ce renversement de priorité, du matériel vers le logiciel, n'est pas anodin pour les intégrateurs et les décideurs industriels. Pendant des décennies, la robotique butait sur des contraintes mécaniques et énergétiques. Le signal envoyé ici est que la limite structurante est désormais la capacité à faire cohabiter, dans une même architecture logicielle, des niveaux de criticité hétérogènes : boucles de sécurité fonctionnelle temps réel, couches IA adaptatives, et exigences de certification (notamment IEC 61508 ou ISO 26262 pour les environnements à risque). Le déploiement de robots dans des environnements non contrôlés, rues, hôpitaux, ateliers mixtes, exige un comportement prédictible dans des conditions que les simulateurs ne couvrent pas entièrement. Les retards de certification cités comme frein majeur suggèrent que le "sim-to-real gap" logiciel est aujourd'hui aussi structurant que le gap physique, un point que les équipes focalisées sur les performances des modèles VLA (vision-language-action) auraient intérêt à intégrer. QNX opère sur ce marché depuis les années 1980 avec son OS temps réel, historiquement dominant dans l'automobile et le médical. Le rapport s'inscrit dans un repositionnement stratégique de BlackBerry sur la robotique collaborative et les systèmes embarqués critiques, face à une concurrence qui inclut des solutions open-source comme ROS 2 couplé à des RTOS (Linux RT, Zephyr), ainsi que des stacks propriétaires développés en interne par des acteurs comme Boston Dynamics ou Intrinsic (Alphabet). L'étude ne couvre pas les timelines de déploiement produit ni les résultats quantitatifs sur des systèmes réels, ce qui lui confère davantage la valeur d'un état des lieux de perception industrielle que d'un benchmark technique au sens strict. Les prochains trimestres verront si QNX traduit ces signaux en offres logicielles concrètes adaptées aux architectures hybrides CPU/NPU qui équipent les humanoïdes et les AMR de nouvelle génération.

InfrastructureOpinion
1 source
Follow Everything : suivi de leader et évitement d'obstacles avec adaptation orientée objectif
427arXiv cs.RO 

Follow Everything : suivi de leader et évitement d'obstacles avec adaptation orientée objectif

Une équipe de chercheurs propose "Follow Everything", un framework de suivi de leader pour robots mobiles à pattes, décrit dans un preprint arXiv (2504.19399, avril 2025). L'approche abandonne les modèles de détection classiques au profit d'un modèle de segmentation, ce qui permet au robot de suivre n'importe quelle entité sans contrainte préalable : humain, robot terrestre, drone, robot à pattes ou simple panneau "stop". Un "distance frame buffer" stocke les embeddings visuels du leader à plusieurs échelles pour maintenir la reconnaissance lors des pertes de vue temporaires. Un mécanisme de "goal-aware adaptation" détermine ensuite les états de planification selon la visibilité et le mouvement du leader, relayé par un planificateur à graphe qui génère des trajectoires candidates tout en assurant l'évitement d'obstacles. Les tests en simulation et en conditions réelles, en intérieur comme en extérieur, montrent des améliorations mesurées sur le taux de succès de suivi, la durée de perte visuelle, le taux de collision et la distance robot-leader. L'enjeu est direct pour les intégrateurs de robots mobiles en environnements non structurés. Les solutions actuelles de suivi, qu'il s'agisse de plateformes AMR logistiques ou de quadrupèdes d'inspection, reposent sur des détecteurs entraînés pour un type de leader précis, les rendant fragiles dès que le contexte change. La généralisation par segmentation ouvre la voie à des déploiements multi-contextes sans retraining, et la gestion explicite des états de visibilité résout un angle mort fréquent : la plupart des systèmes existants échouent silencieusement lors d'une occlusion prolongée. Ces travaux s'inscrivent dans un courant actif sur la navigation sociale et l'interaction humain-robot. Les plateformes testées sont des robots à pattes, segment porté en industrie par Boston Dynamics, Unitree ou ANYbotics. Des approches concurrentes basées sur des VLAs (visual-language-action models) adressent des problèmes adjacents mais couvrent rarement à la fois la généralisation à des leaders arbitraires et la robustesse à l'occlusion. Il s'agit pour l'instant d'une contribution académique sans partenariat industriel annoncé, à distinguer d'un produit commercialisé ; les prochaines étapes naturelles seraient une validation sur des AMR différentiels ou des plateformes commerciales comme le Spot de Boston Dynamics.

RecherchePaper
1 source
Symétrie dynamique extrême : vers des robots omnidirectionnels et multifonctionnels
428arXiv cs.RO 

Symétrie dynamique extrême : vers des robots omnidirectionnels et multifonctionnels

Des chercheurs ont publié sur arXiv (référence 2605.29254) une étude introduisant le concept de "symétrie dynamique" appliqué à la conception de robots, en proposant une métrique formelle baptisée "isotropie dynamique". Cette mesure quantifie l'uniformité des accélérations atteignables par le centre de masse d'un robot dans toutes les directions. L'équipe a évalué ce principe sur plus de 1 000 morphologies simulées et construit un prototype physique de la famille Argus, un robot sphérique à 20 pattes doté d'actionneurs linéaires orientés radialement. Ce variant physique a démontré une locomotion invariante à l'orientation, une traversée agile de terrains encombrés et déformables, une auto-stabilisation rapide, et une tolérance aux pannes partielles d'actionneurs. La perception omnidirectionnelle distribuée permet en outre l'interaction avec des objets en mouvement continu. Cette approche représente un changement de paradigme notable dans la conception de robots mobiles. Jusqu'ici, la symétrie en robotique se limitait essentiellement à la forme géométrique (bipèdes, quadrupèdes, hexapodes). Ici, elle est exploitée au niveau de la capacité d'actuation dynamique, ce qui produit des gains mesurables en suivi de trajectoire, taux de succès aux tâches, robustesse aux perturbations et efficacité énergétique, avec des bénéfices qui s'accentuent à mesure que l'isotropie dynamique approche sa limite théorique. Pour les intégrateurs industriels et les concepteurs de systèmes autonomes, cela ouvre une voie générale vers des robots multitâches opérant en environnements non structurés, sans reconfiguration matérielle. Le travail s'inscrit dans une tendance plus large de la recherche sur les morphologies non-conventionnelles, aux côtés de robots sphériques et à symétrie sphérique explorés depuis plusieurs années en contexte d'exploration planétaire. Côté compétitif, les architectures bimorphes dominantes (Boston Dynamics Spot, Unitree B2, bipèdes humanoïdes de Figure ou 1X) optimisent l'efficacité pour des tâches spécifiques mais peinent en cas de basculement ou de panne partielle. Le robot Argus 20-pattes offre une résilience structurelle supérieure, au prix d'une complexité mécanique élevée. L'article reste pour l'instant un preprint académique sans annonce de commercialisation ni pilote industriel identifié, et les performances présentées s'appuient sur des vidéos sélectionnées et des simulations, ce qui invite à la prudence avant toute extrapolation à des déploiements réels.

RecherchePaper
1 source
XPeng présente sa gamme complète d'IA physique au salon automobile GBA 2026
429Pandaily 

XPeng présente sa gamme complète d'IA physique au salon automobile GBA 2026

XPeng a présenté l'intégralité de sa gamme "physical AI" au salon automobile 2026 de la Grande Baie (Guangdong-Hong Kong-Macao Greater Bay Area Auto Show), organisé fin mai à Guangzhou. La démonstration centrale porte sur le système de conduite autonome end-to-end basé sur un réseau de neurones, que XPeng déploie en navigation assistée à l'échelle urbaine depuis plusieurs trimestres. L'entreprise expose également ses travaux en robotique humanoïde et en IA incarnée, articulés autour de trois briques techniques : perception, prise de décision et actuation. L'article source ne précise aucun nom de modèle robot, aucune métrique de charge utile ou de degré de liberté, ni aucun chiffre de déploiement, ce qui signale davantage un teaser de positionnement qu'un lancement produit documenté. Ce salon illustre une tendance structurelle dans l'industrie automobile chinoise : les constructeurs EV se requalifient en sociétés d'IA, avec des piles technologiques qui couvrent désormais la mobilité autonome, la robotique industrielle et l'IA embarquée. Pour les intégrateurs et décideurs B2B, ce mouvement signifie que les acteurs automobiles deviennent des concurrents directs des fournisseurs de robotique traditionnels. La convergence entre châssis, capteurs, compute embarqué et modèles de fondation réduit les barrières à l'entrée pour les déploiements humanoïdes en environnement industriel. Cela dit, l'absence de métriques concrètes dans la communication de XPeng interdit toute comparaison rigoureuse avec Figure (Figure 03), Boston Dynamics (Atlas), ou les plateformes chinoises comme Unitree ou Agibot. XPeng a été l'un des premiers constructeurs chinois à déployer la navigation assistée en ville à grande échelle, ce qui lui confère une base de données réelle conséquente pour entraîner ses modèles. La Baie de Canton concentre une part significative de l'écosystème EV-AI mondial, avec Shenzhen et Guangzhou comme noyaux de R&D et de chaîne d'approvisionnement. La concurrence directe inclut BYD, NIO, Li Auto et Xiaomi, tous engagés dans des investissements massifs en conduite autonome et en IA. La prochaine étape observable pour XPeng sera la publication de benchmarks concrets sur ses robots ou l'annonce de pilotes industriels chiffrés, seuls jalons permettant d'évaluer la portée réelle de cette stratégie "physical AI".

Chine/AsieOpinion
1 source
Modèle du monde pour la navigation sociale de robots guidée par la logique
430arXiv cs.RO 

Modèle du monde pour la navigation sociale de robots guidée par la logique

Des chercheurs ont publié NaviWM (Navigation World Model), un système de navigation robotique socialement consciente qui couple un grand modèle de langage (LLM) avec un modèle de monde structuré et un module de raisonnement logique déductif. Le système repose sur deux composants principaux : un modèle spatio-temporel qui capture en temps réel les positions, vitesses et activités des agents présents dans l'environnement, et un module de raisonnement par chaîne-de-pensée (chain-of-thought) guidé par des règles formelles. La nouveauté centrale est l'encodage des normes sociales en logique du premier ordre (first-order logic), ce qui rend le raisonnement du robot vérifiable et interprétable, contrairement aux approches par prompt engineering ou fine-tuning. Les expériences menées montrent une amélioration du taux de succès de navigation et une réduction des violations sociales dans les environnements encombrés. L'article, disponible en version 2 sur arXiv (référence 2510.23509), est accompagné de vidéos de démonstration publiées par les auteurs. Ce travail s'attaque à une faille bien documentée des LLM appliqués à la planification de trajectoires en robotique mobile : le manque d'ancrage physique et de cohérence logique lorsqu'ils opèrent seuls. En environnements dynamiques peuplés d'humains, les LLM purs produisent des comportements imprévisibles, voire dangereux. En ajoutant une couche de raisonnement formel en aval du LLM sous des contraintes explicites (espace personnel, évitement de collision, gestion du timing), NaviWM propose une solution plus robuste. Pour un intégrateur travaillant sur des robots de service en intérieur, livraison hospitalière ou navigation en entrepôt mixte humain-robot, cela représente un levier concret pour réduire le gap entre démonstration en laboratoire et déploiement opérationnel. Le caractère interprétable du raisonnement constitue également un atout pour les exigences de traçabilité et de certification en milieu industriel ou médical. La navigation sociale pour robots mobiles est un champ en forte effervescence, où coexistent des approches classiques comme ORCA (Optimal Reciprocal Collision Avoidance), des prédicteurs à base de réseaux LSTM sociaux, et plus récemment des systèmes intégrant des VLA (Vision-Language-Action models) comme Pi-0 ou les architectures embarquées de Boston Dynamics et Figure. NaviWM se positionne dans un segment distinct : il ne cherche pas à remplacer le LLM mais à le contraindre via un modèle du monde explicite et des règles formelles, une approche hybride neuro-symbolique proche des travaux du MIT CSAIL sur la planification task-and-motion. Les prochaines étapes naturelles seront de valider l'architecture sur des plateformes physiques hors simulation et de tester la robustesse des règles logiques face à des scénarios sociaux non anticipés lors de leur encodage initial.

RecherchePaper
1 source
Comparaison des performances des algorithmes d'échantillonnage classiques et neuronaux pour la navigation robotique
431arXiv cs.RO 

Comparaison des performances des algorithmes d'échantillonnage classiques et neuronaux pour la navigation robotique

Une équipe de chercheurs a publié sur arXiv (référence 2505.25010) une étude comparative de trois algorithmes de planification de trajectoire par échantillonnage appliqués à la navigation robotique et aux drones : RRT (l'algorithme de référence basé sur les arbres aléatoires exploratoires), Neural RRT et Neural Informed RRT, ces deux derniers intégrant des réseaux de neurones pour guider la phase d'échantillonnage. Les tests ont été conduits dans des environnements simulés comportant des obstacles convexes et concaves à densités variables. Les résultats montrent que les variantes neurales génèrent des chemins jusqu'à 14% plus courts et des trajectoires 55 à 75% plus lisses que l'algorithme classique. Neural Informed RRT obtient les meilleures performances globales sur les deux critères évalués, au prix d'une légère hausse du temps de calcul non chiffrée dans l'abstract. Pour un intégrateur de flotte AMR (robots mobiles autonomes) ou un responsable technique travaillant sur des drones d'inspection, une réduction de 55 à 75% de la rugosité de trajectoire se traduit directement par moins de sollicitations mécaniques, une meilleure durée de vie des actionneurs et une consommation énergétique réduite. Le gain de 14% sur la longueur de chemin représente un avantage cumulatif significatif sur des cycles répétitifs en entrepôt ou en milieu industriel. L'étude valide l'hypothèse que le neural sampling peut améliorer la qualité du planificateur sans remplacer entièrement le moteur classique, une architecture hybride qui facilite l'intégration dans les pipelines existants. Le surcoût computationnel reste cependant non quantifié précisément dans les résultats publiés, ce qui limite l'évaluation de la viabilité temps-réel sans accès au corpus complet. La planification par échantillonnage repose sur RRT*, algorithme asymptotiquement optimal formalisé par Karaman et Frazzoli en 2011 et devenu un standard dans les frameworks open-source OMPL et MoveIt 2. L'injection de réseaux de neurones dans la phase d'échantillonnage est explorée depuis plusieurs années via des approches comme MPNet (2019) ou NeuralRRT, qui biaisent l'exploration vers les zones de l'espace prometteuses plutôt que d'échantillonner uniformément. Ce preprint, non encore peer-reviewed au moment de sa publication, s'inscrit dans un courant plus large de planification hybride classique/IA également suivi par des équipes chez Boston Dynamics, Skydio, et dans les laboratoires de manipulation de Figure AI ou 1X Technologies. La prochaine étape logique est une validation sur hardware réel avec des benchmarks standardisés, indispensable avant tout déploiement industriel.

RecherchePaper
1 source
MIND : contrôle de robot humanoïde par diffusion d'intention multi-échelle guidée par le texte
432arXiv cs.RO 

MIND : contrôle de robot humanoïde par diffusion d'intention multi-échelle guidée par le texte

Des chercheurs ont publié fin mai 2026 sur arXiv (2605.26006) MIND, un cadre de contrôle d'humanoïdes simulés piloté par commandes textuelles. Le système traduit une instruction en langage naturel en actions moteur de bas niveau via un mécanisme de diffusion multi-échelle. Deux composants cohabitent : un prédicteur d'intention globale, qui capture la dynamique générale du mouvement, et un prédicteur d'intention immédiate, qui raffine le geste à chaque itération du processus de diffusion. Clé du dispositif : les états internes de l'humanoïde sont encodés dans un espace latent et servent de pont sémantique entre le texte et les commandes moteur. Le code source sera mis en accès ouvert pour faciliter la reproductibilité. L'apport de MIND est de contourner deux limitations structurelles bien documentées dans la littérature. Les pipelines en deux étapes, génération cinématique puis suivi physique, souffrent d'un décalage de domaine entre les deux modules, ce qui dégrade la qualité des comportements générés. Les approches bout-en-bout par imitation directe texte-vers-actions buttent sur l'écart sémantique entre langage naturel et signaux de bas niveau. En positionnant les états internes de l'humanoïde comme médiateur, sémantiquement plus proches du texte que les couples articulaires bruts, MIND réduit ce double handicap. Les benchmarks expérimentaux montrent des gains en cohérence physique et en alignement sémantique face aux méthodes de référence, bien que ces évaluations restent en environnement simulé, sans validation sur hardware réel. Le contrôle d'humanoïdes par langage naturel se situe à l'intersection du reinforcement learning, de l'animation physique et des grands modèles de langage. Des travaux antérieurs comme PHC ou les modèles de diffusion de mouvement (MDM, MotionDiffuse) ont établi les bases cinématiques que MIND cherche à dépasser sur le plan de la plausibilité physique. Côté industriel, Figure AI, Boston Dynamics et Unitree Robotics explorent des pipelines texte-vers-mouvement pour leurs plateformes hardware, mais la majorité des démos publiées restent en simulation ou sur des tâches très contraintes. MIND s'inscrit dans la recherche fondamentale sans annoncer de déploiement concret ; son impact réel dépendra de sa capacité à franchir le sim-to-real gap, défi central non résolu pour le contrôle de corps entier.

HumanoïdesPaper
1 source
HUSKY : système de skateboard humanoïde via contrôle corps entier conscient de la physique
433arXiv cs.RO 

HUSKY : système de skateboard humanoïde via contrôle corps entier conscient de la physique

Des chercheurs ont présenté sur arXiv (2602.03205) HUSKY, un framework permettant à l'humanoïde Unitree G1 de faire du skateboard de manière stable en conditions réelles. Un skateboard est une plateforme sous-actionnée soumise à des contraintes non-holonomes (le véhicule ne se déplace pas librement dans toutes les directions) dont l'inclinaison est mécaniquement couplée à l'orientation des trucks. HUSKY modélise ce couplage et décompose la tâche en deux phases : poussée du pied au sol et direction par inclinaison du corps (lean-to-steer), reliées par un mécanisme de transition guidé par trajectoire. Les mouvements de poussée sont appris via les Adversarial Motion Priors (AMP), une technique d'imitation générant des gestes naturels à partir de données de référence. Les tests sur le G1 démontrent une navigation agile en environnement réel. Ce travail pointe une limite structurelle des frameworks de contrôle whole-body actuels : ils supposent quasi-unanimement un sol statique et des contacts prévisibles. En modélisant la dynamique du couplage humain-objet, HUSKY montre qu'un humanoïde peut opérer sur un équipement mobile non conventionnel sans recalibration manuelle, ce qui ouvre la voie à des robots capables de manouvrer chariots ou palettes en environnement industriel. L'association d'un modèle physique du sous-système mécanique avec l'apprentissage par imitation constitue une approche plus robuste que les politiques entraînées en simulation pure, et le transfert sim-to-real semble validé sur un scénario concret. Les conditions précises des tests (vitesse, distance, taux d'échec) ne sont pas détaillées dans l'article, ce qui limite l'évaluation objective des performances annoncées. Le Unitree G1, humanoïde à 43 degrés de liberté vendu autour de 16 000 dollars, s'impose comme plateforme de référence pour la recherche en locomotion avancée aux côtés du Boston Dynamics Atlas et de l'Agility Digit. En 2025-2026, la recherche en contrôle whole-body dynamique s'accélère avec Pi-0 (Physical Intelligence), GR00T N2 (NVIDIA) et les politiques loco-manipulation développées à Carnegie Mellon. HUSKY se distingue en explorant le couplage avec des véhicules sous-actionnés plutôt que la manipulation d'objets statiques. Il s'agit pour l'instant d'une démonstration de recherche sans déploiement industriel annoncé, et les étapes suivantes naturelles incluent l'extension à d'autres véhicules (trottinette, vélo) ou des scénarios combinant locomotion et manipulation.

RecherchePaper
1 source
Vers une récupération d'architecture assistée par LLM pour les systèmes ROS 2 réels : approche multi-niveaux à base d'agents pour la reconstruction de structure hiérarchique
434arXiv cs.RO 

Vers une récupération d'architecture assistée par LLM pour les systèmes ROS 2 réels : approche multi-niveaux à base d'agents pour la reconstruction de structure hiérarchique

Des chercheurs ont publié sur arXiv (arXiv:2605.20055) une approche basée sur des agents LLM pour reconstruire automatiquement l'architecture logicielle hiérarchique de systèmes robotiques développés sous ROS 2. Le pipeline, dit "blueprint-guided", intègre deux améliorations majeures par rapport à une version antérieure : un raffinement du prompting pour améliorer la cohérence et la contrôlabilité de la synthèse architecturale, et une stratégie de récupération par étapes s'appuyant sur des représentations intermédiaires multi-niveaux, incluant la liste des nœuds ROS atomiques et les dépendances entre fichiers de lancement. L'approche a été évaluée sur un système réel de désassemblage automatisé de produits, basé sur des bras robotiques coopératifs et des artefacts ROS 2 hétérogènes, présentant une complexité d'intégration nettement supérieure au cas d'étude précédent. L'enjeu est concret pour les équipes robotique en production : dans un système ROS 2, la structure logicielle est rarement documentée explicitement. Elle est fragmentée entre le code source, les fichiers de lancement et les paramètres de configuration, rendant la maintenance, l'audit de sécurité et l'évolution du système coûteux. Les outils existants se limitent généralement à la cartographie des nœuds et des topics (niveau "câblage"), sans restituer la décomposition fonctionnelle hiérarchique que les architectes logiciels utilisent réellement. Cette approche LLM propose de franchir ce saut d'abstraction, avec des résultats jugés améliorés en consistance structurelle et en robustesse, bien que les auteurs signalent eux-mêmes des limites persistantes sur la sémantique d'intégration dynamique dans les déploiements à grande échelle, un point de fragilité non négligeable pour des systèmes en production. ROS 2, successeur de ROS 1 maintenu par la Open Robotics Foundation, est devenu le middleware de référence pour les robots industriels et de recherche, avec une adoption croissante chez des intégrateurs comme Clearpath, Boston Dynamics ou Universal Robots. La récupération d'architecture logicielle (architecture recovery) est un problème classique du génie logiciel, mais son application aux systèmes cyber-physiques distribués comme ROS 2 reste un chantier ouvert. Ce travail s'inscrit dans un effort académique plus large visant à automatiser la documentation des systèmes robotiques complexes, en complément d'approches d'analyse statique comme ros2doctor ou roslaunch-analyzer. La prochaine étape naturelle serait de tester la méthode sur des systèmes ROS 2 de plus grande envergure, notamment dans des environnements d'entrepôts ou de lignes de production, pour valider la tenue à l'échelle revendiquée.

RecherchePaper
1 source
NavRL++ : un cadre système pour améliorer le transfert simulation-réel dans la navigation robotique par apprentissage par renforcement
435arXiv cs.RO 

NavRL++ : un cadre système pour améliorer le transfert simulation-réel dans la navigation robotique par apprentissage par renforcement

Une équipe de chercheurs a publié NavRL++, un cadre de navigation autonome par apprentissage par renforcement (RL) conçu spécifiquement pour réduire l'écart entre simulation et déploiement réel. Présenté sur arXiv (2605.15559), le système propose à la fois un nouveau pipeline d'entraînement et de déploiement et une étude empirique systématique qui isole les facteurs dégradant les performances en conditions réelles : bruit de capteurs, échecs de perception, latence système et réponse du contrôleur. Les auteurs ont validé leur approche sur plusieurs plateformes physiques, dont des robots aériens et quadrupèdes, sur des tâches de navigation comme l'exploration et l'inspection, en obtenant un transfert zéro-shot depuis la simulation. Le problème que NavRL++ cherche à résoudre est structurel : la quasi-totalité des travaux récents en navigation par RL se concentre sur la conception du framework d'apprentissage (représentations d'entrée, espaces d'actions, fonctions de récompense), sans analyser rigoureusement pourquoi les politiques entraînées en sim échouent en réel. NavRL++ répond à cela avec deux contributions techniques. La première est le perturbation-aware fine-tuning, une stratégie post-entraînement qui injecte explicitement les perturbations identifiées lors de l'étude empirique pour rendre la politique plus robuste. La seconde est une politique à raisonnement temporel basée sur un Transformer, qui exploite une fenêtre d'observation courte pour lisser le contrôle et compenser la dégradation perceptuelle typique du monde réel. Les résultats quantitatifs montrent des performances supérieures aux baselines RL dans des environnements statiques et dynamiques, et comparables aux planificateurs classiques à optimisation en contexte statique. Le défi du sim-to-real reste l'un des verrous majeurs à la commercialisation de la navigation autonome par RL, notamment pour les robots mobiles en environnements industriels non structurés. La plupart des approches existantes, comme les travaux issus de Berkeley (BADGR, RECON) ou les pipelines de navigation d'Agility Robotics et Boston Dynamics, contournent partiellement le problème via de la simulation photo-réaliste ou du domain randomization intensif. NavRL++ adopte une approche complémentaire : diagnostiquer empiriquement les sources d'écart plutôt que de les masquer. La prochaine étape naturelle sera de tester cette méthodologie sur des flottes de robots en déploiement continu, notamment dans des scénarios entrepôt ou inspection d'infrastructures où la latence et la fiabilité des capteurs sont des contraintes opérationnelles dures.

RecherchePaper
1 source
Un robot humanoïde utilise la vision et la mémoire pour trier des objets avec dextérité
436Interesting Engineering 

Un robot humanoïde utilise la vision et la mémoire pour trier des objets avec dextérité

Lors d'un événement baptisé "Dexterity Night" organisé par la startup sud-coréenne RLWRLD à l'Exploratorium de San Francisco, un robot humanoïde du japonais Enactic a exécuté un tri de chaussettes noires sur tapis roulant, parmi un flux mélangé de chaussettes noires et blanches. Le robot identifiait la couleur de chaque chaussette par caméra embarquée, saisissait l'objet avec des mains antropomorphes, puis le déposait dans le bon bac, tout en conservant en mémoire les couleurs précédemment détectées pour enchaîner les décisions sans recalibrage. D'autres robots étaient présents, WIRobotics (Corée du Sud) et Origami Robotics (États-Unis), tous pilotés par le même modèle de fondation RLDX-1 développé par RLWRLD. En parallèle, RLWRLD accélère la collecte de données réelles en filmant des travailleurs qualifiés (hôtellerie, logistique, commerce de proximité) via caméras et capteurs, pour constituer des datasets couvrant des gestes de pliage, préhension et organisation en conditions réelles. L'intérêt de la démonstration réside moins dans le tri de chaussettes en lui-même que dans l'architecture technique sous-jacente. RLDX-1 repose sur un Multi-Stream Action Transformer (MSAT) qui traite en flux parallèles les signaux visuels, de mouvement, de mémoire et de couple avant de les fusionner pour générer des actions coordonnées. Un module de cognition compresse les entrées perceptuelles en tokens mémoire, ce qui permet un suivi de tâche sur un horizon long, un point de friction récurrent dans les modèles de fondation robotiques actuels, que RLWRLD identifie explicitement comme sa cible. Pour enrichir la diversité d'apprentissage, le système combine motion capture de mains humaines et un moteur de données synthétiques. Les benchmarks annoncés sont décrits comme "state-of-the-art" en simulation et en conditions réelles, affirmation usuelle dans les communiqués de ce secteur, et qu'il faudra vérifier sur des déploiements documentés en production. RLWRLD s'inscrit dans une dynamique coréenne qui cherche à se différencier d'un marché humanoïde dominé à deux extrêmes: les États-Unis sur les modèles d'IA haute performance (Figure, Physical Intelligence avec Pi-0, Boston Dynamics, Tesla avec Optimus Gen 3), la Chine sur la compétitivité hardware. La stratégie coréenne misait sur la manipulation fine et la dextérité des doigts: Robotis développe des mains à entraînement direct (moteur relié directement aux articulations, sans câbles ni engrenages) et aurait reçu des précommandes de Google et Apple; Edin Robotics travaille sur des capteurs reproduisant la sensation tactile du bout des doigts. RLWRLD accélère désormais le déploiement de RLDX-1 sur plusieurs sites réels simultanément, une étape qui distingue un produit en test d'un produit opérationnel. La prochaine question concrète pour les intégrateurs industriels sera de connaître les taux de succès en conditions non contrôlées, les temps de cycle réels, et les coûts de déploiement.

HumanoïdesActu
1 source
Robot Talk, épisode 156 : des robots robustes pour missions dangereuses, avec Gavin Kenneally
437Robohub 

Robot Talk, épisode 156 : des robots robustes pour missions dangereuses, avec Gavin Kenneally

Ghost Robotics, startup fondée à Philadelphie par Gavin Kenneally et ses associés, spécialisée dans les robots quadrupèdes à usage défense, sécurité et sécurité publique, s'est exprimée dans le podcast Robot Talk (épisode 156). Kenneally, PhD en ingénierie mécanique de l'Université de Pennsylvanie et auteur de six publications académiques, a notamment piloté la conception mécanique de la Vision 60 Q-UGV (Quadruped Unmanned Ground Vehicle), plateforme phare de la société. Cet entretien porte sur le déploiement de robots quadrupèdes dans des environnements dégradés et à risque, là où les robots à roues ou les drones aériens atteignent leurs limites opérationnelles. L'intérêt de ce positionnement pour les intégrateurs B2B et les donneurs d'ordres militaires est direct : la locomotion quadrupède permet de franchir des obstacles, gravir des escaliers, et opérer sur terrain accidenté sans infrastructure dédiée. Ghost Robotics cible explicitement les missions de surveillance périmétrique, d'inspection en zone dangereuse et d'appui aux forces de sécurité, des cas d'usage où la téléopération ou l'autonomie partielle réduit l'exposition humaine. Le sujet illustre la transition progressive du quadrupède, passé de démonstrateur académique à outil opérationnel documenté. Ghost Robotics a émergé des laboratoires GRASP de l'Université de Pennsylvanie au milieu des années 2010, dans le sillage des travaux fondateurs sur la locomotion à pattes. La société se positionne directement en compétition avec Boston Dynamics (Spot), ANYbotics (ANYmal) et, sur le segment défense, avec Unitree et des acteurs issus du marché MOTS américain. Les prochaines étapes probables incluent l'extension des capacités de charge utile, l'intégration de capteurs ISR (intelligence, surveillance, reconnaissance) et le déploiement élargi auprès d'agences gouvernementales.

IndustrielOpinion
1 source
Follow-Bench : un benchmark unifié de planification de mouvement pour la poursuite sociale de personnes par robot
438arXiv cs.RO 

Follow-Bench : un benchmark unifié de planification de mouvement pour la poursuite sociale de personnes par robot

Une équipe de chercheurs a publié sur arXiv (référence arXiv:2509.10796v4) Follow-Bench, le premier benchmark unifié consacré au "robot person following" (RPF), c'est-à-dire des robots mobiles capables de suivre et d'assister une personne cible dans un environnement peuplé. L'étude couvre les scénarios représentatifs identifiés dans la littérature (assistance personnelle, patrouille de sécurité, aide aux personnes âgées, logistique), propose un environnement de simulation standardisé reproduisant des configurations variées comme des trajectoires cibles multiples, des dynamiques de foule et des agencements spatiaux différents, et réimplémente huit planificateurs de mouvement RPF issus de travaux existants dans ce cadre commun. Les deux planificateurs les plus performants en simulation ont ensuite été déployés sur un robot réel à entraînement différentiel pour valider les résultats en conditions concrètes. L'absence d'un benchmark partagé rendait jusqu'ici toute comparaison rigoureuse entre méthodes RPF quasiment impossible : chaque équipe évaluait ses planificateurs sur ses propres scénarios avec ses propres métriques, rendant les comparaisons inter-équipes peu fiables. Follow-Bench comble ce vide en standardisant simultanément les scénarios, les métriques de sécurité et de confort, et les planificateurs de référence. Le résultat le plus instructif est la quantification du compromis sécurité-confort : les expériences montrent qu'optimiser la distance de sécurité vis-à-vis des piétons tend à dégrader le confort de la personne suivie, et inversement. Cette tension, souvent évoquée qualitativement dans la littérature, dispose désormais d'une base quantitative reproductible. Pour les intégrateurs travaillant sur des robots d'assistance ou de logistique en milieu humain, cela fournit enfin un cadre commun pour comparer des solutions et cibler des axes d'amélioration précis. Le RPF s'inscrit dans le domaine plus large de la navigation socialement acceptable (social robot navigation), en expansion rapide sous l'effet du vieillissement démographique et de la croissance des entrepôts automatisés. Des plateformes comme celles de Labrador Systems, Ohmni Labs ou certains AMR de Boston Dynamics intègrent des capacités de suivi de personne, mais sans référentiel objectif partagé. Follow-Bench ne livre pas de solution clé en main : les auteurs identifient des défis ouverts non résolus, notamment la robustesse en foule dense et la gestion des occlusions prolongées, qui restent des freins au déploiement industriel à grande échelle.

RecherchePaper
1 source
Trajectoire d'abord : un programme d'entraînement pour découvrir des politiques diversifiées
439arXiv cs.RO 

Trajectoire d'abord : un programme d'entraînement pour découvrir des politiques diversifiées

Des chercheurs ont publié sur arXiv (référence 2506.01568, version 3) une méthode nommée "Trajectory First", un curriculum d'entraînement en deux étapes conçu pour produire des politiques comportementales diversifiées en apprentissage par renforcement (RL). La contribution centrale est l'introduction d'un a priori de trajectoires splines comme biais inductif durant la première phase : ce prior géométrique guide l'exploration de l'espace des comportements, permettant de générer un ensemble de stratégies à haute récompense mais distinctes. La seconde phase distille ces comportements en politiques réactives pas-à-pas, utilisables en temps réel. Les expériences valident l'approche sur des tâches de manipulation robotique en simulation, domaine où les méthodes de diversité contrainte existantes montrent des lacunes d'exploration marquées. La diversité comportementale est un enjeu opérationnel concret pour les intégrateurs et les équipes de robotique industrielle : un robot capable de saisir un objet selon plusieurs stratégies est nettement plus robuste aux variations de position, d'éclairage ou de géométrie qu'un système limité à une unique politique apprise. Les cadres actuels d'optimisation de diversité contrainte, malgré leurs progrès théoriques, convergent fréquemment vers des optima locaux en manipulation dextre, bridant la robustesse effective des systèmes en production. "Trajectory First" propose une voie pour contourner cette limite sans sacrifier la performance sur la tâche principale, ce qui est précisément le compromis clef que la communauté cherche à résoudre depuis plusieurs années. L'approche ne nécessite pas d'entraînement spécifique à chaque configuration, ce qui renforce sa portée généraliste. L'optimisation de diversité en RL s'est structurée autour de paradigmes comme Quality-Diversity (QD-RL), MAP-Elites, DIAYN ou DADS, qui peinent tous sur des espaces d'action continus à horizon long. "Trajectory First" s'inscrit dans un courant combinant curriculum learning et représentations géométriques du mouvement pour améliorer l'exploration initiale avant de contraindre la politique finale. Cette publication est une contribution de recherche fondamentale, validée en simulation uniquement, sans déploiement industriel ni partenaires commerciaux annoncés. Les extensions naturelles incluent le transfert sim-to-real et la manipulation bimanuelle, deux axes très actifs dans les laboratoires académiques (Inria, ETH Zurich, CMU) comme chez les acteurs industriels tels que Physical Intelligence (Pi-0), Covariant ou le Boston Dynamics AI Institute.

IA physiquePaper
1 source
RoboMemArena : un benchmark complet et exigeant pour la mémoire des robots
440arXiv cs.RO 

RoboMemArena : un benchmark complet et exigeant pour la mémoire des robots

Une équipe de chercheurs a publié sur arXiv (2605.10921) RoboMemArena, un benchmark de grande envergure conçu pour évaluer les capacités mémorielles des robots dans des tâches longues et partiellement observables. Le benchmark couvre 26 tâches distinctes, avec des trajectoires d'exécution dépassant en moyenne 1 000 étapes par tâche, dont 68,9 % des sous-tâches nécessitent explicitement la mobilisation de la mémoire passée. Sa pipeline de génération repose sur un modèle vision-langage (VLM) pour composer les sous-tâches, produire les trajectoires via des fonctions atomiques, et annoter les séquences clés (keyframes, instructions de sous-tâches). Une évaluation en environnement physique réel complète les expériences en simulation, ce qui distingue RoboMemArena des benchmarks existants. Les chercheurs proposent également PrediMem, une architecture VLA à double système : un planificateur VLM haut niveau gère une banque mémoire combinant un buffer récent et un buffer de keyframes, tandis qu'une tête de codage prédictif améliore la sensibilité aux dynamiques de tâche. PrediMem surpasse tous les modèles de référence testés sur RoboMemArena. Ce travail s'attaque à un angle mort persistant dans la recherche robotique : les systèmes actuels, y compris les VLA récents comme Pi-0, GR00T N2 ou Helix, sont majoritairement évalués sur des tâches courtes et observables, où la mémoire à long terme n'est pas critique. RoboMemArena expose la fragilité de ces architectures dès que l'horizon de décision s'allonge et que l'environnement devient partiellement observable. Pour un intégrateur ou un décideur B2B, le chiffre-clé est celui des 1 000 étapes : la plupart des benchmarks industriels actuels restent en dessous de 100 étapes, ce qui masque des lacunes importantes en conditions réelles. L'inclusion d'une évaluation physique réelle renforce la crédibilité des résultats, même si les détails de configuration matérielle ne sont pas précisés dans l'abstract. La question de la mémoire robotique n'est pas nouvelle : des travaux comme MemoryReplay, EpisodeVQA ou les architectures à attention récurrente (R-VLA) ont posé les bases, mais sans benchmark unifié à cette échelle. RoboMemArena s'inscrit dans une tendance plus large d'outillage de l'évaluation des VLA, aux côtés de BenchBot, RLBench2 ou Open X-Embodiment. PrediMem reste pour l'instant un modèle académique sans déploiement annoncé, et ses résultats devront être confirmés sur des plateformes matérielles tierces (Unitree G1, Figure 03, Boston Dynamics Atlas) pour convaincre au-delà du laboratoire. Les auteurs évoquent des lois de mise à l'échelle (scaling laws) pour les systèmes mémoriels complexes, ce qui suggère une piste de recherche active dans les mois à venir.

UELes laboratoires européens (CEA-List, INRIA) pourraient adopter RoboMemArena comme référence commune pour évaluer leurs architectures VLA sur des horizons longs, comblant l'absence actuelle de benchmark unifié à cette échelle.

RecherchePaper
1 source
Propriétés dynamiques et reproductibilité d'un torse humanoïde pneumatique compact pour le contrôle piloté par données
441arXiv cs.RO 

Propriétés dynamiques et reproductibilité d'un torse humanoïde pneumatique compact pour le contrôle piloté par données

Une équipe de recherche a publié sur arXiv (réf. 2603.14787v2) le développement d'un robot humanoïde compact à 13 degrés de liberté (DOF), actionné exclusivement par pneumatique et conçu pour l'interaction physique humain-robot (pHRI). Avant de concevoir un contrôleur global, les chercheurs ont d'abord caractérisé les propriétés dynamiques du système, notamment les délais d'actionnement, et confirmé que le comportement mécanique est hautement reproductible. S'appuyant sur cette reproductibilité, ils ont implémenté un contrôleur data-driven sur un sous-système de bras à 4 DOF, fondé sur un perceptron multicouche (MLP) avec compensation explicite des délais temporels. Le réseau a été entraîné sur des données de mouvements aléatoires pour apprendre à générer des commandes de pression capables de suivre des trajectoires arbitraires. Comparé à un régulateur PID classique sur les mêmes trajectoires, le contrôleur neuronal affiche une précision de suivi supérieure. La démonstration que des actionneurs pneumatiques à haut nombre de DOF peuvent être pilotés efficacement par apprentissage machine est un résultat concret. Les pneumatiques sont intrinsèquement non-linéaires : leur comportement dépend de la pression d'alimentation, de la température et des frictions internes, ce qui rend toute modélisation analytique coûteuse à construire et fragile en exploitation. En montrant que le système présente une reproductibilité suffisante pour être appris directement depuis les données, les chercheurs contournent ce problème sans passer par un modèle physique complet. Pour les intégrateurs et décideurs B2B qui évaluent des solutions de robotique collaborative, ce type d'approche pourrait accélérer le déploiement de systèmes pneumatiques dans des environnements de contact humain, où la compliance naturelle des actionneurs offre une sécurité passive que les moteurs électriques rigides ne peuvent pas égaler structurellement. La course aux humanoïdes est aujourd'hui dominée par des architectures électriques : Figure Robotics (Figure 02), Tesla (Optimus Gen 2) et Boston Dynamics (Atlas HD) misent toutes sur des moteurs à couple direct ou à réducteur harmonique. La pneumatique reste un axe de niche, exploré par des laboratoires académiques et des industriels comme l'allemand Festo pour ses propriétés de compliance et de sécurité intrinsèque. Le résumé arXiv ne précise pas l'affiliation institutionnelle des auteurs. L'étape naturelle suivante serait d'étendre le contrôleur MLP du bras à 4 DOF à l'ensemble des 13 DOF du torse complet, puis de valider en conditions d'interaction physique réelle. Aucun partenariat industriel ni calendrier de déploiement n'est annoncé ; le travail reste au stade de la publication académique préliminaire.

RecherchePaper
1 source
QNX présentera des démonstrations pratiques et de nouvelles recherches au Robotics Summit
442The Robot Report 

QNX présentera des démonstrations pratiques et de nouvelles recherches au Robotics Summit

QNX, la division logicielle temps-réel de BlackBerry Ltd., sera présente au Robotics Summit & Expo les 27 et 28 mai 2025 à Boston, avec trois démonstrations interactives et le lancement d'une étude de marché inédite. Sur le stand, la société présentera un bras robotique d'entrée de gamme capable de détecter et imiter les gestes humains pour saisir des objets, en s'appuyant sur son programme QNX Everywhere qui offre un accès gratuit au logiciel pour le prototypage. Un second démonstrateur simule un environnement de "Digital Factory Automation" : un bras industriel piloté par QNX OS fusionne données lidar et vision pour détecter et éviter les obstacles en temps réel, avec réponse déterministe immédiate dès qu'un objet ou une personne entre dans son périmètre. Le troisième poste, tournant sur hardware Intel et NVIDIA, exploite la détection de pose par IA pour répliquer les mouvements d'un visiteur sur un avatar à l'écran, ciblant explicitement les plateformes utilisées dans les robots humanoïdes. En parallèle, QNX dévoilera son "Inside the Robot: Architecture Benchmark Report", une étude basée sur 1 000 développeurs en robotique à l'échelle mondiale, qui cartographie les freins à l'adoption, les écarts entre ambitions système et capacités réelles, et les tendances du secteur. John Wall, président de QNX, participera au keynote d'ouverture "Building the Next Era of Robot Autonomy" aux côtés de représentants d'Amazon Robotics, Locus Robotics et Universal Robots. La participation de QNX à ce salon illustre une tension structurelle du marché : les équipes d'IA embarquée savent entraîner des modèles, mais peinent à garantir le comportement déterministe requis dès lors que ces modèles pilotent des actionneurs physiques en environnement humain. QNX positionne son RTOS (Real-Time Operating System) comme la couche d'exécution qui traduit les décisions d'un VLA (Vision-Language-Action model) ou d'un module de pose detection en commandes moteur à latence bornée et prévisible. Le benchmark report est potentiellement plus significatif que les démos : avec 1 000 répondants développeurs, il devrait objectiver les vrais goulots d'étranglement du cycle sim-to-real, là où la majorité des communications sectorielles restent des annonces produit sans données comparatives. Pour un COO industriel ou un intégrateur, la question clé n'est pas "est-ce que le bras évite les obstacles en démo" mais "quel est le taux de défaillance certifiable en production", ce que l'étude prétend adresser. QNX existe depuis 1980 et son RTOS est historiquement déployé dans l'automobile (ADAS, infotainment), le médical et l'aérospatiale, des secteurs où la certification fonctionnelle (ISO 26262, IEC 61508) est non-négociable. L'entrée en robotique collaborative et humanoïde représente une extension logique à mesure que ces systèmes quittent les cages industrielles pour les entrepôts et espaces partagés. Sur ce terrain, QNX affronte Wind River (VxWorks), ROS 2 avec son middleware DDS pour le temps-réel souple, et des stacks propriétaires comme ceux qu'embarquent Boston Dynamics ou Figure AI. Le programme QNX Everywhere, qui ouvre l'accès gratuit pour le prototypage, est une réponse directe à l'adoption massive de ROS dans les labs universitaires et startups. Les suites concrètes à surveiller : la publication du benchmark report lors du salon, et d'éventuelles annonces de partenariats OEM avec des fabricants de bras collaboratifs ou de plateformes humanoïdes dans les mois suivants.

InfrastructureOpinion
1 source
Contrôle de hauteur et planification optimale du couple pour le saut de robots bipèdes à roues
443arXiv cs.RO 

Contrôle de hauteur et planification optimale du couple pour le saut de robots bipèdes à roues

Des chercheurs présentent dans un preprint arXiv (2605.03302, mai 2026) deux méthodes combinées pour contrôler avec précision la hauteur de saut des robots bipèdes à roues. Le constat de départ est pratique : face à l'incertitude dynamique, ces plateformes sautent systématiquement plus haut que nécessaire pour garantir la sécurité, ce qui génère des pertes moteur évitables, des forces de contact au sol excessives et une surconsommation énergétique. La première contribution, le modèle W-JBD (Wheeled-Bipedal Jumping Dynamical), permet de cibler précisément une hauteur de saut, mais produit une consigne de couple en échelon incompatible avec les actionneurs réels. La seconde, BOTP (Bayesian Optimization for Torque Planning), optimise la trajectoire de couple sans nécessiter de modèle dynamique précis et converge en 40 itérations en moyenne. Validée sur le simulateur Webots, BOTP réduit l'erreur de hauteur de 82,3 % et la consommation énergétique de 26,9 % par rapport à la baseline, tout en produisant une courbe de couple continue. Ce résultat est pertinent pour les intégrateurs qui déploient des robots bipèdes à roues dans des environnements industriels ou logistiques : l'efficacité énergétique conditionne directement l'autonomie embarquée, et la reproductibilité du saut détermine la fiabilité du franchissement d'obstacles. Le fait que BOTP fonctionne sans modèle dynamique précis est un avantage opérationnel concret, car calibrer un modèle complet sur chaque variante de plateforme est coûteux. L'approche bayésienne converge rapidement, ce qui la rend adaptée à une validation sur robot réel avec un nombre limité d'essais physiques, un point critique pour réduire l'usure mécanique. Cela dit, les auteurs n'ont pas encore franchi le sim-to-real : l'ensemble des résultats reste en simulation, et le gap entre Webots et un vrai terrain reste à quantifier. Les robots bipèdes à roues constituent une classe en expansion : Unitree B2-W, l'ETH Zurich avec Ascento, ou encore les plateformes Handle/mobility de Boston Dynamics combinent la vitesse des roues avec la capacité de franchissement des pattes. Le planning de couple par optimisation bayésienne s'inscrit dans une tendance plus large qui vise à remplacer les contrôleurs MPC classiques, trop dépendants de modèles précis, par des méthodes d'optimisation légères adaptables à la production. Les auteurs annoncent comme prochaine étape la validation expérimentale sur robot physique en s'appuyant sur les trajectoires simulées pour réduire l'espace de recherche, ce qui devrait permettre de confirmer, ou non, la tenue des gains annoncés hors simulation.

UELes travaux pourraient intéresser les équipes de recherche européennes sur les robots bipèdes à roues (notamment ETH Zurich / Ascento), mais l'impact reste indirect, sans contribution ni déploiement européen identifié.

RecherchePaper
1 source
Affection robotique : opportunités de l'IA haptique pour le toucher social des robots par approche multi-deep-learning
444arXiv cs.RO 

Affection robotique : opportunités de l'IA haptique pour le toucher social des robots par approche multi-deep-learning

Une équipe de chercheurs propose, dans un article de positionnement déposé sur arXiv en mai 2025 (arXiv:2605.02538), une architecture multi-modèles pour traiter le toucher social affectif en robotique. Le problème ciblé est précis : si la préhension et la dextérité robotiques ont significativement progressé grâce au retour haptique, les gestes affectifs - poignées de main, caresses rassurantes, contacts sociaux codifiés - restent non résolus en interaction humain-robot (HRI). Les auteurs proposent de décomposer le toucher affectif en sous-tâches spécialisées, chacune traitée par un modèle dédié, dans une architecture distribuée en boucle fermée inspirée de la neurobiologie. Ce cadre repose sur un protocole de partage d'état pair-à-pair et s'intègre dans un pipeline Sim-to-Real pour faciliter le transfert de l'entraînement en simulation vers les plateformes physiques. Il s'agit à ce stade d'un cadre conceptuel sans validation expérimentale publiée. Le verrou adressé est réel : un robot capable de saisir un objet de cinq kilos avec précision peut échouer à simuler une poignée de main naturelle. Les auteurs introduisent la notion de "vallée de l'étrange haptique" (haptic uncanny valley), par analogie avec son équivalent visuel - un toucher robotique "presque juste" génère un inconfort plus marqué qu'un contact clairement artificiel. L'approche multi-modèles distribuée, à l'opposé d'un mouvement moteur monolithique, permettrait un développement cumulatif et modulaire : les équipes spécialisées en haptique, en IA et en robotique peuvent contribuer indépendamment. Pour les intégrateurs de robots sociaux dans les secteurs médical, thérapeutique ou d'assistance à la personne, cela ouvre une voie vers des interactions physiques acceptables et objectivement mesurables. La robotique sociale s'est longtemps concentrée sur l'expressivité faciale et vocale - Pepper de SoftBank Robotics, Paro de l'AIST japonais - en laissant le toucher en marge. Les travaux sur le retour haptique dans la manipulation (MIT, Stanford) ont ouvert la voie, mais sans cibler spécifiquement la dimension affective. Les acteurs industriels aujourd'hui dominants - Figure AI avec Figure 02, Boston Dynamics, 1X Technologies - concentrent leurs efforts sur la locomotion et la manipulation de charges, pas sur la qualité sociale du contact physique. Ce papier de positionnement structure un agenda de recherche interdisciplinaire dont les prochaines étapes attendues seront l'implémentation et l'évaluation sur des robots compagnons ou d'assistance, segments où des acteurs européens comme Enchanted Tools (France) et des projets d'assistance à la dépendance commencent à émerger.

UELa proposition d'un cadre modulaire pour le toucher affectif représente une piste de R&D pertinente pour des acteurs français comme Enchanted Tools, actifs sur les robots d'assistance et de compagnie.

RecherchePaper
1 source
Locomotion quadrupède sensible à la dynamique via une tête de dynamique intrinsèque
445arXiv cs.RO 

Locomotion quadrupède sensible à la dynamique via une tête de dynamique intrinsèque

Des chercheurs ont déposé le 2 mai 2026 sur arXiv (identifiant 2605.01227) un cadre d'entraînement appelé "Intrinsic Dynamics Head" (ID Head) pour améliorer la locomotion des robots quadrupèdes sur terrains complexes. Le principe repose sur un entraînement simultané de deux composants : une politique de contrôle classique (Control Policy) et un module auxiliaire, l'ID Head, qui apprend à prédire le couple articulaire (torque) directement à partir de l'état du robot. Ce module génère une "dynamics reward", une récompense qui oriente la politique vers des comportements mécaniquement plus prévisibles. Les expériences de transfert sim-to-real sur robot physique affichent des gains mesurés de 16,8 % sur l'efficacité en couple (torque efficiency), 18,6 % sur le taux d'action (action rate), 12,8 % sur la puissance mécanique consommée, et une amélioration de 6,4 % de l'occupation sécurisée des couples (safe torque occupancy). L'intérêt de cette approche dépasse la performance brute : elle s'attaque directement au problème du "sim-to-real gap" dans la locomotion sur pattes, en rendant la politique explicitement consciente des dynamiques physiques sous-jacentes. Les politiques RL classiques produisent souvent des mouvements erratiques et des pics de couple qui usent prématurément les actionneurs et provoquent des arrêts de sécurité en déploiement réel. Pour un intégrateur ou un développeur de plateforme, des gains de 16 à 19 % sur ces métriques se traduisent concrètement par une durée de vie accrue des composants et une meilleure fiabilité opérationnelle. L'ID Head offre également un levier de réglage fin via ses coefficients d'entraînement, sans nécessiter de réentraînement complet de la politique. Ce travail s'inscrit dans le courant dominant de l'apprentissage par renforcement pour la locomotion sur pattes, porté depuis 2022 par des contributions majeures d'ETH Zurich autour d'ANYmal et par les politiques déployées sur Spot (Boston Dynamics) ou les plateformes Unitree (Go2, H1). Il répond aux critiques récurrentes sur le caractère mécaniquement sous-optimal des politiques RL pures, trop consommatrices de couples. À noter : il s'agit d'une prépublication académique sans partenariat industriel annoncé ni calendrier de déploiement. La validation sur des plateformes commerciales à plus grande échelle reste à démontrer.

RecherchePaper
1 source
Saisie mobile avec conscience de la visibilité en environnements dynamiques
446arXiv cs.RO 

Saisie mobile avec conscience de la visibilité en environnements dynamiques

Des chercheurs ont publié sur arXiv (arXiv:2605.02487) un système de préhension mobile baptisé « visibility-aware mobile grasping », conçu pour des robots à manipulateur opérant dans des environnements inconnus et dynamiques. L'architecture repose sur deux composants couplés : un planificateur bas niveau en corps entier (whole-body planner) associé à une perception active sensible à la vitesse, et un planificateur haut niveau hiérarchique fondé sur des arbres de comportement (behavior trees) qui génère des sous-objectifs adaptatifs. Les expériences ont été conduites sur 400 scénarios de simulation randomisés ainsi qu'en déploiement réel sur un robot mobile manipulateur Fetch. Le système atteint un taux de succès de 68,8 % dans des environnements statiques inconnus et de 58,0 % dans des environnements dynamiques, soit respectivement +22,8 et +18,0 points de pourcentage par rapport à l'approche de référence NAM (Non-prehensile Assisted Manipulation), avec une réduction mesurée des collisions. Le problème central que ce travail cherche à résoudre est un compromis fondamental en robotique mobile : un robot disposant d'un champ de vision limité doit arbitrer en permanence entre explorer pour réduire l'incertitude environnementale et progresser vers sa cible de saisie dans un espace de configuration à haute dimensionnalité. Les approches précédentes découpaient ces deux objectifs, ce qui rendait impossible la garantie de sécurité lorsque des obstacles dynamiques non observés intersectaient la trajectoire pendant la manipulation. En couplant la perception active à la planification de mouvement, et non en les traitant en séquence, les auteurs montrent qu'il est possible de maintenir une garantie de sécurité sans sacrifier les performances de saisie, un résultat pertinent pour les intégrateurs de systèmes pick-and-place en environnement non contrôlé. Ce travail s'inscrit dans un courant de recherche en pleine accélération autour des robots mobiles manipulateurs capables d'opérer hors de cellules balisées. Le Fetch, plateforme de recherche standard de Fetch Robotics (racheté par Zebra Technologies), est un choix délibérément accessible pour la reproductibilité. Les concurrents directs sur ce segment incluent les travaux de Mobile ALOHA (Stanford), de Spot Arm (Boston Dynamics) et de Hello Robot Stretch, ainsi que les systèmes AMR-à-bras d'Universal Robots et de Kassow Robots en Europe. La prochaine étape naturelle identifiée implicitement par les auteurs est l'extension à des scénarios avec plusieurs objets dynamiques simultanés et des environnements encore moins structurés, un écart entre performances en simulation et déploiement réel qui reste à confirmer sur des cycles industriels prolongés.

RecherchePaper
1 source
Unitree Robotics présente un robot humanoïde à roues et jambes capable de patiner et d'effectuer des figures acrobatiques
447Pandaily 

Unitree Robotics présente un robot humanoïde à roues et jambes capable de patiner et d'effectuer des figures acrobatiques

Le 23 avril 2026, Unitree Robotics a diffusé une vidéo présentant les capacités de son robot humanoïde hybride à roues et jambes, la plateforme G1-D. Les séquences montrent l'engin enchaîner patinage sur glace, roller, rotations à 360 degrés, pirouettes sur un appui et saltos avant, en alternant de manière autonome entre modes roues et bipède selon les exigences du terrain. L'entreprise positionne cette architecture comme un vecteur de polyvalence pour les robots à usage général, adaptables à des environnements variés sans changement de plateforme matérielle. Aucune métrique technique indépendante (charge utile, degrés de liberté, temps de cycle opérationnel) n'accompagne la publication : il s'agit d'une vidéo promotionnelle dont les conditions précises de tournage restent inconnues. Le contrôle multimodal illustré représente un défi technique réel : la transition fluide entre locomotion roues et locomotion pédestre exige des politiques de contrôle capables de gérer des dynamiques radicalement différentes, généralement entraînées par apprentissage par renforcement. Pour les intégrateurs industriels, la question centrale est celle de la polyvalence opérationnelle : une architecture hybride permet-elle de couvrir plusieurs cas d'usage (logistique en entrepôt et manutention debout) sur un seul déploiement matériel, ou ajoute-t-elle de la complexité sans avantage net ? La réponse reste ouverte tant qu'aucun pilote industriel documenté ne valide les performances hors conditions contrôlées. Unitree Robotics, fondée en 2016 à Hangzhou, s'est imposée avec le Go1, le B2 et l'humanoïde H1 comme l'un des fabricants de robots les plus prolifiques du marché semi-industriel. La plateforme G1-D intègre une solution complète de collecte de données et d'entraînement de modèles pour accélérer l'optimisation des algorithmes de locomotion. Sur le segment humanoïde, la concurrence directe de Figure, Boston Dynamics et Agility Robotics reste sur des architectures entièrement bipèdes, ce qui fait de l'hybridation roues-jambes un pari différenciant mais encore non validé en production. En France et en Europe, aucun acteur ne travaille sur cette architecture spécifique à échelle industrielle, laissant le terrain largement ouvert à l'offre asiatique.

UEAucun acteur européen ne développe d'architecture hybride roues-jambes à échelle industrielle, laissant un segment potentiel de marché ouvert à l'offre asiatique si la plateforme G1-D se valide hors conditions contrôlées.

HumanoïdesOpinion
1 source
Les gens apprécient-ils un entraîneur robot ? Étude de cas avec Snoopie le Pacerbot
448arXiv cs.RO 

Les gens apprécient-ils un entraîneur robot ? Étude de cas avec Snoopie le Pacerbot

Une équipe de chercheurs a développé SNOOPIE (Snoopie Pacerbot), un robot quadrupède autonome conçu pour servir d'entraîneur personnel lors de séances d'interval training. Publié sur arXiv (2604.18331), le travail porte sur une tâche spécifique : guider des coureurs à maintenir un rythme précis sur des intervalles répétés, une discipline où la régularité est critique. Dans les expériences utilisateurs menées, les participants équipés du robot ont respecté leur plan de cadence avec 60,6 % de précision supplémentaire par rapport à un groupe utilisant une Apple Watch, et ont maintenu une vitesse de course 45,9 % plus régulière d'un intervalle à l'autre. Sur le plan subjectif, la préférence pour le robot sur le wearable est nette : facilité d'utilisation (+56,7 %), plaisir de l'interaction (+60,6 %), sentiment d'être bien accompagné (+39,1 %). Ces résultats soulèvent une question concrète pour les intégrateurs et les concepteurs de systèmes d'entraînement connecté : la présence physique incarnée d'un robot apporte-t-elle une valeur ajoutée mesurable par rapport à un écran ou un capteur poignet ? L'étude suggère que oui, au moins dans ce cas précis. Le robot peut ajuster son allure en temps réel, maintenir une distance constante avec le coureur, et fournir un retour visuel et cinétique que ni une montre ni une application mobile ne peuvent reproduire. Cela conforte l'hypothèse que l'embodiment robotique n'est pas qu'un argument marketing dans les contextes d'interaction physique prolongée : il modifie effectivement le comportement de l'utilisateur. Ces données restent néanmoins issues d'une étude de laboratoire à effectif limité, et les conditions réelles (terrain variable, foule, météo) n'ont pas été testées. Les robots quadrupèdes agiles comme ceux de Boston Dynamics (Spot) ou les plateformes issues des travaux de l'ETH Zurich et de CMU ont ouvert la voie à une nouvelle génération de robots capables de se déplacer de manière fiable dans des environnements non structurés. SNOOPIE s'inscrit dans cette lignée en poussant l'usage vers une application grand public et de bien-être, un territoire encore peu exploré par l'industrie. Les concurrents directs dans le créneau coaching physique robotisé sont quasi inexistants à ce stade commercial, mais des entreprises comme Agility Robotics ou Unitree pourraient théoriquement adapter leurs plateformes à ce type d'usage. Les suites annoncées par l'équipe incluent des tests en conditions extérieures et l'intégration de retours verbaux, avec l'ambition de transformer SNOOPIE en dispositif d'entraînement personnalisé adaptatif à plus long terme.

RecherchePaper
1 source
Maniformer lance une plateforme de données d'IA physique tout-en-un pour préparer l'ère de l'AGI
449Pandaily 

Maniformer lance une plateforme de données d'IA physique tout-en-un pour préparer l'ère de l'AGI

Maniformer, startup chinoise spécialisée dans l'infrastructure de données pour l'IA physique, a officiellement lancé sa plateforme de services de données en un seul guichet, accompagnée de la gamme matérielle MEgo et du système de gouvernance MEgo Engine. La gamme MEgo comprend trois composants : le MEgo Gripper pour la capture de données de manipulation robotique, le MEgo View, un dispositif de collecte portable à tête montée, et le MEgo Engine pour le traitement et la gouvernance des données. Ces outils affichent une précision millimétrique, une synchronisation sub-milliseconde et une perception panoramique supérieure à 300 degrés. Le système est nativement compatible avec le robot G2 Air, garantissant la cohérence entre environnements simulés et réels. Selon Yao Maoqing, président-directeur général, l'entreprise vise une capacité de production de dizaines de millions d'heures de données d'ici 2026, puis des dizaines de milliards d'heures d'ici 2030. Le problème que Maniformer cherche à résoudre est structurel : les données d'interaction physique réelle disponibles pour l'IA incarnée représentent moins de 1/20 000 de ce qui existe pour les grands modèles de langage. Ce déficit, combiné à l'absence de standards, à des problèmes de qualité hétérogène et à des inadéquations entre offre et demande, freine concrètement la commercialisation des robots autonomes. En proposant une infrastructure full-stack couvrant la télé-opération réelle, la collecte sans robot dédié et la génération synthétique par simulation, Maniformer cherche à décorréler la production de données de la disponibilité des plateformes robotiques elles-mêmes, une approche qui, si elle tient ses promesses, pourrait accélérer significativement le cycle sim-to-real pour les intégrateurs et les équipes R&D. L'analogie revendiquée avec l'électricité ou l'eau comme utilities est ambitieuse ; elle reste à valider à l'échelle industrielle. L'entreprise s'inscrit dans un contexte de course mondiale aux données d'entraînement pour robots humanoïdes et manipulateurs, où des acteurs comme Physical Intelligence (Pi-0), Boston Dynamics, Figure AI ou Unitree investissent massivement dans leurs propres pipelines de données propriétaires. La stratégie de Maniformer est différente : se positionner en fournisseur tiers d'infrastructure, à la manière d'un AWS pour la donnée physique. L'initiative "Hive" annoncée vise à fédérer des partenaires mondiaux pour co-construire des standards sectoriels, une démarche de standardisation qui, si elle aboutit, pourrait bénéficier à l'ensemble de l'écosystème, y compris aux acteurs européens comme Enchanted Tools ou Wandercraft qui peinent à constituer des datasets suffisants. La prochaine étape annoncée est le déploiement d'un réseau global de collecte de données, sans calendrier précis communiqué au-delà de l'horizon 2026.

UESi l'initiative 'Hive' de standardisation aboutit, les acteurs européens comme Enchanted Tools ou Wandercraft pourraient bénéficier d'une infrastructure de données partagée pour accélérer leurs pipelines sim-to-real.

Chine/AsieActu
1 source
Alibaba lance son premier robot incarné via Amap, en débutant par un chien robot
450TechNode 

Alibaba lance son premier robot incarné via Amap, en débutant par un chien robot

La filiale d'Alibaba Amap (connue aussi sous le nom Gaode, leader chinois de la cartographie et navigation mobile) s'apprête à commercialiser son premier produit robotique : un robot quadrupède. Selon des sources internes citées par le média chinois IThome, il s'agirait du premier robot physique jamais lancé par le groupe Alibaba. L'annonce reste pour l'instant au stade de fuite interne, sans date de sortie ni spécifications techniques publiées, payload, degrés de liberté et prix sont inconnus à ce stade. Ce mouvement indique qu'Alibaba étend sa stratégie IA au-delà du cloud et des LLM vers l'intelligence incarnée, un pivot observé chez plusieurs géants technologiques asiatiques. L'équipe d'intelligence embodied d'Amap travaillerait également sur des humanoïdes, et aurait constitué ce qu'elle décrit comme le plus grand moteur de données de navigation embodied de l'industrie, une affirmation difficile à vérifier sans audit indépendant. La maîtrise de la navigation longue séquence (long-horizon tasks) est effectivement un verrou technique clé pour les robots opérant en environnement ouvert. Amap dispose d'un atout structurel rare : une base de données cartographiques et de trajectoires humaines massive, issue de ses centaines de millions d'utilisateurs actifs en Chine, potentiellement exploitable pour entraîner des politiques de navigation robot. Dans un marché quadrupède dominé par Unitree et Boston Dynamics, Alibaba arrive tard mais avec des ressources data considérables. Les concurrents chinois comme Unitree (G1, B2) et DeepRobotics sont déjà en déploiement commercial, ce qui positionne ce lancement davantage comme une entrée stratégique que comme une rupture technologique immédiate.

Chine/AsieActu
1 source