Actualités robotique — page 10

4 503 articles au fil, du plus récent au plus ancien.

41

451Robotics & Automation News 

FedEx étend le déploiement de l'IA physique de Dexterity pour le chargement autonome de remorques

FedEx et le spécialiste de l'automatisation d'entrepôt Dexterity ont annoncé l'extension de leur collaboration pour déployer à plus grande échelle le modèle du monde Foresight et le système de chargement de remorques Mech de Dexterity, au hub FedEx de Hagerstown, dans le Maryland. Ce déploiement s'appuie sur plusieurs années de développement conjoint, de tests et de validation opérationnelle, et dépasse le site pilote initial sur lequel le partenariat avait été testé jusqu'ici. Le système Mech utilise la perception et la planification de mouvement pilotées par IA pour charger automatiquement des colis dans des remorques, une tâche traditionnellement manuelle, répétitive et physiquement éprouvante dans la logistique du dernier kilomètre. Cette extension marque un signal important pour le secteur : elle indique que la technologie de Dexterity dépasse le stade du pilote isolé pour entrer dans une phase de déploiement multi-sites chez un opérateur logistique majeur. Pour les intégrateurs et décideurs B2B de l'automatisation d'entrepôt, c'est une validation concrète que les systèmes robotiques pilotés par IA pour la manutention peuvent tenir la distance en conditions réelles, au-delà de la démonstration contrôlée, sur des cycles de production à haut volume. Dexterity, fondée par d'anciens chercheurs de Stanford et X (Google), s'est positionnée depuis plusieurs années sur l'automatisation de tâches de manutention complexes en entrepôt, en concurrence avec des acteurs comme Pickle Robot, également actif sur le chargement et déchargement automatisé de remorques. Le partenariat avec FedEx, engagé depuis plusieurs années, illustre la stratégie du transporteur d'intégrer progressivement la robotique dans ses hubs, avec Hagerstown comme nouvelle étape avant d'éventuels déploiements supplémentaires.

Industriel⚡Actu

1 source

39

452Interesting Engineering 

Robot humanoïde équipé d'une puce Qualcomm : une vidéo virale le montre s'effondrant en plein keynote

Un robot humanoïde propulsé par la plateforme Dragonwing IQ10 de Qualcomm s'est effondré face contre terre sur scène lors du Computex 2026 à Taïwan, en pleine keynote en direct, alors qu'il s'apprêtait à co-présenter aux côtés d'un intervenant humain. Les images montrent la machine marchant normalement avant de basculer brutalement vers l'avant dans un bruit sourd. Toujours au sol, elle a brièvement levé un poing, signe qu'elle restait partiellement opérationnelle, mais n'est pas parvenue à se relever seule. Des membres de l'équipe technique sont alors intervenus, ont recouvert le robot d'un tissu satiné avant de l'évacuer, mettant un terme abrupt à la démonstration. Qualcomm a attribué l'incident à un problème de communication survenu pendant la démonstration et a précisé que le robot avait exécuté sa séquence de repli de sécurité intégrée, s'affaissant sur les genoux pour protéger le public et son environnement immédiat. L'entreprise a affirmé que ses systèmes de sécurité avaient fonctionné comme prévu. Cet épisode illustre l'écart persistant entre les démonstrations scénarisées de robots humanoïdes et la fiabilité réelle nécessaire à un déploiement industriel, un point sensible pour l'ensemble du secteur alors que les annonces de VLA (vision-language-action) capables et de robots "prêts pour la production" se multiplient. Qualcomm a choisi de présenter la chute non comme un échec mais comme une preuve que ses garde-fous logiciels fonctionnent, un discours qui vise autant les intégrateurs et décideurs B2B, potentiels clients de sa plateforme, que le grand public. Pour les acteurs industriels qui évaluent des humanoïdes pour l'entrepôt ou l'usine, l'incident rappelle que la robustesse logicielle et les protocoles de sécurité en cas de panne comptent au moins autant que les capacités mises en avant dans les vidéos promotionnelles, une leçon déjà tirée l'an dernier avec la chute similaire du robot russe AIdol lors de son propre lancement public. Le Dragonwing IQ10 Robotics Reference Design est une architecture matérielle et logicielle intégrée que Qualcomm positionne comme un accélérateur de mise sur le marché pour les développeurs de robots industriels, de robots mobiles autonomes et d'humanoïdes. Construite autour du processeur Dragonwing IQ10, elle délivre jusqu'à 700 TOPS de puissance de calcul IA, embarque 18 cœurs CPU, des unités de traitement IA dédiées et un GPU, et prend en charge jusqu'à douze caméras ainsi que du LiDAR et des capteurs de temps de vol. Conçue pour des environnements industriels, elle fonctionne de -40°C à 70°C sur alimentation 12 ou 24 volts, et s'appuie sur ROS 2, des runtimes IA embarqués et une gestion du cycle de vie via le cloud Qualcomm AI Hub. La plateforme est soutenue par un écosystème de partenaires incluant NEURA Robotics, Advantech, Booster, Innodisk, NEXCOM, Radxa et Thundercomm, ce qui positionne Qualcomm comme fournisseur de brique de calcul générique face aux acteurs verticalement intégrés du secteur humanoïde.

Humanoïdes❧Opinion

1 source

36

453Pandaily 

LimX Dynamics : le contrôle du mouvement converge, la prochaine étape des humanoïdes est l'atterrissage et le PMF devient le vrai combat

Selon Shen Hua, cofondateur de LimX Dynamics, les technologies de contrôle moteur des robots humanoïdes convergent et les écarts entre acteurs se resserrent. À l'occasion du WAIC 2026 (World Artificial Intelligence Conference), le secteur est passé d'un stade de démonstration technologique à une phase d'exploration de déploiement : des intégrateurs ont testé la palettisation et l'alimentation de machines, tandis que des applications de guidage et de représentation ont commencé à valider une valeur commerciale concrète. LimX Dynamics, fondée en 2022 à Shenzhen par Zhang Wei, professeur à la SUSTech, structure désormais son offre autour de trois axes : Luna, un humanoïde interactif taille réelle, TRON 2, des robots modulaires orientés exécution de tâches, et LimX COSA 0.5, un système « cerveau » destiné aux opérations complexes et de longue durée. L'entreprise a également présenté FluxVLA Engine, une infrastructure standardisée pour l'intelligence incarnée couvrant données, entraînement, simulation et déploiement réel, censée éviter aux industriels de redévelopper un modèle VLA (vision-langage-action) pour chaque projet. Le point le plus commercial de l'intervention de Shen Hua est sa remise en cause d'un présupposé répété depuis deux ans dans l'industrie : celui d'un « cervelet » (contrôle moteur) en retard sur le « cerveau » (les modèles d'IA). Il affirme que le contrôle moteur a désormais rattrapé, voire légèrement dépassé sur certains aspects, les capacités des modèles d'IA et du matériel. Il s'agit toutefois d'une déclaration d'un acteur directement intéressé, sans benchmark indépendant cité à l'appui. Le message qu'il en tire reste néanmoins significatif pour les décideurs B2B et intégrateurs : le goulot d'étranglement ne serait plus l'amélioration d'un module isolé mais l'intégration système entre décision, contrôle moteur et matériel, ainsi que l'adéquation à des scénarios d'usage réels. Autrement dit, la bataille se déplacerait des specs techniques vers le product-market fit (PMF). Cette trajectoire reflète l'évolution de LimX Dynamics elle-même, partie d'une spécialisation en contrôle moteur pour devenir un acteur de systèmes d'IA complets, avec des investissements dans des modèles de niveau « cerveau » comme VGM, pour l'apprentissage par génération vidéo, et DreamActor, basé sur un paradigme d'entraînement réel-vers-simulation-vers-réel. Face à une concurrence humanoïde mondiale où la course porte désormais autant sur les modèles que sur le matériel, Shen Hua situe la prochaine étape ailleurs : une fois le contrôle moteur banalisé, la compétition se jouera sur la capacité à identifier les premiers cas d'usage réellement valides et à passer de la question « que peut faire le robot » à celle de son entrée effective dans des environnements réels générateurs de valeur.

Chine/Asie⚡Actu

1 source

44

454TechNode 

Unitree Robotics se rapproche d'une introduction en bourse sur le STAR Market de Shanghai

Unitree Robotics se rapproche d'une introduction en bourse sur le STAR Market de Shanghai après l'approbation, le 1er juillet, de sa demande d'enregistrement par la CSRC, le régulateur chinois des marchés financiers. Cette validation lève un obstacle réglementaire mais ne fixe ni le prix de l'offre, ni la date de souscription publique, ni la date de première cotation, qui restent à confirmer. Le prospectus de la société, basée à Hangzhou, prévoit de lever environ 4,2 milliards de yuans (soit près de 540 millions d'euros), destinés à la recherche sur les modèles d'IA embarquée, au développement de nouvelles plateformes robotiques, à de nouveaux produits et à la construction d'un site de fabrication dédié. Cette étape confirme la place de Unitree parmi les start-up d'IA incarnée les plus en vue de Chine, aux côtés d'acteurs comme UBTech déjà coté à Hong Kong. Une cotation réussie donnerait à l'entreprise des moyens financiers substantiels pour accélérer face à la concurrence internationale, de Figure à Boston Dynamics, dans une course où le passage de la démonstration à la production industrielle reste le principal point de friction du secteur. Le calendrier précis de l'opération demeure toutefois non confirmé dans les documents officiels disponibles à ce stade. Unitree s'est fait connaître par des robots quadrupèdes et humanoïdes à prix agressif, une stratégie qui a bousculé un marché jusque-là dominé par du matériel coûteux et peu accessible. Le STAR Market, créé pour les entreprises technologiques innovantes, est le terrain naturel pour ce type d'introduction. Les prochaines étapes attendues sont la fixation du prix, l'ouverture de la souscription, puis la date effective de cotation.

Business⚡Actu

1 source

46

455arXiv cs.RO 

SUNSET : un exemple de segmentation sémantique par fusion de capteurs pour l'auto-adaptation basée sur ROS

Des chercheurs ont publié SUNSET, un exemplar open source basé sur ROS2 destiné à évaluer de façon rigoureuse et reproductible les approches d'auto-adaptation logicielle en robotique. Le système implémente un pipeline de segmentation sémantique par fusion de capteurs, piloté par un modèle de machine learning entraîné dont le prétraitement des entrées peut être perturbé pour provoquer des dégradations de performance réalistes. L'exemplar expose cinq défaillances observables, chacune pouvant résulter de causes racines différentes, et permet de simuler des pannes concurrentes touchant à la fois l'auto-guérison (self-healing) et l'auto-optimisation (self-optimisation) du système. Le package publié comprend le pipeline de segmentation complet, le modèle ML entraîné, des scripts d'injection de fautes, un contrôleur de référence pour comparaisons, ainsi qu'une documentation détaillée d'intégration et d'évaluation. Le code est disponible sur GitHub, sous le dépôt XITASO/sunset. L'intérêt pour la communauté robotique dépasse le simple cas d'usage technique. Les systèmes logiciels embarqués dans les robots gagnent en complexité à mesure que les déploiements se multiplient en environnements dynamiques, où les symptômes de panne sont souvent visibles mais les causes racines restent ambiguës, voire multiples et simultanées. Faute de bancs d'essai standardisés, la recherche en auto-adaptation architecturale peine à comparer objectivement différentes approches de détection et de correction de défaillances. En fournissant un exemplar ouvert, reproductible et doté d'un contrôleur de référence, SUNSET vise à combler ce manque méthodologique et à faciliter des études comparatives rigoureuses entre équipes de recherche. Le projet est porté par XITASO, société allemande spécialisée en ingénierie logicielle, dans la lignée d'une tradition d'exemplars dédiés à la recherche en systèmes auto-adaptatifs, un domaine qui manque historiquement de bancs d'essai partagés et réalistes. La publication, classée comme une version révisée (replace) sur arXiv, s'adresse aux équipes académiques et industrielles travaillant sur la robustesse logicielle des robots déployés en conditions réelles, avec pour prochaine étape l'adoption de l'outil par d'autres laboratoires pour des études comparatives.

Recherche❖Paper

1 source

44

456arXiv cs.RO 

LabEvolver : évolution d'expérience sans entraînement pour des agents de laboratoire humide sûrs et ancrés

Des chercheurs ont présenté LabEvolver, un framework sans entraînement (training-free) qui dote les agents robotiques de laboratoire d'une mémoire épisodique construite à partir de leur propre expérience d'exécution. Le système combine une boucle interne ancrée dans l'état, chargée de la perception adaptative, de la planification en ligne et de la validation de sécurité, avec une boucle externe d'évolution qui distille les trajectoires complétées en compétences, stratégies et connaissances de sécurité réutilisables. Sur des tâches robotiques de préparation de solutions en laboratoire, LabEvolver réduit de 48,2% le temps nécessaire à la régulation du pH et de 60,0% le nombre d'interventions des garde-fous de sécurité par rapport à une méthode de référence. Sur le benchmark ALFWorld, qui teste des agents dans des environnements domestiques simulés, le taux de succès cumulé sur 20 étapes passe de 76,2% avec la méthode ReAct à 91,4%, résultat obtenu sur 500 tâches continues, ce qui montre que l'approche généralise au-delà du seul contexte du laboratoire. Le code du projet est disponible sur GitHub, sous le compte AndyGao6186. Pour l'automatisation de laboratoire, ce résultat s'attaque à un problème central: la plupart des agents pilotés par des modèles de langage échouent à progresser durablement parce qu'ils repartent de zéro à chaque tâche, sans capitaliser sur leurs erreurs passées. En évitant tout réentraînement du modèle et en s'appuyant sur une mémoire d'expérience accumulée, LabEvolver propose une voie moins coûteuse et plus rapide à déployer que le fine-tuning classique, un argument qui compte pour les intégrateurs de robotique de laboratoire où les cycles de test sont longs et les erreurs coûteuses en réactifs ou en sécurité. La baisse marquée des interceptions de sécurité est le chiffre le plus significatif pour les décideurs industriels: elle suggère que le système apprend à anticiper les situations à risque plutôt que de simplement se faire bloquer par des garde-fous statiques, ce qui va dans le sens d'une automatisation scientifique en boucle fermée, où le robot ajuste son comportement sans supervision humaine constante. LabEvolver s'inscrit dans la lignée des travaux récents sur les agents LLM dotés de mémoire épisodique pour la robotique, une alternative à l'apprentissage par renforcement classique jugée trop gourmande en données et en calcul pour des tâches de laboratoire à faible marge d'erreur. La comparaison avec ReAct, méthode de référence pour le raisonnement et l'action séquentielle des agents LLM, positionne LabEvolver comme une amélioration incrémentale plutôt qu'une rupture méthodologique, la boucle d'évolution externe étant l'apport principal par rapport aux architectures agent-plus-outils existantes. Les auteurs présentent leurs résultats comme une preuve de faisabilité plutôt qu'un système prêt pour un déploiement industriel généralisé: les tests restent limités à la préparation de solutions et n'abordent pas encore la diversité des protocoles d'un vrai laboratoire de recherche. La publication sur arXiv fin juillet 2026 et l'ouverture du code laissent présager des extensions à d'autres tâches de laboratoire dans les prochains mois.

Recherche❖Paper

1 source

44

457arXiv cs.RO 

DexDirect : guidage kinesthésique direct du bras pour une collecte efficace de démonstrations dextériques

Des chercheurs présentent DexDirect, une nouvelle interface de téléopération conçue pour accélérer la collecte de démonstrations de manipulation dextre, un goulot d'étranglement connu pour l'apprentissage robotique. Le système combine un guidage kinesthésique direct, l'opérateur tire littéralement un bras robotique à 6 degrés de liberté à compensation de gravité par une poignée, avec un simple webcam qui retranscrit les mouvements de l'autre main de l'opérateur sur une main robotique dextre à 16 articulations et 13 degrés de liberté. Selon les études utilisateurs menées par les auteurs, DexDirect permet de collecter 17,2 fois plus de démonstrations réussies que la référence purement visuelle AnyTeleop, et 3,2 fois plus que la référence par suivi de pose TeleDex. Un test NASA-TLX adapté montre une réduction nette de la charge mentale, de l'effort perçu et de la frustration des opérateurs, malgré une charge physique légèrement accrue liée à la manipulation directe du bras. Une politique de diffusion entraînée sur les démonstrations collectées via DexDirect atteint 90% de réussite sur une tâche de préhension-dépose de cube. L'enjeu dépasse le simple confort d'utilisation. La collecte de données de manipulation dextre à grande échelle est aujourd'hui le principal frein au déploiement de politiques robustes de manipulation par apprentissage, notamment pour les architectures VLA (vision-language-action) qui nécessitent des volumes massifs de démonstrations de qualité. Les interfaces existantes forcent un compromis entre précision (matériel coûteux et lourd à installer) et accessibilité (solutions légères mais imprécises, épuisantes cognitivement pour l'opérateur). En réduisant drastiquement la charge mentale tout en démultipliant le taux de succès des démonstrations, DexDirect suggère qu'il est possible de lever ce compromis, un argument potentiellement décisif pour les laboratoires cherchant à industrialiser la collecte de données pour l'apprentissage par imitation. Le travail est publié comme prépublication sur arXiv, sans identification d'un déploiement produit ou d'un partenariat industriel: il s'agit d'une contribution de recherche comparée à deux méthodes existantes de référence, AnyTeleop et TeleDex, plutôt que d'une annonce commerciale. Aucun acteur français ou européen n'est mentionné dans cette publication.

Recherche❖Paper

1 source

43

458arXiv cs.RO 

X-NavDP : généralisation d'une politique de diffusion de navigation à de nouveaux comportements et corps grâce à un appariement repondéré par Q-score de groupe

Wandercraft, Exotec, Pollen et Enchanted Tools n'apparaissent pas dans cette étude, qui reste un travail de recherche en robotique mobile publié sur arXiv (2607.28560v1). Voici l'article : Une équipe de recherche a publié X-NavDP, une politique de navigation par diffusion entraînée pour généraliser à des robots de morphologies différentes, accompagnée d'un nouveau cadre de post-entraînement par renforcement baptisé GQRM (Group Q-score Reweighted Matching). Le papier, disponible sur arXiv sous la référence 2607.28560v1, rapporte des gains de performance substantiels : le taux de réussite en navigation passe de 61,20 % à 84,28 % en simulation, et de seulement 10 % à 65 % sur des cas difficiles en conditions réelles. Le code et les modèles sont mis à disposition publiquement sur une page de projet dédiée (yty-sky.github.io/x-navdp-project-page). Cette avancée s'attaque à un problème central pour l'industrie robotique : les politiques de navigation par diffusion sont aujourd'hui pré-entraînées sur des démonstrations générées par un planificateur oracle disposant d'une connaissance complète de l'environnement, calibré pour un seul robot type. Cela limite fortement leur capacité à s'adapter à d'autres morphologies ou à des scénarios exigeants comme sortir d'une impasse ou contourner un obstacle long, situations qui demandent des comportements réactifs locaux à partir des seules observations embarquées. Pour les intégrateurs travaillant avec des flottes hétérogènes d'AMR ou de robots mobiles, disposer d'une politique unique capable de généraliser sans démonstrations spécifiques à chaque plateforme réduirait significativement les coûts d'ingénierie et de collecte de données. Les tentatives précédentes de post-entraînement par renforcement des politiques de diffusion n'apportaient que des améliorations marginales, freinées par la vraisemblance intraitable de ces modèles, qui rend les gradients de politique instables et l'exploration inefficace. GQRM contourne ce verrou grâce à deux mécanismes complémentaires : une stratégie d'exploration auto-amorcée avec perturbation comportementale qui préserve les acquis du pré-entraînement, et une normalisation de groupe des scores Q calculant des valeurs par trajectoire à chaque état pour un appariement de scores pondéré plus efficace. L'entraînement s'est fait en ligne et de façon distribuée sur des robots aux morphologies variées, une méthodologie qui pourrait inspirer d'autres équipes travaillant sur le transfert cross-embodiment.

Recherche❖Paper

1 source

42

459arXiv cs.RO 

RoboBRIDGE : un cadre modulaire pour connecter des politiques à des agents robotiques fiables en conditions réelles

Des chercheurs proposent RoboBRIDGE, un framework modulaire destiné à transformer un modèle Vision-Language-Action (VLA) pré-entraîné en agent robotique réellement déployable. L'architecture ajoute une couche d'orchestration composée de cinq modules coordonnés : un Monitor qui détecte rapidement les échecs et déclenche une récupération hiérarchique avant qu'ils ne s'aggravent, un Perceptor qui met à jour la compréhension de la scène de façon asynchrone, un Planner qui replanifie dès que l'environnement s'écarte du plan initial, un Controller qui découpe la manipulation en primitives invariantes au domaine via des adaptateurs LoRA dédiés, et une interface robot générique. Le système a été testé sur les benchmarks LIBERO et RoboCasa ainsi que sur des cas réels couvrant plusieurs plateformes robotiques et plusieurs modèles VLA de référence, où il surpasse systématiquement les politiques autonomes et les déploiements VLA augmentés existants. L'enjeu dépasse la simple performance sur benchmark. Les modèles VLA sont aujourd'hui de bons prédicteurs d'action isolés, mais leur mise en production révèle des lacunes structurelles : aucune récupération après échec, exécution incohérente sur des tâches longues, et fragilité dès que les observations, les tâches ou l'embodiment changent. RoboBRIDGE s'attaque directement à l'écart classique entre démonstration et réalité opérationnelle qui freine l'adoption des VLA en robotique industrielle. Le message central des auteurs est net : la fiabilité d'un agent robotique ne vient pas de la seule montée en échelle du prédicteur d'action, mais d'une orchestration structurée autour de lui, un argument qui pèse dans le débat sur la voie à suivre pour la robotique fondée sur les modèles de fondation. Jusqu'ici, les solutions existantes traitaient ces limites séparément, via un réentraînement complet du modèle ou des modules spécifiques à un environnement donné, deux approches coûteuses et peu généralisables. RoboBRIDGE se positionne comme une alternative générique compatible avec des composants VLA du commerce, sans réentraînement lourd. Le papier, publié sur arXiv, reste au stade de la recherche académique ; aucun partenaire industriel ni calendrier de déploiement commercial n'est mentionné à ce stade.

Recherche⚡Actu

1 source

41

460arXiv cs.RO 

Métrique robuste de plaçabilité pour le raisonnement unifié de prise-et-dépose sans modèle

Des chercheurs publient sur arXiv (version 3, révisée) une nouvelle métrique probabiliste de plaçabilité destinée à la planification robotique de préhension et dépose (pick-and-place) à partir de nuages de points partiels. Le système évalue des poses de placement en 6D en notant conjointement la stabilité de l'objet et sa saisissabilité, directement à partir de la géométrie brute captée par un capteur, sans modèle CAO préalable ni hypothèse de surface d'appui plane et continue. La méthode génère plusieurs candidats de placement multi-orientations, puis conditionne le score de préhension sur ces placements pour produire un raisonnement unifié et sans modèle du cycle complet préhension-dépose. Les auteurs valident l'approche à la fois en simulation et sur robot réel, sur des objets jamais vus auparavant et posés sur des supports géométriquement complexes, incluant des bords de table et des plans inclinés. L'apport principal tient à l'affranchissement de deux contraintes qui limitent aujourd'hui les déploiements en environnement non structuré : la dépendance à des modèles CAO d'objets connus à l'avance, et l'hypothèse simplificatrice d'une surface de dépose plane et dégagée. Pour l'intégration industrielle, ce type de méthode vise directement les cas où le catalogue d'objets est hétérogène et changeant, comme le tri de colis, le bin-picking en entrepôt ou la logistique du dernier mètre, où les objets sont partiellement occlus (face inférieure invisible sur une table) et où les zones de dépose ne sont pas toujours des plateaux plats dégagés. En prouvant que stabilité et saisissabilité peuvent être estimées de façon fiable depuis un nuage de points brut et partiel, les auteurs répondent à un écart concret entre démonstrations en laboratoire et conditions réelles de préhension généraliste. Le travail s'inscrit dans la lignée des recherches en planification de préhension par nuages de points et en raisonnement de manipulation généraliste, un axe où la littérature s'appuie encore largement soit sur des bases CAO pré-scannées, soit sur des surfaces d'appui idéalisées. Il s'agit ici d'une publication de recherche académique, à ce stade validée par des expériences en simulation et sur banc robotique réel, mais sans déploiement industriel annoncé ni partenaire commercial cité dans l'article.

Recherche❖Paper

1 source

41

461arXiv cs.RO 

Static In, Dynamic Out : augmentation contrefactuelle des actions pour la manipulation d'objets en mouvement

Des chercheurs ont publié un nouvel article scientifique (arXiv:2607.27890) présentant SIDO, pour "Static In, Dynamic Out", une méthode d'augmentation contrefactuelle d'actions destinée aux politiques de manipulation robotique visuomotrices. Le problème visé est concret : la plupart des politiques actuelles sont entraînées et validées sur des objets statiques, alors que dans les déploiements réels les pièces glissent sur un convoyeur ou les fruits oscillent sous le vent. SIDO décompose le problème en deux sous-tâches, prédire où l'objet se trouvera puis atteindre cette pose future, et transforme les démonstrations statiques en associant à chaque déplacement contrefactuel de l'objet une action ajustée qui conserve la relation relative entre la main du robot et l'objet. Au moment du déploiement, un prédicteur de pose fournit la position future estimée. Les auteurs ont testé cette approche sur trois tâches simulées (Mug, Square, Stack) soumises à cinq schémas de mouvement différents, ainsi que sur deux tâches réelles baptisées Gantry et Peachtree. Résultat annoncé : la méthode améliore le taux de réussite sur objets en mouvement par rapport aux références, sans dégrader les performances sur objets statiques. Pour l'industrie robotique, ce travail s'attaque directement à l'un des écarts les plus cités entre démonstration et réalité : les politiques d'apprentissage par imitation, notamment les architectures VLA, échouent souvent dès qu'un objet bouge, ce qui limite leur usage en logistique, en tri agroalimentaire ou sur ligne d'assemblage où rien n'est jamais parfaitement immobile. Si la généralisation tient au-delà des bancs d'essai publiés, cela ouvrirait la voie à des politiques entraînées uniquement sur données statiques, moins coûteuses à collecter, tout en couvrant des scénarios dynamiques sans réentraînement dédié. Reste que les résultats proviennent pour l'instant d'un seul article, sur un nombre limité de tâches, sans comparaison avec des solutions industrielles déjà déployées en usine. Cette publication s'inscrit dans un courant de recherche actif sur les politiques visuomotrices et les architectures vision-langage-action, où des équipes travaillant sur des modèles comme Pi-0 ou GR00T explorent déjà la généralisation à des environnements moins contrôlés. SIDO se distingue par une approche légère, une simple augmentation de données combinée à un module de prédiction de pose, plutôt qu'une réarchitecture complète du modèle. Les auteurs mettent à disposition un site de projet dédié pour la documentation et le code, mais aucun calendrier de transfert vers un produit commercial ou un partenariat industriel n'est mentionné à ce stade.

Recherche❖Paper

1 source

41

462arXiv cs.RO 

La communication sémantique entre robots : une démo de collaboration robotique orientée objectifs

Des chercheurs présentent dans un article déposé sur arXiv (2607.28256, juillet 2026) une démonstration de banc d'essai de communication sémantique orientée objectif (SemCom) entre un robot et un nœud périphérique, pensée comme cas d'usage représentatif de la 6G pour la robotique collaborative. Le système associe un robot mobile équipé de capteurs RGB-D et d'un LiDAR, fonctionnant sous ROS 2, à un nœud edge Jetson Orin chargé de la reconstruction, du mapping via RTAB-Map, du traitement sémantique des objets et d'une visualisation via tableau de bord dans le navigateur. Comme preuve de concept initiale, les images RGB sont encodées côté robot en tokens VQ-VAE grâce à un encodeur ONNX Runtime, puis reconstruites côté edge par un décodeur PyTorch. Une image de 320 x 240 pixels est ainsi représentée par une grille de tokens de 80 x 60, pour une charge utile compressée de 5400 octets, soit une réduction de 42,67 fois par rapport aux octets RGB bruts en entrée du modèle. Le flux visuel reconstruit est ensuite associé aux données de profondeur, de pose et de cartographie 3D pour générer une carte sémantique exploitable par des applications robotiques en aval. Cette démonstration illustre un changement de paradigme pour les réseaux robotiques : plutôt que d'optimiser le débit brut ou la fiabilité de livraison des paquets, l'approche SemCom cherche à ne transmettre que l'information utile à l'exécution de la mission, ce qui pourrait réduire fortement la bande passante nécessaire pour des flottes de robots connectés en périphérie de réseau. Un facteur de compression supérieur à 40x sur le flux vidéo, s'il se confirme sur des scènes plus complexes, ouvrirait la voie à un déploiement de robots mobiles sur des liaisons radio contraintes (5G/6G, environnements industriels denses) sans sacrifier la qualité de la cartographie ni la réactivité du contrôle en boucle fermée. Pour les intégrateurs et équipementiers travaillant sur les flottes de robots mobiles autonomes et la robotique collaborative, ce banc d'essai teste une hypothèse clé du secteur : découpler la perception embarquée à faible coût de calcul de la compréhension sémantique lourde déportée sur l'edge, sans dégrader le mapping ni l'interaction homme-machine. Ce travail s'inscrit dans une littérature de recherche croissante sur les communications sémantiques orientées tâche, portée par les discussions autour de la 6G, où la qualité de service ne se mesure plus seulement en débit ou latence mais en performance de la mission robotique elle-même. Contrairement aux annonces commerciales de robots humanoïdes type Figure ou Optimus, il s'agit ici d'une démonstration académique, à l'intersection du SemCom, de l'IA incarnée et de la robotique physique, sans acteur industriel identifié ni feuille de route de commercialisation. Les auteurs présentent leur plateforme comme une base pour de futures études de réseaux 6G orientées tâche, laissant ouvertes les questions de passage à l'échelle, de robustesse face à des scènes plus complexes et d'intégration avec des piles de navigation plus larges.

Recherche❖Paper

1 source

41

463arXiv cs.RO 

Laboratoire compact : apprentissage par imitation aligné sur la tâche pour l'automatisation

L'équipe de recherche à l'origine de l'article présente TVF-DiT, un système compact d'apprentissage par imitation destiné à l'automatisation de laboratoires. Le modèle aligne un modèle de vision auto-supervisé avec un modèle vision-langage via un adaptateur compact, puis couple l'ensemble à un expert d'action basé sur un Diffusion Transformer. L'architecture complète totalise moins de 500 millions de paramètres, ce qui permet une inférence sur des GPU à faible VRAM, contrairement aux modèles fondation classiques utilisés en robotique. Testé sur trois tâches réelles de laboratoire, nettoyage de tubes à essai, rangement de tubes à essai et transfert de poudre, le système atteint un taux de réussite moyen de 86,6%, nettement supérieur aux autres approches légères comparées dans l'étude. Les chercheurs notent également que des prompts de tâche plus détaillés améliorent l'alignement vision-langage et les performances globales. Ce résultat compte parce qu'il attaque un vrai goulot d'étranglement de l'automatisation de laboratoire: les techniques d'apprentissage par imitation les plus performantes reposent en général sur de gros modèles fondation, gourmands en calcul, difficiles à déployer sur du matériel de laboratoire standard. En démontrant qu'un modèle compact, correctement aligné, peut approcher les performances de systèmes plus lourds sur des tâches réelles et non simulées, l'étude apporte un argument concret contre l'idée que seule l'échelle garantit la généralisation. Pour les intégrateurs et décideurs qui équipent des laboratoires automatisés, cela ouvre la porte à des déploiements moins coûteux en infrastructure GPU, sans sacrifier la flexibilité promise par l'apprentissage par imitation face aux pipelines de mouvement codés à la main. L'automatisation de laboratoire s'est longtemps appuyée sur des pipelines de mouvement conçus sur mesure et des interfaces matérielles spécifiques à chaque tâche, coûteuses à développer et peu adaptables à de nouveaux protocoles. Les approches récentes d'apprentissage par imitation, popularisées dans la robotique générale par des modèles vision-langage-action, ont montré qu'un robot pouvait apprendre des comportements généraux à partir de démonstrations, mais au prix de ressources de calcul importantes. TVF-DiT s'inscrit dans cette lignée en cherchant à réduire ce coût computationnel tout en conservant l'essentiel des capacités. L'article, publié en version révisée sur arXiv, ouvre la voie à des validations sur davantage de tâches et de configurations matérielles avant d'envisager un déploiement plus large en environnement industriel ou académique.

Recherche❖Paper

1 source

40

464arXiv cs.RO 

Robots sociaux : apprendre la navigation en détectant les jambes humaines

Des chercheurs présentent CALF (Convolutional Attention for Leg Features), une architecture neuronale de bout en bout qui permet à un robot mobile de naviguer parmi des piétons en interprétant directement le mouvement des jambes détecté par un LiDAR 2D. Le constat de départ est simple : la plupart des robots de navigation sociale portent leur LiDAR près du sol, où le capteur perçoit surtout des jambes en mouvement plutôt que des silhouettes humaines complètes, alors que les méthodes d'apprentissage existantes continuent de modéliser les piétons comme de simples cercles. CALF combine couches convolutives, mécanisme d'attention et MLP pour produire des commandes de navigation à partir de ces données brutes. La politique est entraînée par apprentissage par renforcement profond dans LegNav, un simulateur 2D léger développé pour l'occasion, qui associe un lancer de rayons LiDAR et un nouveau modèle de démarche piétonne. Écrit en JAX, LegNav permet d'entraîner une politique CALF prête au déploiement en moins d'une heure sur un seul GPU grand public. La méthode a été validée en conditions réelles par un déploiement zero-shot sur un robot TurtleBot 4, produisant des trajectoires fluides et jugées socialement conformes. Ce travail cible un point aveugle fréquent des systèmes de navigation sociale : la simplification excessive de la perception humaine, qui limite la finesse des comportements d'évitement et d'anticipation en environnement piéton dense. En démontrant qu'une politique entraînée uniquement en simulation transfère avec succès vers un robot réel sans réentraînement, l'étude apporte un élément concret au débat sur l'écart entre simulation et réalité (sim-to-real gap) dans la robotique mobile, un enjeu central pour les intégrateurs qui déploient des AMR (robots mobiles autonomes) en entrepôt, en hôpital ou en espace public. Le coût d'entraînement réduit, moins d'une heure sur un GPU standard, abaisse également la barrière d'accès pour les équipes de recherche appliquée. Cette publication s'inscrit dans un courant de recherche plus large sur la navigation sociale des robots, où la représentation fine des piétons (pose, démarche, intention) est identifiée comme un levier clé pour dépasser les modèles géométriques simplistes hérités de la robotique classique. L'article, disponible sur arXiv (2607.27922v1), ouvre la voie à des extensions possibles vers des capteurs additionnels ou des scénarios de foule plus denses, sans que les auteurs n'annoncent à ce stade de calendrier de déploiement industriel.

Recherche❖Paper

1 source

40

465arXiv cs.RO 

PAC-MAN : apprentissage par renforcement avec CBF conscient de la perception pour la sécurité corporelle en dodgeball humanoïde

Des chercheurs présentent PAC-MAN (Perception-Aware CBF-RL), un cadre d'apprentissage par renforcement associé à des fonctions barrières de contrôle (CBF) pour la sécurité corporelle complète d'un robot humanoïde soumis à un jeu de ballon prisonnier. La politique déployée ne perçoit la balle que via une profondeur segmentée sémantiquement, captée par une caméra montée sur la tête, tandis que l'entraînement utilise une guidance CBF calculant la distance de sécurité pour chaque segment du corps, régularisée par un prior de mouvement adversarial. Le système a été testé sur un banc d'essai contrôlé avec lancers programmés, selon deux régimes : lancers isolés et boucle de déploiement où le robot retourne à son poste et récupère entre deux lancers. Déployée sans réentraînement (zero-shot) sur un Unitree G1 réel, la politique légère "Link-CBF" réussit à esquiver 95% des lancers et s'appuie sur la segmentation sémantique pour éviter différents types de balles. L'enseignement principal dépasse le simple exercice ludique : la politique embarquée, limitée à une caméra fixe, arrive à quelques points seulement des performances d'un oracle disposant d'un état complet et privilégié de la scène, ce qui suggère qu'une perception réaliste et peu coûteuse suffit pour des réflexes d'évitement corporel complet. C'est un signal notable pour l'industrie robotique alors que la sécurité réactive reste un point faible des humanoïdes déployés en environnement partagé avec des humains : le travail montre que le fossé habituel entre démonstration en simulation et réalité de terrain peut être réduit sur des tâches de sécurité, sans capteurs de suivi dédiés ni filtrage d'état privilégié à l'exécution. Le papier s'inscrit dans la lignée des travaux combinant CBF, technique établie en robotique de contrôle pour garantir des contraintes de sécurité, et apprentissage par renforcement, un couplage de plus en plus exploré pour le contrôle corporel complet des humanoïdes. Les auteurs montrent aussi qu'une structure de barrière par articulation (Joint-CBF) offre les meilleures performances avec un état de balle précis, mais se dégrade avec une caméra fixe seule, sauf à ajouter un gimbal de suivi ou un filtre d'état privilégié à l'exécution, d'où le choix d'une variante par liaison (Link-CBF) plus robuste pour le déploiement réel sur le G1.

Recherche❖Paper

1 source

39

466arXiv cs.RO 

Communication à base d'agents axée objectif pour l'évitement d'obstacles robotique via ISAC

Cet évitement d'obstacles pour drones s'appuie sur un nouveau cadre nommé GOSC (goal-oriented semantic communication), conçu pour optimiser les échanges entre une station de base ISAC (integrated sensing and communication) et un UAV. Publié sur arXiv (2603.02291v2, version de remplacement), le système combine trois briques : un filtre de Kalman qui prédit en continu la position du drone afin de réduire la dépendance à une transmission ininterrompue des signaux de détection, une approche MD-DWA (Mahalanobis distance-based dynamic window approach) qui génère les commandes de navigation en tenant compte de l'incertitude de position, avec une expression mathématique de la distance de Mahalanobis minimale garantissant l'absence de collision, et un réseau E-DQN (effectiveness-aware deep Q-network) qui décide, signal par signal, s'il faut transmettre la détection ou la commande selon leur valeur informationnelle (VoI). Face à un système ISAC classique qui transmet à chaque intervalle de temps, GOSC atteint le même taux de réussite de tâche de 100 % tout en réduisant de 92,4 % le nombre de signaux de détection et de commande transmis, et de 85,5 % le nombre de créneaux de transmission utilisés, selon les simulations des auteurs. Pour l'industrie robotique et les intégrateurs de flottes de drones, ce type d'approche répond à un problème concret : la bande passante et l'énergie consommées par une liaison de contrôle permanente entre un drone et son infrastructure au sol. En ne transmettant que l'information qui change réellement la trajectoire ou la perception du danger, GOSC illustre une tendance de fond en communication au-delà de la 5G, où le canal radio n'est plus dimensionné pour transporter des données brutes en continu, mais uniquement ce qui a un impact sur l'objectif de la mission. Cela ouvre la voie à des essaims de drones plus denses sur une même infrastructure ISAC, ou à des opérations en environnement contraint en bande passante, comme l'inspection industrielle ou la logistique en intérieur. Ce travail s'inscrit dans le courant de recherche dit "semantic communication", qui cherche depuis plusieurs années à transmettre le sens plutôt que les bits bruts, un axe exploré notamment autour des futurs réseaux 6G où détection radar et communication partagent la même infrastructure. Cette version republiée sur arXiv ne mentionne encore aucun déploiement matériel ni partenaire industriel : il s'agit pour l'instant d'un travail de simulation, dont la suite logique serait une validation sur banc d'essai avec un drone réel et une station de base ISAC physique.

Recherche❖Paper

1 source

39

467arXiv cs.RO 

FA-RDP : une politique de diffusion réactive adaptative en fréquence pour la manipulation à contact riche

FA-RDP, une politique de diffusion réactive à fréquence adaptative pour la manipulation robotique riche en contacts, a été présentée dans un article arXiv (2607.28596v1). Le problème identifié par les auteurs est le suivant: avant le contact entre un effecteur et un objet, plusieurs trajectoires sont valables et il faut préserver cette diversité de modes d'action; après le contact, les contraintes géométriques et les limites de force réduisent l'espace des solutions et exigent une réaction rapide au retour de force. Les politiques de diffusion classiques utilisent une fréquence d'inférence et un nombre d'étapes fixes tout au long de l'épisode, ce qui impose un compromis: un échantillonnage basse fréquence à plusieurs étapes préserve mieux la multimodalité pré-contact mais réagit lentement à la force, tandis qu'un échantillonnage haute fréquence améliore la réactivité mais tend à effondrer les modes distincts. FA-RDP répond à ce compromis via un Transformer visuel-force multi-fréquence partagé qui prédit des blocs d'action à basse et haute fréquence, couplé à un indicateur de multimodalité appris qui bascule dynamiquement entre échantillonnage multi-étapes basse fréquence avant contact et échantillonnage à une étape haute fréquence quand l'ambiguïté diminue. Les auteurs ajoutent une distillation de cohérence de variété (Manifold Consistency Distillation, MCD), qui reparamètre le réseau de diffusion pour prédire les actions directement sur la variété d'action du robot tout en conservant la supervision résiduelle de type DDPM. Pour l'industrie robotique, cette approche s'attaque à un goulot d'étranglement concret des politiques par diffusion en manipulation fine: le compromis entre diversité des trajectoires et vitesse de réaction en temps réel, un frein connu pour les tâches d'assemblage, d'insertion ou de manipulation avec contact physique. Si les résultats se confirment à plus grande échelle, cela renforcerait la viabilité des politiques de diffusion pour des applications industrielles où la précision au contact (force, couple) est critique, un axe suivi de près par les intégrateurs travaillant sur l'automatisation fine et la robotique collaborative. Les expériences ont porté sur trois tâches de manipulation riche en contacts, où FA-RDP obtient le taux de réussite le plus élevé tout en conservant des trajectoires pré-contact diversifiées, comparé aux approches à fréquence fixe. Le travail s'inscrit dans la lignée des politiques de diffusion pour le contrôle robotique (dans la continuité de Diffusion Policy et d'approches VLA comme Pi-0 ou GR00T), un champ de recherche actif où la question de la fréquence d'inférence et de la réactivité reste ouverte. Le code et des vidéos de démonstration sont disponibles sur fa-rdp.github.io, mais aucune information sur un déploiement matériel réel ou une intégration industrielle n'est mentionnée à ce stade: il s'agit d'un résultat de recherche en simulation/laboratoire, pas d'un produit commercialisé.

Recherche❖Paper

1 source

39

468arXiv cs.RO 

RMBench : évaluation robotique des tâches dépendantes de la mémoire et implications pour la conception des politiques

La plupart des politiques de manipulation robotique développées ces dernières années accordent peu d'attention à la mémoire, ce qui les empêche de résoudre des tâches nécessitant un raisonnement sur des observations passées ou le maintien d'informations pertinentes dans la durée, deux exigences pourtant courantes en conditions réelles. Pour combler ce manque, une équipe de recherche présente RMBench, un benchmark de simulation composé de 9 tâches de manipulation couvrant plusieurs niveaux de complexité mémorielle, permettant d'évaluer systématiquement les capacités de mémoire des politiques robotiques. Les chercheurs proposent également Mem-0, une politique de manipulation modulaire dotée de composants de mémoire explicites, conçue pour permettre des études d'ablation contrôlées. Le travail s'appuie à la fois sur des expériences en simulation et en conditions réelles, et le site du projet est accessible à l'adresse rmbench.github.io. Ce travail est significatif car il met le doigt sur un angle mort persistant du secteur de la manipulation robotique par apprentissage : les modèles vision-langage-action (VLA) et autres politiques d'imitation progressent vite sur des tâches ponctuelles, mais la capacité à raisonner sur un historique d'observations, condition nécessaire pour de nombreuses tâches industrielles réelles comme le tri, l'assemblage séquentiel ou la manipulation d'objets partiellement occultés, reste peu testée et mal comprise. En fournissant un cadre d'évaluation standardisé plutôt que des démonstrations isolées, RMBench permet de distinguer les architectures qui gèrent réellement la mémoire de celles qui exploitent des raccourcis propres à un jeu de données, une nuance cruciale pour les intégrateurs qui évaluent la fiabilité d'une politique avant déploiement. Plusieurs politiques dites "memory-aware" avaient déjà été proposées dans la littérature, mais sans évaluation systématique ni compréhension claire du lien entre choix d'architecture et performance mémorielle. RMBench et Mem-0 s'inscrivent dans cette lignée de recherche en offrant un terrain de comparaison commun. Les auteurs indiquent avoir identifié, via leurs expériences, des limites mémorielles concrètes dans les politiques existantes, et fournissent des enseignements empiriques sur les choix de conception à privilégier. La publication constitue une révision (v3) d'un article déjà déposé sur arXiv, signe d'itérations successives avant une possible soumission à une conférence de robotique ou d'apprentissage automatique.

Recherche❖Paper

1 source

39

469arXiv cs.RO 

Metrics ou enquêtes : une analyse pour un benchmark aligné sur l'humain en navigation robotique sociale

Une équipe de recherche publie une étude comparant les métriques numériques et les enquêtes humaines utilisées pour évaluer la navigation sociale des robots mobiles, c'est-à-dire leur capacité à se déplacer dans des environnements peuplés d'humains de façon sûre, confortable et lisible. Le papier, disponible sur arXiv (identifiant 2510.02941, version de remplacement), part d'un constat simple : évaluer un robot sur ces critères passe généralement par des enquêtes auprès d'utilisateurs, jugées fiables mais coûteuses, chronophages et difficiles à reproduire ou à comparer d'un système à l'autre. À l'inverse, les métriques numériques (distances de sécurité, fluidité de trajectoire, temps d'arrêt, etc.) sont rapides à calculer et permettent des comparaisons directes entre systèmes, mais la communauté scientifique n'a toujours pas convergé vers un ensemble standard de mesures. Les auteurs cherchent donc à établir si certaines métriques quantitatives corrèlent avec le ressenti humain, dans l'idée qu'elles pourraient servir de substitut partiel aux enquêtes à grande échelle lorsque celles-ci ne sont pas envisageables. L'enjeu dépasse la simple question méthodologique : sans référentiel d'évaluation commun, il devient difficile de comparer objectivement les performances de différents algorithmes de navigation sociale, ce qui freine autant la recherche académique que l'industrialisation de robots destinés à opérer parmi des humains (entrepôts, hôpitaux, espaces publics). Les résultats de l'étude montrent que les métriques actuelles ne captent qu'une partie du comportement observé, tandis que des facteurs subjectifs importants, comme le sentiment de confort ou de prévisibilité ressenti par les passants, restent mal représentés par les outils numériques existants. Ce travail s'inscrit dans un débat plus large sur la standardisation de l'évaluation en robotique sociale, un domaine où les benchmarks peinent à s'imposer faute de consensus, contrairement à d'autres branches de la robotique mobile. Les auteurs appellent à la conception de nouvelles métriques mieux alignées sur la perception humaine, une piste qui pourrait à terme faciliter des comparaisons reproductibles entre systèmes concurrents sans recourir systématiquement à des campagnes d'enquêtes lourdes.

Recherche❖Paper

1 source

39

470arXiv cs.RO 

Un future, tous les robots : prédiction de l'état collectif avec JEPA décentralisé, efficace en étiquetage

Traduction et résumé en français : Des chercheurs présentent CS-JEPA (Collective-State JEPA), une architecture récurrente d'apprentissage par embeddings partagés permettant à chaque robot d'un essaim de prédire un même état collectif futur à partir de ses seules observations locales et de messages limités en bande passante, décrite dans arXiv:2607.28443v1. Au déploiement, chaque robot ne s'appuie que sur un historique local de 16 frames et un message récurrent de 64 flottants par lien dirigé, sans pooling global, sans encodeur cible, sans horloge d'épisode ni action future enregistrée. Après un pré-entraînement sans étiquettes collectives, les représentations gelées sont évaluées via des sondes ridge entraînées sur seulement 6, 12 ou 24 épisodes étiquetés. Face à une baseline de reconstruction directe du futur dotée de 9607 paramètres supplémentaires à l'entraînement, une étude pré-enregistrée à cinq graines montre CS-JEPA meilleur dans 5 cas sur 5, sur des topologies en anneau, en k-plus-proches-voisins mutuels et sur des tailles d'essaim inédites allant jusqu'à 108 robots. Une seconde étude scellée à huit graines, où les robots évaluent des plans à quatre pas avant de produire leurs prédictions, montre une réduction de 45,5% de l'erreur sur la valeur des branches et un gain de 0,1291 de corrélation de Pearson sur le score des candidats, avec un effet favorable dans les 8 graines, y compris pour une taille inédite de 32 robots. Ce résultat cible un problème central de la robotique en essaim décentralisée: faire converger plusieurs agents autonomes vers la même estimation d'état collectif futur sans communication centralisée ni supervision massive. En battant une reconstruction directe du futur à capacité de déploiement égale, l'étude apporte un argument concret en faveur des cibles JEPA comme primitive efficace en étiquettes pour la prédiction distribuée, y compris quand la topologie du réseau ou la taille de l'essaim change au moment du déploiement. Pour les concepteurs de flottes de drones, de robots mobiles ou de systèmes multi-agents, cela ouvre une voie pour réduire le coût d'étiquetage tout en conservant une robustesse au changement d'échelle, un problème récurrent dès qu'un essaim réel dépasse les configurations testées en simulation. Le gain observé sur l'estimation de valeur conditionnée par un plan renforce aussi l'intérêt de l'approche pour la planification distribuée, où chaque robot doit juger des candidats d'action sans vue globale du système. CS-JEPA s'inscrit dans la lignée des architectures de prédiction par embeddings partagés, déjà utilisées en apprentissage de représentations pour éviter la reconstruction pixel par pixel, ici transposées au cas multi-agent décentralisé. Les auteurs comparent volontairement leur méthode à une baseline plus riche en paramètres d'entraînement pour écarter l'hypothèse d'un avantage lié à la seule capacité du modèle, et testent la généralisation sur plusieurs topologies et tailles d'essaim non vues à l'entraînement. Le travail reste pour l'instant limité à des simulations évaluées par sondes linéaires; la validation sur essaim physique et la comparaison à d'autres primitives de prédiction distribuée constituent les suites logiques.

Recherche❖Paper

1 source

39

471arXiv cs.RO 

Robuste sans se contenter de plus de démonstrations : couvrir la sensibilité contrefactuelle des actions pour l'imitation robotique

Une équipe de recherche propose sur arXiv une méthode baptisée CFNBC (Counterfactual Nuisance Behaviour Cloning), un cadre de sélection de données hors ligne destiné à réparer la robustesse des politiques d'apprentissage par imitation visuomotrice pour la manipulation robotique. Le problème visé est bien connu : une politique entraînée sur des démonstrations « propres » peut réussir une tâche de manipulation en conditions contrôlées, mais voir ses performances s'effondrer face à de simples variations visuelles sans lien avec la tâche elle-même, comme un changement d'éclairage, l'ajout d'objets distracteurs ou une modification de couleur. La méthode part d'une politique entraînée normalement, génère des paires d'observations « propre » et « bruitée » qui préservent la même action experte, puis mesure le « décalage d'action » : l'écart entre l'action prédite par la politique selon que l'observation contient ou non le bruit visuel. Ce signal, propre à chaque politique, permet de sélectionner un lot compact et diversifié de démonstrations correctives parmi un plus grand ensemble de candidats, sans nécessiter d'exécution en ligne ni d'étiquettes de succès. Testée sur deux bancs d'essai simulés (transfert de cube bimanuel sous MuJoCo et empilement de cubes sous SimplerEnv), l'approche montre qu'avec seulement 20 à 30 exemples sélectionnés, elle surpasse nettement une sélection aléatoire à budget égal et se rapproche des performances obtenues avec des budgets aléatoires bien plus larges. L'intérêt pour l'industrie tient à la promesse d'un data-centrisme ciblé : plutôt que de multiplier les démonstrations pour espérer couvrir toutes les variations possibles, les auteurs montrent qu'il suffit d'identifier les quelques exemples qui corrigent les modes de réponse fragiles d'une politique donnée. Pour les équipes qui déploient des politiques vision-langage-action au-delà du laboratoire, c'est un levier potentiel pour réduire le coût de collecte de données tout en s'attaquant directement à l'écart bien documenté entre démonstrations impressionnantes et robustesse réelle en conditions variables. Ce travail s'inscrit dans une recherche plus large sur la fragilité des politiques d'imitation face aux nuisances visuelles, un défi central à mesure que les architectures de type VLA gagnent en ambition. Les résultats restent pour l'instant limités à des environnements simulés et des tâches de manipulation de cubes ; la validation sur robots physiques et tâches plus complexes reste l'étape suivante logique.

Recherche❖Paper

1 source

39

472arXiv cs.RO 

SharedAssembly : une méthode de collecte de données par téléassemblage partagé

Des chercheurs ont présenté SharedAssembly, un cadre de téléopération bilatérale à autonomie partagée conçu pour accélérer la collecte de démonstrations d'assemblage de haute précision destinées à l'entraînement de modèles robotiques fondamentaux sensibles au toucher. Le système intègre une intelligence spécifique à la tâche d'assemblage à la fois côté opérateur (leader) et côté robot (follower), afin de faciliter le pilotage de tâches à jeu très serré, de l'ordre du sous-millimètre. Lors d'études utilisateurs réalisées en conditions réelles, SharedAssembly atteint un taux de réussite d'assemblage de 97 %, tout en réduisant nettement le temps nécessaire pour compléter chaque tâche. Fait notable, ces gains de performance s'accentuent encore lorsque la tolérance mécanique diminue, c'est-à-dire précisément quand les tâches deviennent les plus difficiles à réaliser manuellement. Le papier, publié sur arXiv (2503.12287v2), est une version révisée d'un travail antérieur. Ce résultat s'attaque à un goulot d'étranglement bien identifié dans le développement de modèles robotiques génériques de type VLA (vision-language-action) : la manipulation en contact riche, comme l'insertion de connecteurs ou l'assemblage de pièces mécaniques à faible tolérance, nécessite des démonstrations massives et de haute qualité, difficiles à produire avec les interfaces de téléopération classiques qui exigent une expertise poussée. SharedAssembly montre qu'un opérateur novice peut égaler, voire dépasser, les performances d'un expert utilisant un système conventionnel, ce qui réduit la barrière de compétence à l'entrée. Pour les équipes qui construisent des jeux de données d'assemblage à grande échelle, cela signifie un vivier d'opérateurs élargi et un coût de collecte potentiellement réduit. La collecte de démonstrations reste un frein majeur au passage des modèles de manipulation du laboratoire à des applications industrielles fiables, à l'image des efforts déployés autour d'architectures comme Pi-0 ou GR00T pour entraîner des politiques génériques à partir de données télé-opérées. En s'appuyant sur l'autonomie partagée plutôt que sur une téléopération purement manuelle ou une automatisation complète, SharedAssembly se positionne comme une brique intermédiaire pour la collecte de données d'assemblage contraint, un domaine où peu de frameworks publiés démontrent un tel niveau de fiabilité sur des tolérances aussi fines. Le papier ne précise pas de calendrier de déploiement industriel ni d'intégration à un pipeline commercial existant.

Recherche❖Paper

1 source

39

473arXiv cs.RO 

SemAnCorr : correspondance à ancrage sémantique pour le transfert de compétences de manipulation sans exemple

Un article de recherche publié sur arXiv (n°2607.28382v1) présente SemAnCorr, une méthode de correspondance sémantique pour le transfert de compétences de manipulation robotique entre objets de forme différente mais de fonction similaire. Le système est entièrement "training-free" : il sélectionne des régions d'ancrage sémantiquement cohérentes via une optimisation conjointe pose-correspondance, puis propage ces contraintes sur toute la surface de l'objet grâce à des cartes fonctionnelles (functional maps). Sur un benchmark de correspondance dense construit à partir de PartNet-Mobility, la méthode atteint 90,8% de précision sémantique, tout en améliorant la cohérence géométrique par rapport aux meilleures approches existantes. Les auteurs montrent aussi qu'à partir d'une seule démonstration, SemAnCorr permet un transfert zero-shot nettement plus fiable vers des objets jamais vus, en conditions réelles. Vidéos et visualisations sont disponibles sur semancorr.github.io. Le problème visé est central en apprentissage robotique : un bras qui sait ouvrir un tiroir doit pouvoir généraliser à un tiroir de forme différente sans nouvel apprentissage. Les méthodes récentes s'appuient sur des descripteurs visuels denses et des champs de features 3D, mais le simple appariement par plus proche voisin produit souvent des correspondances spatialement incohérentes, incapables de restituer les repères géométriques locaux nécessaires à un transfert fiable. En résolvant conjointement la cohérence sémantique et géométrique, SemAnCorr s'attaque directement à cet écart entre correspondance visuelle et geste manipulable, un enjeu clé pour les intégrateurs qui veulent déployer des robots capables de s'adapter à des variantes d'objets sans reprogrammation coûteuse. Il s'agit pour l'instant d'une publication académique, non d'un produit commercial : les résultats reposent sur un benchmark contrôlé et des démonstrations en une seule prise, sans indication de déploiement industriel. La comparaison est faite face aux méthodes de pointe récentes en correspondance dense par descripteurs et champs de features, un axe de recherche actif depuis l'essor des politiques VLA. Les auteurs annoncent la mise à disposition de vidéos et de visualisations complémentaires, mais aucune feuille de route de transfert vers l'industrie n'est précisée à ce stade.

Recherche❖Paper

1 source

38

474arXiv cs.RO 

FasTac : un capteur tactile courbe multispectral basé sur la vision pour la perception 3D de forme et de force à haute vitesse et haute précision

Le laboratoire à l'origine de FasTac présente un capteur tactile visuel courbe conçu pour les doigts de préhenseurs dextres, combinant imagerie photométrique multispectrale et estimation de force par convolution dynamique, le tout embarqué sur un FPGA. Le système capture simultanément plusieurs longueurs d'onde via un seul capteur image pour reconstruire la normale de surface, puis applique une reconstruction de profondeur par équation de Poisson accélérée grâce à un a priori sur les contours de contact. Le module HyperForce, basé sur une convolution dynamique sensible à la position, estime les forces selon trois axes en tenant compte de la réponse mécanique non uniforme des élastomères courbes. Les résultats publiés montrent que l'éclairage proche infrarouge combiné à cet a priori de contour réduit l'erreur moyenne absolue de profondeur de 0,2730 mm à 0,0415 mm. HyperForce atteint des erreurs normalisées de 2,74% pour les forces normales et 2,39% pour les forces de cisaillement. Le portage sur FPGA fait chuter la latence de traitement de bout en bout de 3,26 ms sur GPU à 1,09 ms. Ce résultat s'attaque à un compromis persistant dans les capteurs tactiles à vision : les systèmes existants doivent généralement sacrifier soit la précision de reconstruction 3D, soit la vitesse de traitement, soit l'estimation fiable des forces tangentielles. Une latence sous la milliseconde ouvre la voie à des boucles de rétroaction tactile en temps réel pour la préhension dextre, un enjeu central pour les mains robotiques et les préhenseurs de précision utilisés en assemblage industriel ou en manipulation d'objets fragiles. Pour les intégrateurs, cela représente une brique potentielle pour rapprocher les capteurs tactiles vision des exigences de contrôle en boucle fermée à haute fréquence, jusqu'ici dominées par les capteurs de force résistifs ou capacitifs plus rapides mais moins riches en information géométrique. FasTac s'inscrit dans la lignée des capteurs tactiles à vision de type GelSight ou DIGIT, tout en cherchant à corriger leurs limites de vitesse et de précision combinées sur des surfaces courbes plutôt que planes. Il s'agit à ce stade d'un article de recherche déposé sur arXiv, validé par des expériences de reconstruction multi-objets, de préhension asservie et de mesure vibratoire, sans indication de déploiement industriel ou de partenariat commercial annoncé.

Recherche❖Paper

1 source

38

475arXiv cs.RO 

Robot2Air : transfert de squelette inter-incarnations pour la formation en relais 3D

Des chercheurs ont publié sur arXiv (papier arXiv:2607.27627v1) un système baptisé Arm2Air, qui transfère des compétences d'évitement d'obstacles apprises sur des bras robotiques vers le placement de drones relais formant un réseau de communication d'urgence. Les mouvements d'un bras robotique, générés par un modèle pré-entraîné nommé Neural MP, sont convertis en trajectoires ordonnées servant à pré-entraîner une plateforme de transfert basée sur un transformeur, ensuite adaptée au domaine des drones via une méthode d'adaptation à faible rang (LoRA) avec peu de données cibles. La trajectoire transférée initialise une chaîne de relais optimisée pour la capacité réseau, le délai et le coût de déplacement. Sur neuf cartes urbaines 3D denses en obstacles, Arm2Air réduit de 64,9% le temps de calcul médian par rapport au meilleur planificateur classique. Sur un second jeu de 30 cartes, dans le sous-groupe le plus obstrué, la capacité du goulot d'étranglement augmente de 32,6%, sa variance chute de 74,7%, la distance de saut maximale baisse de 13,2% et le déplacement des relais de 16,9%, comparé à l'algorithme IMPC-MD. Avec seulement trois cartes d'entraînement dans le domaine cible, l'erreur de position des relais chute de 53,6% par rapport à un entraînement from scratch, en ne mettant à jour que 134 000 paramètres contre 1,38 million pour les méthodes classiques. Ce travail répond à un problème concret : après un sinistre ou une panne réseau, restaurer une connectivité en zone urbaine dense exige de positionner des drones relais en tenant compte simultanément de la ligne de vue, de la portée radio, de l'altitude et des obstacles tridimensionnels, un calcul combinatoire coûteux en temps réel. En montrant qu'un savoir-faire d'évitement d'obstacles appris sur un bras manipulateur, domaine sans contrainte radio ni dynamique de vol, se transfère efficacement à la planification de trajectoires de drones, Arm2Air illustre un principe plus large : des priors structurels ordonnés peuvent traverser des tâches robotiques hétérogènes sans réapprentissage coûteux. Pour les opérateurs de flottes de drones, l'intérêt est double : une replanification plus rapide sur le terrain, et une adaptation à faible coût en données pour chaque nouveau site. Arm2Air s'inscrit dans une tendance de recherche consistant à réutiliser des modèles pré-entraînés sur une morphologie, souvent des bras manipulateurs, pour accélérer l'apprentissage sur une autre, comme les véhicules aériens, à mesure que des modèles de fondation robotiques tels que Neural MP deviennent des briques réutilisables. Le papier reste un travail académique en preprint, sans acteur industriel identifié ni déploiement réel annoncé, comparé uniquement à des planificateurs conventionnels et à IMPC-MD. La suite logique consisterait à valider l'approche sur des drones physiques plutôt que sur cartes simulées, et à tester le transfert de squelette sur d'autres couples de robots hétérogènes.

Recherche❖Paper

1 source

38

476arXiv cs.RO 

CLAM : modèles d'action latente continue pour l'apprentissage robotique à partir de démonstrations non étiquetées

Un nouveau papier arXiv (2505.04999v2, version révisée) présente CLAM, pour Continuous Latent Action Models, une méthode d'apprentissage de politiques de contrôle robotique qui se passe des démonstrations à actions étiquetées, coûteuses à collecter en téléopération. Le principe : à partir de simples séquences d'observations (sans étiquette d'action), un modèle infère des actions latentes continues entre deux images consécutives via une prédiction de dynamique auto-supervisée. Pour transformer ces actions latentes en commandes moteur réellement exécutables, les chercheurs entraînent conjointement un décodeur d'actions sur un petit volume de données dites "de jeu" (play data), c'est-à-dire des interactions non ciblées sur une tâche précise mais qui, elles, comportent des actions étiquetées. Les tests couvrent la locomotion sur DMControl, la manipulation sur MetaWorld, et des tâches réelles sur un bras robotique WidowX. Résultat annoncé : un taux de réussite moyen multiplié par 2 à 3 par rapport aux précédentes méthodes à actions latentes, avec des performances qui se rapprochent du behavior cloning entraîné sur des actions expertes complètes, la référence "privilégiée" du domaine. L'enjeu dépasse la seule performance technique : le goulot d'étranglement de l'apprentissage par imitation reste la collecte de démonstrations étiquetées, un processus lent et onéreux en téléopération. Si des politiques efficaces peuvent être apprises depuis de simples vidéos ou séquences d'observations, cela ouvre la voie à des jeux de données bien plus larges et moins chers à constituer, en combinant une masse de démonstrations non étiquetées avec un minimum de données annotées. Il faut toutefois noter que la validation reste majoritairement en simulation, avec un unique bras WidowX pour la partie matérielle réelle : il s'agit d'une preuve de concept académique, pas d'un déploiement industriel à l'échelle. CLAM s'inscrit dans la lignée des travaux sur les modèles d'action latente et de monde pour la robotique, qu'il cherche explicitement à surpasser en tant que base de comparaison. Il se distingue de l'approche dominante des modèles vision-langage-action comme Pi-0 ou GR00T N2, qui reposent sur de vastes corpus d'actions étiquetées. Code et vidéos sont publiés sur clamrobot.github.io, laissant la porte ouverte à des reproductions et extensions par la communauté.

Recherche❖Paper

1 source

38

477arXiv cs.RO 

UniCross : synthèse unifiée de manipulation dextérique multi-compétences

Un preprint arXiv publié fin juillet 2026 (arXiv:2607.28198v1) présente UniCross, un cadre unifié pour la manipulation dextre robotique qui traite en une seule formulation les quatre compétences de base identifiées par les auteurs : la préhension (grasping), le déplacement d'objet (relocation), la rotation dans la main et la translation dans la main. Ces quatre gestes partagent les mêmes espaces d'état et d'action ainsi qu'une structure d'objectif commune, ce qui permet de distiller une politique unique capable d'exécuter chacune de ces compétences séparément, tout en généralisant à des objets jamais vus pendant l'entraînement et en restant robuste face à des perturbations externes. Le système chaîne également ces compétences pour réaliser des tâches de manipulation de plus long horizon, et transfère, selon les auteurs, à différentes morphologies de main robotique. L'abstract ne détaille pas de chiffres précis (taux de réussite, nombre d'objets testés, plateformes matérielles) : ces éléments restent à vérifier dans le corps du papier. L'enjeu dépasse la simple prouesse technique. Aujourd'hui, la manipulation dextre en robotique est presque toujours traitée comme un empilement de modules spécialisés, chacun avec ses propres contraintes d'action et parfois sa propre conception de main, ce qui casse la continuité nécessaire pour enchaîner plusieurs gestes dans une tâche complexe. Si une formulation partagée permet réellement d'obtenir une seule politique performante sur les quatre compétences, cela validerait l'idée qu'un modèle généraliste peut remplacer les pipelines fragmentés propres à chaque geste, une piste proche de l'esprit des approches VLA généralistes en manipulation robotique, mais appliquée ici spécifiquement à la dextérité de la main plutôt qu'aux bras et pinces classiques. Cette publication s'inscrit dans un courant de recherche plus large cherchant à unifier les politiques de manipulation dextre, un domaine longtemps dominé par des méthodes spécifiques à chaque tâche et à chaque morphologie de main, en particulier dans les travaux sur l'apprentissage par renforcement pour mains robotiques multi-doigts. S'agissant d'un preprint tout juste annoncé, sans mention d'un laboratoire ou d'une entreprise identifiable dans le résumé, il s'agit à ce stade d'une contribution académique et non d'un produit ou d'un déploiement industriel ; les prochaines étapes attendues sont la publication du code, des benchmarks détaillés et, potentiellement, des démonstrations sur du matériel physique au-delà de la simulation.

Recherche❖Paper

1 source

38

478arXiv cs.RO 

Robots relationnels : des graphes de scène pour comprendre les commandes en langage naturel

Des chercheurs proposent une méthode pour améliorer la capacité des robots à comprendre des commandes en langage naturel en enrichissant les graphes de scène 3D (3D scene graphs, 3DSG) de relations spatiales explicites entre objets. L'étude, publiée sur arXiv (2602.04635v2), combine deux pipelines construits à partir de modèles existants : un pipeline basé sur un grand modèle de langage (LLM) pour identifier l'objet cible à partir d'une commande en vocabulaire ouvert, et un pipeline basé sur un modèle vision-langage (VLM) qui ajoute des relations spatiales en vocabulaire ouvert au graphe de scène à partir d'images capturées pendant la cartographie du lieu. Les auteurs ont testé deux LLM sur 14 scènes différentes, avec 905 énoncés en langage naturel (786 générés de façon procédurale, 119 rédigés par des humains), pour évaluer la tâche d'ancrage de l'objet cible (target object grounding). Le résultat principal est que l'ajout de relations spatiales explicites améliore mesurablement la capacité des LLM à identifier le bon objet dans l'environnement, comblant un manque fréquent des 3DSG existants qui omettent ces relations alors que les humains s'appuient dessus pour décrire leur environnement. Pour les concepteurs de robots domestiques, d'entrepôt ou d'assistance, cela touche directement au goulot d'étranglement entre compréhension du langage et action physique concrète, un enjeu central pour les modèles vision-langage-action (VLA) et l'interaction homme-robot en conditions réelles plutôt qu'en démonstration contrôlée. L'étude montre aussi que générer ces relations spatiales en vocabulaire ouvert via un VLM est faisable directement depuis les images capturées par le robot, sans supervision manuelle. Ce travail s'inscrit dans la lignée des recherches sur les graphes de scène sémantiques pour la robotique cognitive, où la représentation de l'environnement sert de pont entre perception et planification d'actions. Les auteurs notent toutefois que leur analyse ne permet pas de trancher entre relations en vocabulaire ouvert ou fermé, une question qui reste ouverte pour les travaux futurs. Il s'agit d'une contribution académique à un stade de recherche, sans déploiement produit ni partenaire industriel annoncé.

Recherche❖Paper

1 source

38

479arXiv cs.RO 

TacWAM : un modèle d'action du monde guidé par ancrage, avec prédiction tactile sensible à la mécanique

Traduction-résumé de l'article arXiv ci-dessous, format demandé (3 paragraphes, sans titres). --- Des chercheurs présentent TacWAM (Anchor-Guided World Action Model with Mechanics-Aware Tactile Prediction), un modèle qui combine prédiction d'état futur et génération d'action pour des robots manipulateurs, en s'appuyant cette fois sur le tactile plutôt que sur la seule vision. Le système repose sur trois briques : un encodeur tactile à fusion spatialement alignée (SAF) qui projette apparence tactile, champs de force denses et flux de déformation dans un espace latent commun, avec reconstruction bilatérale des forces et couples pour préserver l'information de contact globale ; un encodeur d'historique tactile qui donne du contexte temporel à la prédiction future ; et un mécanisme d'attention tri-modal guidé par ancrage (AGT) qui sépare les tokens visuels et tactiles courants, les tokens de prédiction future et les tokens d'action, de façon à ce que la supervision par le tactile futur n'agisse pas comme un raccourci direct pour l'action. Sur quatre tâches réelles de manipulation à contact riche (prise d'objets fragiles, contact de surface soutenu, manipulation dynamique en main), TacWAM atteint un taux de réussite moyen de 75,0 %, soit 37,5 points de plus que la meilleure référence testée. Des ablations montrent une dégradation nette dès que l'historique tactile est retiré ou que l'accès aux cibles de prédiction future est relâché. L'enjeu dépasse la simple mesure de performance : la vision seule peine à fournir un signal utile pour la force, le glissement ou la déformation lors de tâches de contact fin, un angle mort connu des approches de manipulation par apprentissage. En montrant qu'une prédiction tactile future bien conçue, couplée à une architecture qui empêche cette prédiction de devenir une "triche" pour l'action, améliore significativement des tâches réputées difficiles (objets fragiles, contact soutenu), les auteurs apportent un argument concret en faveur de l'intégration native du tactile dans les futurs modèles de type "world action model", au-delà des architectures VLA aujourd'hui dominées par la vision et le langage. Ce travail s'inscrit dans la lignée des World Action Models, qui cherchent à unifier prédiction du monde et politique d'action pour améliorer la robustesse des robots manipulateurs, un axe déjà exploré via la vision par des modèles comme GR00T N2 ou Pi-0. TacWAM reste à ce stade une contribution de recherche publiée sur arXiv, validée sur un nombre restreint de tâches en laboratoire et non un système déployé industriellement ; ses auteurs annoncent vouloir approfondir les ablations et étendre l'évaluation à davantage de scénarios de contact.

Recherche❖Paper

1 source

38

480arXiv cs.RO 

Refonte de la trajectoire par apprentissage par renforcement : REFINE-DP affine le contrôle locomoteur-manipulateur des humanoïdes

Traduction et synthèse de l'article demandée : Des chercheurs présentent REFINE-DP, un framework qui combine une diffusion policy (DP) pour la planification de mouvement avec un contrôleur d'apprentissage par renforcement pour la loco-manipulation humanoïde. L'approche s'attaque à un problème connu : quand une DP est entraînée hors ligne par démonstrations puis déployée sur un robot, elle reste découplée du contrôleur de loco-manipulation, ce qui dégrade le suivi de commande et provoque un décalage de distribution qui s'accumule au fil des tâches. Plutôt que de multiplier les démonstrations, une stratégie prohibitivement coûteuse pour un système humanoïde à haute dimension, REFINE-DP affine simultanément le planificateur DP via un gradient de politique de diffusion basé sur PPO et le contrôleur RL, afin que ce dernier suive la distribution de commandes évolutive du planificateur. Testé sur des tâches de franchissement de porte et de transport d'objets sur de longs horizons, le système atteint plus de 90% de taux de réussite en simulation, y compris sur des cas hors distribution absents des données d'entraînement, et s'exécute en conditions réelles sans recourir à des informations d'état privilégiées. Le résultat cible un point de friction bien identifié dans la robotique humanoïde actuelle : les diffusion policies apprises par imitation fonctionnent bien en démonstration mais se dégradent vite en déploiement réel, les erreurs de suivi de commande s'accumulant tâche après tâche. En couplant explicitement planification et contrôle plutôt qu'en les entraînant séparément, REFINE-DP s'attaque directement à l'écart démo/réalité que beaucoup de laboratoires contournent en multipliant les données de démonstration, une stratégie vite hors de prix à l'échelle d'un corps humanoïde complet. Pour les intégrateurs et équipes R&D qui évaluent des piles VLA ou DP pour la loco-manipulation, ce travail suggère qu'un affinage par renforcement ciblé peut améliorer la fiabilité sans multiplier le volume de téléopération nécessaire, un argument économique important tant que la collecte de démonstrations humanoïdes reste rare et coûteuse. REFINE-DP s'inscrit dans une lignée de travaux cherchant à combiner apprentissage par imitation et apprentissage par renforcement pour la robotique humanoïde, un terrain déjà exploré par des approches vision-language-action comme Pi-0 ou GR00T N2, mais avec un accent particulier sur le couplage planificateur-contrôleur plutôt que sur l'échelle des données. Le papier, publié sur arXiv (identifiant 2603.13707, version de remplacement), reste à ce stade une validation en simulation et sur un seul robot humanoïde de laboratoire, sans nom de plateforme commerciale ni annonce de déploiement industriel. La suite logique pour ce type de travaux consiste généralement à étendre les tâches testées, valider sur plusieurs plateformes matérielles, et voir si des acteurs commerciaux du secteur, américains ou européens comme Wandercraft ou Enchanted Tools, intègrent ces techniques de fine-tuning par RL dans leurs propres piles de contrôle.

IA physique⚡Actu

1 source

38

481arXiv cs.RO 

Modèle du monde à action conditionnée : un planificateur d'action généralisable pour la prise de décision

Des chercheurs présentent World Action Planner (WAP), un système de planification robotique combinant un modèle vision-langage (VLM) et un modèle du monde conditionné par les poses et les images, capable de gérer plusieurs tâches. Décrit dans un article arXiv publié fin juillet 2026 (arXiv:2607.27599), le système fonctionne en deux temps : le VLM propose un plan d'action initial à partir d'une consigne, puis ce plan est raffiné de manière itérative par optimisation et recherche, en simulant des trajectoires possibles ("rollouts") dans le modèle du monde avant de les exécuter réellement. Selon les auteurs, WAP surpasse significativement les modèles de bout en bout de référence, à la fois les architectures vision-langage-action (VLA) et les modèles du monde purs (WAM), sur des tâches compositionnelles, des agencements de scène inédits et des scénarios de généralisation zéro-shot. Le projet est documenté sur worldactionplanner.github.io, sans précision sur le matériel robotique utilisé ni sur un calendrier de déploiement. L'enjeu dépasse la performance brute : c'est la capacité de généralisation qui est visée, un point faible connu des politiques par apprentissage par imitation, qui excellent dans leur environnement d'entraînement mais échouent souvent face à une scène ou une tâche nouvelle. En couplant raisonnement symbolique du VLM et vérification physique via simulation interne, WAP s'attaque directement à l'écart entre démonstration contrôlée et robustesse réelle, un sujet central pour les intégrateurs qui cherchent des robots capables de sortir du script préprogrammé. À ce stade, il s'agit toutefois d'un résultat de recherche évalué en simulation ou en environnement contrôlé, pas d'un produit commercial ni d'un déploiement industriel. Ce travail s'inscrit dans la course actuelle autour des modèles VLA (à l'image de Pi-0 ou GR00T N2) et des modèles du monde pour la robotique, deux approches concurrentes pour doter les robots humanoïdes et bras manipulateurs d'une autonomie généralisable. En proposant une architecture hybride qui combine planification par recherche et prédiction du monde plutôt qu'une politique end-to-end unique, les auteurs positionnent WAP comme une alternative aux approches purement VLA, dont les limites de généralisation restent un point de friction reconnu dans le secteur.

Recherche❖Paper

1 source

38

482arXiv cs.RO 

Transfert inter-incarnations via représentations alignées sur le comportement

Des chercheurs viennent de publier sur arXiv (référence 2607.27549, mise en ligne fin juillet) une étude sur le transfert cross-embodiment en apprentissage par imitation pour la manipulation robotique, un des verrous majeurs des modèles vision-langage-action (VLA) entraînés sur des données multi-robots. L'équipe teste l'usage de représentations dites "alignées sur le comportement" (behavior-aligned représentations) : bounding boxes d'objets, descriptions de mouvements en langage naturel, et traces de trajectoire de l'effecteur terminal (end-effector traces). L'hypothèse est que ces représentations, invariantes selon la morphologie du robot mais toujours prédictives de l'action à accomplir, permettent de mieux unifier des jeux de données hétérogènes collectés sur des robots différents. Pour la valider, les auteurs ont construit un benchmark en simulation dédié à l'évaluation du transfert vers de nouvelles morphologies robotiques. Résultat clé : les traces de trajectoire de l'effecteur terminal se révèlent les plus efficaces, leur utilité croît avec la taille du jeu de données source, et elles permettent même d'exploiter des données sans étiquette d'action (action-free data). Sur du transfert sim-to-real, la méthode améliore de 28% le taux d'achèvement des tâches pour des politiques pré-entraînées en simulation puis déployées sur robot réel. Cette étude s'attaque directement à un problème que le secteur connaît bien : les modèles VLA entraînés sur des corpus multi-robots (type Open X-Embodiment) peinent souvent à généraliser d'une plateforme à l'autre, malgré des promesses de transfert massif. Un gain de 28% en sim-to-real, même mesuré sur un benchmark contrôlé plutôt qu'en conditions industrielles, apporte une preuve concrète que des représentations intermédiaires bien choisies peuvent réduire ce fossé, un enjeu direct pour tout intégrateur cherchant à mutualiser des données d'apprentissage entre plusieurs gammes de bras ou de robots mobiles. Ce travail s'inscrit dans la lignée des efforts récents autour des VLA génériques (Pi-0, GR00T N2, RT-X) qui cherchent justement à exploiter des données cross-embodiment à grande échelle. Les auteurs mettent à disposition des vidéos d'évaluation sur leur site (ajaysridhar.com/barx), mais il s'agit pour l'instant de résultats de recherche en simulation et sim-to-real contrôlé, pas d'un déploiement industriel ni d'un produit commercialisé.

Recherche❖Paper

1 source

38

483arXiv cs.RO 

Corrigible : réponse pragmatico-pédagogique optimale en une seule manche

Des chercheurs proposent une nouvelle approche pour résoudre les « jeux d'assistance », le cadre formel qui modélise la collaboration homme-robot lorsque l'humain connaît l'objectif à atteindre mais que le robot doit le déduire par observation et interaction. Calculer une stratégie optimale en temps réel dans ce cadre est en général intraitable, car cela exige une planification complète dans un POMDP (processus de décision markovien partiellement observable), une classe de problèmes réputée pour son coût de calcul prohibitif. Les auteurs identifient une catégorie de jeux d'assistance dans laquelle un raisonnement dit « pragmatico-pédagogique » lève l'incertitude sur l'objectif en une seule étape temporelle, ce qui rend le jeu intégralement soluble via une procédure de meilleure réponse calculable en pratique, sans recourir à une planification sur tout l'horizon. L'équipe valide sa démonstration théorique et sa méthode sur un exemple simple de construction collaborative de blocs. Le résultat cible un problème concret pour les systèmes d'assistance robotique : les méthodes classiques de contrôle optimal inverse, utilisées pour déduire les intentions humaines à partir de leurs actions, se heurtent selon les auteurs à un « plafond d'inférence » qui limite leur capacité à s'aligner correctement sur l'objectif humain. Le raisonnement pragmatico-pédagogique proposé contourne cette limite en privilégiant des actions qui, bien qu'équivalentes du point de vue de l'exécution de la tâche, permettent de lever immédiatement l'ambiguïté sur le but poursuivi, un peu comme un humain choisirait un geste plus explicite pour se faire comprendre. Pour les concepteurs de robots assistants et de systèmes multi-agents, cela ouvre une piste vers une inférence d'intention plus rapide et plus fiable, sans multiplier les interactions ou les démonstrations nécessaires. La validation reste toutefois limitée à un cas d'école, loin de la complexité des tâches de manipulation réelles. Les jeux d'assistance s'inscrivent dans la lignée des travaux sur l'apprentissage par renforcement inverse coopératif, qui cherchent à formaliser mathématiquement la collaboration homme-machine sous incertitude, un champ de recherche actif en alignement de l'IA et en interaction homme-robot. L'article s'appuie aussi sur la littérature du raisonnement pragmatique et pédagogique, qui étudie comment un agent peut choisir ses gestes non seulement pour accomplir une tâche mais aussi pour informer un observateur sur ses intentions. La suite logique de ces travaux consisterait à étendre la méthode au-delà du cas jouet présenté, vers des tâches de manipulation plus riches et des environnements robotiques réels, où l'inférence d'intention en temps limité demeure un verrou pour déployer des assistants véritablement collaboratifs.

Recherche❖Paper

1 source

37

484arXiv cs.RO 

ARCSnake V2 : adaptations mécaniques pour un robot serpentiforme amphibie multi-domaine à propulsion par vis

Le robot ARCSnake V2, présenté dans une version révisée d'un article déposé sur arXiv (version 2, catégorie "replace"), est une évolution d'ARCSnake V1 dotée de nouvelles capacités amphibies. Il combine la mobilité hyper-redondante des robots serpents avec la polyvalence de terrain offerte par la propulsion à vis d'Archimède. Les auteurs détaillent une conception mécanique étanche à l'eau, avec des modules de vis et d'articulations reliés en série, ainsi qu'un système de contrôle de flottabilité intégré permettant au robot de gérer sa profondeur. Des essais poussés ont validé ses capacités de plongée et de remontée sous l'eau, ainsi qu'un actionnement à régulation de force, censé permettre au robot d'adapter sa poussée selon la résistance du milieu. L'abstract ne détaille pas de chiffres précis de charge utile, de degrés de liberté ou de temps de cycle, ce qui limite l'évaluation quantitative des performances à ce stade. L'intérêt de ce travail tient à la limite bien connue des robots à roues ou à pattes, qui peinent à conserver leur traction sur des terrains hétérogènes comme le sable, la boue meuble ou les surfaces immergées. En associant locomotion serpentine et vis propulsive, ARCSnake V2 vise une plateforme unique capable de franchir plusieurs types d'environnements sans changer de mode de locomotion, un enjeu clé pour l'exploration de milieux extrêmes tels que les grottes, les fonds marins ou les surfaces extraplanétaires. Il s'agit toutefois d'un prototype de recherche académique validé en conditions contrôlées, et non d'un système déployé sur le terrain ou commercialisé. Le projet s'inscrit dans la continuité des recherches sur les robots serpents hyper-redondants menées depuis plusieurs années pour des applications spatiales et souterraines, dont ARCSnake V1 constituait la première itération terrestre. Face à d'autres approches de robotique amphibie ou sous-marine (robots anguilles, véhicules autonomes sous-marins), ARCSnake V2 mise sur la polyvalence multi-domaine plutôt que sur la spécialisation. Les prochaines étapes annoncées concernent des applications en recherche-sauvetage et en surveillance environnementale, qui nécessiteront des essais en conditions réelles au-delà du cadre expérimental décrit ici.

Recherche❖Paper

1 source

36

485arXiv cs.RO 

Onboard Sensing Ambiguë et Dérive de Localisation : Cartographie Sûre du Champ de Flux

Des chercheurs proposent une nouvelle méthode pour cartographier des champs d'écoulement (flow fields) avec des robots mobiles équipés de capteurs embarqués, en s'attaquant à un problème précis : des structures d'écoulement similaires produisent souvent des observations ambiguës, et la dérive de localisation fait que les patches de vitesse prédits localement sont inscrits au mauvais endroit dans la carte globale. Ces erreurs de recalage s'accumulent au fil du temps et forment des structures fantômes persistantes qui polluent la carte. Le framework proposé, baptisé « map-référence-aware conservative fusion », combine un modèle qui prédit un patch de vitesse locale avec un score de sécurité d'écriture appris, lequel atténue en continu les mises à jour incertaines tout en autorisant l'initialisation de la carte lorsqu'aucune référence fiable n'existe encore. Testée sur des environnements synthétiques de jets et de flux croisés (crossflow), la méthode réduit de 42 % la contamination fantôme moyenne par rapport à une fusion sans filtrage. Un test matériel en zero-shot, rejouant des mesures réelles de pression et de flux optique captées dans le sillage d'un propulseur, confirme une réduction de 39 % de la contamination fantôme tout en conservant 81 % de la couverture de la carte. Ce travail cible un angle mort classique de la cartographie robotique embarquée : la plupart des pipelines de fusion supposent que toute observation plausible mérite d'être écrite dans la carte, ce qui fonctionne mal dès que la localisation dérive, un problème quasi systématique pour les robots sous-marins, aériens ou terrestres évoluant sans GPS fiable. En introduisant un score de confiance dédié spécifiquement à la décision d'écriture, plutôt qu'à la seule qualité de la mesure, l'approche distingue « est-ce que je vois juste » de « est-ce que je sais où je suis », une nuance rarement traitée dans les architectures SLAM classiques appliquées à des champs continus comme l'écoulement fluide. Pour les intégrateurs travaillant sur l'inspection sous-marine, le suivi de sillages de propulseurs ou la navigation en environnement fluide (ventilation industrielle, aérodynamique confinée), c'est une brique utile : elle évite qu'une carte se dégrade silencieusement à l'usage, un risque particulièrement critique pour des applications de sécurité ou de navigation autonome longue durée. La cartographie de champs de vitesse reste un sous-domaine de niche par rapport au SLAM géométrique classique, mais gagne en importance avec la multiplication des robots évoluant dans des environnements fluides : drones sous-marins d'inspection, robots de surveillance de ventilation industrielle, ou véhicules exposés à des sillages et turbulences. Le problème de la dérive de localisation qui corrompt les cartes n'est pas nouveau en SLAM, mais son application spécifique aux champs d'écoulement, où l'ambiguïté des observations est structurellement plus forte qu'en cartographie géométrique, reste peu traitée dans la littérature existante. Les auteurs valident leur approche à la fois en simulation et via un rejeu matériel zero-shot, une méthode qui permet de tester la généralisation sans déploiement robotique complet. L'article ne précise aucune suite opérationnelle ni déploiement industriel prévu : il s'agit à ce stade d'une contribution de recherche publiée sur arXiv, sans partenaire industriel ni intégrateur nommé.

Recherche❖Paper

1 source

36

486arXiv cs.RO 

RedFlow : corriger les échecs de politique VLA par ajustements au niveau des actions

Une équipe de recherche vient de publier RedFlow, une méthode d'apprentissage par renforcement hors ligne conçue pour corriger les politiques VLA (Vision-Language-Action) à correspondance de flux (flow-matching), de plus en plus utilisées pour le contrôle de bras manipulateurs. Ces politiques souffrent d'erreurs qui s'accumulent une fois déployées, à cause d'un décalage entre les données d'entraînement et les situations réelles rencontrées par le robot. Contrairement aux méthodes existantes qui ignorent les échecs ou ne les traitent qu'au niveau de la trajectoire entière, RedFlow agit à l'échelle de l'action individuelle grâce à deux mécanismes: un module de "mise en correspondance corrective contextuelle" qui repère les actions précises à l'origine d'un échec et va chercher, dans des contextes similaires, des alternatives qui ont réussi; et un objectif de "redirection adaptative" qui renforce les bonnes actions, pénalise les mauvaises, et redirige les échecs récupérables vers ces cibles correctives. Testée sur le benchmark LIBERO et sur trois tâches de manipulation en conditions réelles, la méthode fait passer le taux de réussite réel de 56,7% à 74,7%, tout en égalant des méthodes on-policy réputées (PPO, GRPO, DDPO) avec environ dix fois moins d'échantillons d'entraînement. L'enjeu dépasse la simple performance brute: c'est la question de l'écart entre démonstration et réalité qui est visée directement. Les politiques VLA génériques impressionnent en vidéo mais peinent souvent à récupérer proprement d'une erreur en conditions réelles, un point critique pour tout intégrateur industriel qui ne peut pas tolérer un bras robotique bloqué ou erratique sur une chaîne de production. En exploitant aussi bien les trajectoires ratées que réussies comme signal d'apprentissage dense, RedFlow répond à un vrai problème économique du déploiement: collecter des données réelles de rollout coûte cher, donc réduire d'un ordre de grandeur le volume d'échantillons nécessaires change la viabilité du fine-tuning post-déploiement à grande échelle. Ce travail s'inscrit dans la lignée des grandes politiques génératives type Pi-0, GR00T N2 ou Helix, qui ont démontré la capacité des modèles VLA à généraliser des comportements de manipulation, sans pour autant garantir une robustesse suffisante hors des conditions d'entraînement. Les approches précédentes d'apprentissage hors ligne restaient soit aveugles aux échecs, soit trop grossières pour en tirer un signal correctif exploitable; les alternatives on-policy, elles, exigent une interaction massive avec l'environnement, coûteuse à mettre en œuvre sur du matériel réel. RedFlow reste pour l'instant un résultat de recherche publié sur arXiv, sans annonce de pilote industriel ni d'intégration produit à ce stade.

Recherche❧Opinion

1 source

39

48736Kr 

Un CTO cadet chinois lance une plateforme d'IA physique, lève plus de 100 millions de yuans en seed auprès de Yunqi et SenseTime

Quantum Dynamics (昆腾动力), startup chinoise fondée au premier semestre 2026, vient de boucler un tour d'amorçage dépassant 100 millions de yuans (environ 14 millions de dollars, montant exact non précisé), mené par Yunqi Capital et SenseTime, avec la participation de Duowei Capital à l'incubation et à la construction de l'équipe. Les fonds financeront la R&D en Physical AI, le recrutement et l'expansion internationale. Le fondateur et CEO, Li Qiang, a passé dix-sept ans chez Alibaba : CTO de Cainiao Group, puis CTO de la division commerce international du groupe, tout en dirigeant simultanément l'unité de véhicules autonomes de Cainiao, à la tête d'équipes R&D de plusieurs milliers de personnes réparties dans le monde, avec des partenariats noués avec les services postaux de 200 pays. L'entreprise cible l'entrepôt logistique comme point d'entrée : en 2026, réapprovisionnement, picking et emballage dans des entrepôts B2C et e-commerce de taille moyenne, en priorité sur des SKU standardisés de cosmétique et pharmacie, en mode mixte humain-robot ; en 2027, extension vers des sites de messagerie plus complexes, puis les lignes de production industrielle, le commerce de détail, le tri pharmaceutique, les services commerciaux et, à terme, l'assistance à domicile. Cette annonce illustre un basculement plus large de la course au Physical AI, désormais jugée sur la profondeur des données réelles collectées plutôt que sur la taille des modèles. Selon IDC, les dépenses des utilisateurs chinois en robots à intelligence incarnée devraient dépasser 1,4 milliard de dollars en 2025 et atteindre 77 milliards de dollars en 2030, soit une croissance annuelle moyenne de 94 %. Le pari de Quantum Dynamics repose sur un constat simple : contrairement au texte ou à l'image, les données du monde physique ne peuvent pas être aspirées en masse sur le web. Celui qui déploie le plus de robots réels en premier accumule donc un avantage propriétaire en données, une logique que Li Qiang compare explicitement à celle de Tesla FSD ou de Claude, où l'échelle du parc déployé nourrit un apprentissage par renforcement en boucle continue. Pour les intégrateurs et décideurs B2B, le signal est clair : plutôt que d'attendre un modèle généraliste abouti, l'entreprise mise sur une commercialisation étroite et rapide en entrepôt pour amorcer sa boucle de données, un pari sur l'exécution plus que sur la démonstration. Le contexte est celui d'un salon WAIC 2026 qui vient de s'achever, où les démonstrations spectaculaires de robots dansant ou faisant des saltos attirent toujours les foules, mais où les stands reproduisant des lignes d'usine automobile ou de tri logistique concentrent désormais tout autant l'attention, signe d'un secteur qui bascule du spectacle vers l'exploitation réelle. Li Qiang incarne un profil de fondateur distinct des deux archétypes dominants du secteur, issus soit de la conduite autonome soit de laboratoires de recherche de pointe type Neo Lab : son bagage vient de l'opérationnel logistique et international. Aucun acteur français ou européen n'apparaît dans cette opération. À ce stade, il s'agit d'une levée d'amorçage adossée à une stratégie et une architecture technique détaillées (modèle monde-action, correction en temps réel, apprentissage par renforcement en flotte) mais sans volumes de déploiement ni noms de clients pilotes rendus publics.

Chine/Asie⚡Actu

1 source

34

488Pandaily 

De la mobilité à l'action : Zhejiang IPLUSMOBOT construit une plateforme fondation d'IA incarnée industrielle avec sa gamme robotique NERA

Zhejiang IPLUSMOBOT Technology a présenté sa gamme NERA d'intelligence incarnée lors du WAIC 2026, avec deux produits : le châssis omnidirectionnel NERA-P et le contrôleur NERA-C. Issue de l'équipe de robotique de l'Université du Zhejiang, l'entreprise revendique une expertise en perception multimodale, navigation autonome et planification multi-robots, et dispose d'un site de production de 16 000 mètres carrés. Le NERA-P intègre des algorithmes de positionnement et de navigation par fusion multimodale validés en environnement industriel, avec des interfaces mécaniques et électriques standardisées, destinées aux intégrateurs de robots humanoïdes qui veulent éviter de redévelopper leur propre châssis pour se concentrer sur la conception du corps et de la préhension. Le NERA-C cible les robots à roues-pattes et quadrupèdes : il regroupe cartographie, positionnement, navigation, contrôle de mouvement et gestion de charge utile sur une plateforme unique, avec cartographie mixte intérieur-extérieur. Il s'appuie sur le système CLOUDIA pour la gestion de flottes et l'orchestration de robots hétérogènes, et propose des outils de déploiement graphique low-code destinés aux intégrateurs de solutions d'inspection. La thèse d'IPLUSMOBOT est que la valeur de l'IA incarnée ne dépend pas seulement des capacités cognitives des modèles, mais de la fiabilité avec laquelle un agent peut agir physiquement dans la durée, malgré des conditions rares, des contraintes de sécurité, de précision, de cadence de production et de retour sur investissement. Alors que l'attention du secteur se porte sur les formes humanoïdes, les modèles VLA et l'intelligence cognitive générale, la mobilité est souvent traitée comme un problème déjà réglé. IPLUSMOBOT conteste ce postulat : pertes de positionnement, arrêts liés à des collisions et conflits d'ordonnancement continueraient, selon l'entreprise, d'affecter directement la cadence des lignes de production et la disponibilité des systèmes. En proposant une brique de mobilité standardisée plutôt qu'un robot humanoïde complet, IPLUSMOBOT se positionne comme fournisseur d'infrastructure plutôt que comme concurrent direct des fabricants de robots, une illustration de la division du travail qui s'installe dans la filière entre spécialistes de la mobilité et équipes qui construisent l'intelligence et les applications par-dessus. Pour l'instant, il s'agit d'une annonce de gamme présentée en salon, sans données publiques de déploiements clients, de volumes ou de tarifs. Le projet trouve son origine dans les travaux de l'équipe de robotique de l'Université du Zhejiang sur les robots mobiles autonomes, un segment où IPLUSMOBOT revendique plusieurs années de déploiements industriels avant de formaliser cette expérience en plateforme réutilisable. La gamme NERA s'inscrit dans un marché chinois de la robotique incarnée en forte accélération, porté sur le segment humanoïde par des acteurs comme Unitree, Fourier Intelligence ou AgiBot, mais où peu de fournisseurs proposent explicitement une couche de mobilité découplée du reste du robot. IPLUSMOBOT mise sur l'ouverture et la standardisation des interfaces pour accélérer les livraisons de ses partenaires, en pariant que quel que soit le vainqueur de la course aux formes robotiques ou aux architectures d'IA, un déplacement stable, sûr et efficace restera un prérequis incontournable pour l'industrie. L'entreprise n'a pas communiqué de calendrier de déploiements pilotes ni de partenariats nommés à ce stade, la présentation au WAIC 2026 servant avant tout à positionner NERA-P et NERA-C comme fondation technique disponible pour les intégrateurs du secteur.

Infrastructure⚡Actu

1 source

51

489Pandaily 

Robots humanoïdes qui travaillent : le centre NAVIAI du Zhejiang passe de Ningbo au monde avec une commande de 2 000 unités pour Jack Sewing

Le Zhejiang Humanoid Robot Innovation Center, fondé en décembre 2023 à Ningbo à l'initiative de la municipalité et de l'équipe du professeur Xiong Rong de l'université du Zhejiang, a signé en avril 2026 une commande de 2 000 unités avec Jack Technology, fabricant chinois de machines à coudre, pour équiper des lignes de confection textile. Il s'agit du premier déploiement de masse de robots humanoïdes dans l'habillement à l'échelle mondiale. Les robots de la gamme NAVIAI, composés à 90% de pièces domestiques, opèrent déjà chez SUPCON, GREE et FOTILE, et revendiquent, selon le constructeur, 98% de réussite en séparation de tissus, des opérations en 3 secondes, une précision d'alignement de plus ou moins 2 millimètres, pour environ 80% de l'efficacité d'un ouvrier humain. Le catalogue NAVIAI se décline en trois familles: des robots fixes pour postes de couture sans déplacement, des robots à bras monté sur base roulante comme le NAVIAI-WA2, doté d'un bras à 8 degrés de liberté avec une précision de repositionnement de plus ou moins 0,02 millimètre, une autonomie de 6 heures et une capacité de franchissement de pentes à 20 degrés pour la manutention et la logistique, et des robots bipèdes capables de monter des escaliers, destinés à la sécurité, à l'accueil en salon professionnel et au divertissement. L'architecture embarquée associe un système cognitif de haut niveau pour la perception et la planification à un contrôle temps réel de type cérébelleux. En mai 2026, le centre a présenté RAM, un modèle spatial 3D développé avec l'université chinoise de Hong Kong et Zhejiang University, censé relier le raisonnement sémantique des grands modèles à une manipulation physique précise via une base de connaissances 3D interrogeable. Ces chiffres, communiqués par le fabricant sans protocole de test indépendant, restent à prendre avec prudence, notamment le taux de séparation de tissus et le temps de cycle de 3 secondes, mais l'ampleur de la commande Jack Technology change la donne: on quitte le registre de la démonstration pour entrer dans celui du déploiement industriel chiffré, ce qui est rare dans la course aux humanoïdes où la plupart des annonces restent des pilotes limités à quelques unités. Pour les intégrateurs et décideurs industriels, ce contrat valide l'hypothèse que des tâches répétitives à forte variabilité, comme la manipulation de tissus souples, peuvent être confiées à un humanoïde à un niveau de productivité économiquement défendable, même en deçà de la performance humaine. Cela renforce aussi le récit d'une robotique humanoïde chinoise qui bascule du hardware pur vers la validation de modèles économiques concrets, avec des cas d'usage volontairement cantonnés à des postes pénibles ou dangereux plutôt qu'à des emplois disputés par la main-d'œuvre, une distinction stratégique revendiquée explicitement par le directeur technique Xu Xuecheng. Le centre de Ningbo a accéléré son expansion internationale tout au long de 2026: premier déploiement à l'étranger chez BEKO, fabricant turc d'électroménager, pour de l'inspection qualité, avec un accompagnement technique sur site de l'équipe chinoise; démonstration au salon LogiMAT de mars 2026 en Allemagne, où le NAVIAI-WA2 a fonctionné trois jours consécutifs sans incident aux côtés de KION Group, géant de la manutention industrielle; puis présence en juillet à AUTOMATE 2026, le plus grand salon robotique nord-américain, en partenariat avec IPLUSMOBOT, où le bipède NAVIAI-I2 a fait des démonstrations de tri de précision, de marche autonome et d'interaction vocale en anglais avec une latence de réponse inférieure à 3 secondes. La stratégie affichée par Xu Xuecheng consiste à roder les produits sur les implantations chinoises de groupes étrangers avant de dupliquer le modèle en Europe puis en Amérique du Nord. Le centre développe aussi des cabines commerciales NaviStore capables de guider les clients, servir des boissons ou préparer des glaces, avec 98% de reconnaissance et 99,9% de réussite de préhension revendiqués. Xu Xuecheng anticipe une arrivée des humanoïdes dans les foyers d'ici une dizaine d'années, un horizon qui illustre le pari, encore largement spéculatif, sur lequel se positionne l'ensemble du secteur chinois face à des concurrents comme Figure, Agility Robotics ou Unitree.

Chine/Asie❧Opinion

1 source

29

490Interesting Engineering 

Le système d'excavation lunaire prêt pour mission vise 2028 pour la base lunaire de la NASA

Interlune, société spécialisée dans les ressources lunaires, et Vermeer Corporation, fabricant américain d'équipements industriels actif depuis près de huit décennies, ont annoncé l'extension de leur partenariat pour développer des systèmes de construction destinés aux futures missions de base lunaire de la NASA. Les deux entreprises visent une version prête pour une mission opérationnelle de leur outil de préparation de site lunaire d'ici 2028, calendrier aligné sur les plans à long terme de la NASA pour une présence permanente sur la Lune. Le projet fait suite à un premier prototype d'excavatrice lunaire grandeur nature, dévoilé en mai 2025, qui avait servi de preuve de concept technique. La feuille de route prévoit désormais l'intégration du système à un rover lunaire, avec des essais sur Terre avant une démonstration sur la surface lunaire elle-même. L'engin devra fonctionner dans un environnement couvert de poussière abrasive, soumis à des écarts de température extrêmes et à des délais de communication avec la Terre, ce qui impose un haut niveau d'autonomie avec une intervention humaine limitée. Ce partenariat illustre la montée en puissance d'un segment encore embryonnaire mais stratégique de l'économie spatiale: l'équipement lourd capable de préparer physiquement le terrain avant l'arrivée des astronautes. Avant de construire des habitats ou des zones d'atterrissage stables, il faut niveler, stabiliser et terrasser, des tâches jusqu'ici jamais réalisées de façon autonome hors de la Terre. Pour les intégrateurs et décideurs du secteur robotique, ce projet teste concrètement la capacité de systèmes robotiques industriels à opérer sans supervision continue dans des conditions extrêmes, un enjeu qui dépasse largement le seul contexte lunaire et qui pourrait aussi bénéficier à des applications terrestres en environnements dangereux. Il s'agit pour l'instant d'une annonce de partenariat et d'un objectif de calendrier, pas d'un produit livré ni d'un déploiement réel: la prudence reste de mise tant que le système n'a pas été testé sur Terre, a fortiori sur la Lune. Interlune apporte son expertise en robotique et en opérations spatiales, tandis que Vermeer met à profit son savoir-faire en ingénierie de chantier terrestre, accumulé sur des décennies dans la construction industrielle. Rob Meyerson, cofondateur et PDG d'Interlune, présente l'excavation fiable et la mobilité autonome comme les fondations de toute infrastructure lunaire permanente, tandis que Jason Andringa, PDG de Vermeer, qualifie la Lune de "chantier le plus exigeant" que son entreprise ait jamais affronté, évoquant une collaboration élargie avec la NASA et d'autres partenaires. Au-delà de 2028, les deux sociétés envisagent que cette technologie d'excavation autonome serve de socle à l'extraction de ressources lunaires, voire à de futures missions vers Mars, dans un contexte où gouvernements et entreprises privées intensifient leurs ambitions d'infrastructures spatiales.

Infrastructure⚡Actu

1 source

40

491MIT News Robotics 

La ministre-présidente bavaroise décerne son prix High-Tech à Daniela Rus

Daniela Rus, directrice du CSAIL (Computer Science and Artificial Intelligence Laboratory) du MIT et titulaire de la chaire Panasonic de science informatique, a reçu le 23 juillet le prix High-Tech 2026 du Ministre-président de Bavière, remis dans la Herkulessaal de la Résidence de Munich. Décerné conjointement par le gouvernement bavarois et l'Académie bavaroise des sciences, c'est la distinction la mieux dotée d'Allemagne dans le domaine des technologies et de l'ingénierie. Le comité de sélection a retenu quatre axes de ses travaux : les collectifs robotiques auto-organisés, la robotique souple, la mobilité autonome et l'intelligence artificielle inspirée du cerveau, soit trente ans de recherche sur des machines capables de fonctionner hors laboratoire, dans des conditions non anticipées. Au sein du Distributed Robotics Laboratory qu'elle dirige, son équipe a notamment conçu un robot origami ingérable capable de récupérer des piles bouton avalées dans le système digestif d'un enfant, ainsi qu'une flotte de petits bateaux autonomes capables de s'assembler en ponts ou plateformes pour reconfigurer à la demande les voies navigables d'une ville. Elle a aussi coinventé les réseaux de neurones liquides, une architecture inspirée du système nerveux minimaliste d'un ver d'un millimètre, capable de piloter un véhicule dans un environnement inconnu avec seulement 19 neurones de contrôle. Cette reconnaissance intervient alors que l'IA physique s'impose comme une priorité pour l'industrie et les décideurs publics. Contrairement à l'image dominante de la collaboration homme-robot limitée aux tâches ménagères ou à l'usine, les travaux de Rus couvrent un spectre bien plus large : transport, agriculture, médecine, domicile, surveillance environnementale. Son insistance sur des algorithmes explicables et adaptables au monde réel, plutôt que sur des démonstrations spectaculaires, tranche avec une partie du discours actuel sur les humanoïdes et les VLA. Les réseaux de neurones liquides illustrent cette approche : une efficacité radicale plutôt qu'une course à l'échelle des paramètres, un argument qui pèse directement dans les débats sur le déploiement de l'IA embarquée sur du matériel contraint. Ces recherches ont donné naissance à Liquid AI, entreprise fondée par Rus avec d'anciens membres du CSAIL, Ramin Hasani, Alexander Amini et Mathias Lechner, pour développer des modèles pensés dès l'origine pour les contraintes matérielles des appareils qui les exécutent. Rus a déjà reçu la médaille Edison 2025 de l'IEEE et le prix John Scott 2024 ; elle fait partie de la promotion 2002 des MacArthur Fellows et a été élue à l'Académie nationale française de médecine, à la National Academy of Engineering et à l'American Academy of Arts and Sciences. Selon Lorenzo Masia, professeur de systèmes bio-robotiques intelligents à l'Université technique de Munich, cité dans le communiqué, ce prix devrait contribuer à porter cette recherche au premier plan.

Recherche❖Paper

1 source

51

492Interesting Engineering 

Humanoïdes : mouvement complet du corps et raisonnement multi-étapes avec Gemini Robotics 2

Google a présenté Gemini Robotics 2, un modèle conçu pour piloter des robots humanoïdes dans leur intégralité, marche, flexion, équilibre et manipulation d'objets inclus, avec la capacité de coordonner plusieurs machines et de s'adapter à différents corps robotiques après seulement quelques heures d'entraînement. Le système s'accompagne de deux modèles complémentaires, Gemini Robotics ER 2, dédié au raisonnement de haut niveau, et Gemini Robotics On-Device 2, exécuté localement sans connexion cloud. Lors des démonstrations, le modèle a piloté l'Apollo 2 d'Apptronik pour ramasser un arrosoir, traverser une pièce et le poser sur une étagère basse, et le même checkpoint a également fonctionné sur d'autres plateformes comme le Franka Duo. Google évoque aussi des gains de dextérité: les mains à cinq doigts d'Apollo 2 peuvent nouer un sac poubelle, refermer un sachet Ziploc ou dévisser une ampoule, tandis que sur des pinces industrielles à deux doigts le modèle réalise des insertions précises et de la manipulation d'outils. ER 2 est disponible via Google AI Studio et en prévisualisation privée sur la Gemini Enterprise Agent Platform, le modèle vision-langage-action et la version embarquée restant réservés à des partenaires en accès anticipé. Google a également introduit ASIMOV-Agentic, un benchmark de sécurité évaluant si un robot refuse une action dangereuse, détecte l'incertitude ou sollicite une aide humaine. Ce saut du pilotage de bras isolés au contrôle corporel complet est significatif pour l'industrie: la plupart des humanoïdes actuels restent limités à des tâches répétitives programmées, et la promesse d'un même modèle transférable d'une morphologie à l'autre avec moins de 200 exemples d'entraînement collectés en quelques heures s'attaque directement au problème du sim-to-real et du coût d'intégration, un point clé pour les industriels qui hésitent encore à déployer ces machines à grande échelle. Il faut toutefois noter que les métriques avancées, plusieurs minutes de tâches enchaînant des centaines de décisions, proviennent de démonstrations contrôlées et que le déploiement reste cantonné à des partenaires triés sur le volet: on est encore loin d'un produit généralisé sur le terrain. Cette annonce prolonge Gemini Robotics, lancé plus tôt dans l'année et limité à la manipulation sur table, en l'étendant au mouvement corporel complet. Elle intervient dans un paysage où Figure AI développe son propre modèle Helix, Tesla avance sur Optimus, Physical Intelligence mise sur Pi-0 et NVIDIA sur GR00T N2, chacun cherchant à imposer son architecture VLA comme standard pour les humanoïdes de nouvelle génération. Apptronik, partenaire de longue date de Google pour Apollo, reste pour l'instant le principal terrain de test visible de cette technologie, dont l'ouverture à d'autres intégrateurs dépendra des retours de ce programme d'accès anticipé.

Humanoïdes❧Opinion

1 source

41

493Robotics Business Review 

5 plateformes d'infrastructure pour l'IA physique qui façonnent la robotique en 2026

NVIDIA reste l'acteur le plus fondamental de l'infrastructure IA physique, avec sa suite Isaac qui couvre simulation, apprentissage robotique, modèles de fondation et évaluation de politiques : Isaac Sim pour la simulation physique, Isaac Lab pour l'entraînement de modèles de fondation, Isaac GR00T pour le développement humanoïde généraliste, et Isaac Lab-Arena pour l'évaluation de politiques à grande échelle accélérée par GPU. Au niveau physique, le moteur Newton, développé avec Google DeepMind et Disney Research et géré par la Linux Foundation, est un moteur open source accéléré par GPU couvrant contacts, friction, dynamique des corps rigides et souples, actionneurs et capteurs. Deuxième acteur cité, Applied Intuition, né pendant l'ère des véhicules autonomes, propose désormais une plateforme d'ingénierie de validation pour machines autonomes couvrant automobile, défense, poids lourds, mines, construction et agriculture. Cette montée en puissance illustre un basculement structurel : l'infrastructure de l'IA physique ne se résume plus au calcul brut comme pour les grands modèles de langage, mais devient un empilement de couches interdépendantes, allant des démonstrations réelles à la simulation physique en passant par les données synthétiques et l'entraînement de politiques. Pour un robot, entraîner un modèle ne suffit pas : il faut prouver qu'il tiendra dans des conditions réelles coûteuses, dangereuses ou impossibles à reproduire physiquement à répétition, ce qui explique l'émergence de la validation comme discipline d'ingénierie à part entière, distincte du simple entraînement de modèles. L'avantage stratégique de NVIDIA ne tient pas à un produit isolé mais à sa capacité à relier calcul, génération de mondes virtuels, physique, données synthétiques, entraînement et déploiement embarqué au sein d'un même écosystème, ce qui en fait le substrat de développement le plus proche d'un standard commun pour le secteur. Reste une question ouverte : l'entreprise gardera-t-elle cet écosystème ouvert, ou l'orientera-t-elle davantage vers son propre matériel et ses propres logiciels, au risque de devenir une plateforme verticalement intégrée plutôt qu'un substrat neutre. Sur le plan historique, NVIDIA a construit sa position en remontant progressivement de l'accélération matérielle vers la simulation, les modèles de fondation et l'évaluation, tandis qu'Applied Intuition a capitalisé sur son expertise acquise durant l'essor des véhicules autonomes pour l'étendre à l'ensemble des machines autonomes physiques. Ces deux plateformes ne représentent que deux des cinq points de contrôle identifiés dans la chaîne émergente de l'IA physique, les trois autres couvrant les opérations sur les données, l'outillage open source et l'apprentissage continu, des segments que la course à l'humanoïde et à l'automatisation industrielle devrait faire converger dans les prochains mois.

Infrastructure⚡Actu

1 source

43

494Robotics Business Review 

Teradyne Robotics : chiffre d'affaires en hausse de 33 % sur un an au T2

Teradyne Robotics, la division robotique du fabricant américain d'équipements de test Teradyne Inc, a enregistré 100 millions de dollars de revenus au deuxième trimestre 2026, contre 91 millions au premier trimestre et 75 millions un an plus tôt, soit une croissance de 33% sur un an. Il s'agit du cinquième trimestre consécutif de croissance pour cette unité basée à North Reading, dans le Massachusetts, qui regroupe le fabricant de cobots Universal Robots (UR) et le spécialiste des robots mobiles autonomes MiR, tous deux installés à Odense, au Danemark. Le marché américain pèse désormais 32% des ventes de Teradyne Robotics ce trimestre, une progression que l'entreprise entend soutenir avec l'ouverture d'un centre de fabrication dans le Michigan prévue plus tard cette année. Le PDG Greg Smith a indiqué que plus de 60% des revenus du groupe sont désormais tirés par la demande liée à l'intelligence artificielle, les trois branches (test de semi-conducteurs, test de produits et robotique) progressant simultanément en glissement annuel et trimestriel. La directrice financière Michelle Turner a annoncé anticiper une poursuite de cette croissance sur le second semestre 2026. Ce rebond illustre un phénomène différent de la vague d'annonces autour des robots humanoïdes généralistes: ici, ce sont des cobots industriels et des AMR déjà commercialisés depuis des années qui bénéficient d'une demande concrète, tirée par la construction de datacenters IA et l'automatisation de l'assemblage électronique et des semi-conducteurs, notamment pour les opérations de burn-in et de test. Smith évoque un marché pluriannuel à plusieurs milliards de dollars pour l'assemblage, l'automatisation et le test, avec des taux de croissance à deux chiffres attendus jusqu'à la fin de la décennie. Signe révélateur toutefois, la robotique ne représente plus que 8% du chiffre d'affaires total de Teradyne ce trimestre, contre 12% un an plus tôt et environ 19% fin 2023: la croissance en valeur absolue coexiste avec un poids relatif en recul, la maison mère profitant davantage de la ruée sur le test de puces IA que sur la robotique proprement dite. Ce redressement intervient après une période difficile pour Teradyne Robotics: après un pic pandémique à 326 millions de dollars de revenus annuels en 2022, l'activité était retombée à 304 millions en 2023 puis 293 millions en 2024, entraînant deux vagues de licenciements en 2025, une réduction de 10% des effectifs mondiaux en janvier puis une nouvelle coupe en novembre. La stratégie affichée par Teradyne, capter la chaîne de valeur "du wafer au datacenter IA", vise précisément à relier ses activités historiques de test de semi-conducteurs à la demande croissante en automatisation industrielle portée par l'essor de l'IA, avec le Michigan comme prochaine étape logistique pour servir le marché américain.

Business❧Opinion

1 source

43

495Pandaily 

Dark Horse Muka Robotics défie WorldArena avec seulement 32 GPU Zhenwu 810E : le modèle du monde LJM décroche la deuxième place mondiale, redéfinissant la percée de la qualité vidéo à la logique physique

Muka Robotics, une startup fondée il y a seulement quatre mois, s'est hissée à la deuxième place mondiale du classement WorldArena grâce à son modèle LJM, entraîné et testé sur seulement 32 GPU Zhenwu 810E, soit une fraction du calcul mobilisé par des concurrents mieux dotés en infrastructure. Sur le benchmark de manipulation LIBERO, LJM obtient un score de 89,17 en qualité de mouvement, 92,60 en précision 3D et 85,93 en contrôlabilité. Détail notable, la soumission a été déposée de façon anonyme sous le pseudonyme SisyphusWorld, une pratique qui mérite d'être signalée puisqu'elle empêche toute vérification indépendante immédiate des conditions de test avant la levée d'anonymat. L'équipe est dirigée par Chi Xiaowei et rassemble des chercheurs issus du MMLab, de Tsinghua et de l'université de Pékin (PKU). Le résultat intéresse le secteur parce qu'il attaque un problème structurel des modèles du monde utilisés pour la robotique : les modèles de diffusion vidéo classiques optimisent la texture des pixels au détriment de la compréhension physique du point de contact entre la pince et l'objet manipulé, soit 1 % de l'image mais l'information la plus critique pour l'action. LJM introduit une architecture à deux experts : un expert de raisonnement latent, basé sur Qwen3-VL-2B, qui simule dans un espace continu ce qui se produit lorsque la pince se referme et déplace l'objet, à partir des instructions, de l'historique visuel et de la séquence d'actions prévue ; un expert de rendu, basé sur Wan2.2-TI2V-5B, qui traduit ensuite ce raisonnement en images vidéo réalistes. Chaque token de raisonnement doit prédire simultanément trois grandeurs dérivées des données d'entraînement réelles, la position 3D de l'effecteur terminal, les changements d'état visuel de la scène et le flux optique par pixel, ce qui contraint le modèle à ne pas halluciner de résultats physiquement impossibles. Les deux experts communiquent en continu via une attention partagée de type Mixture-of-Transformers, plutôt que par un simple passage séquentiel d'information. Cette approche illustre une dynamique plus large dans l'écosystème chinois de l'IA, où les contraintes d'accès aux GPU les plus puissants poussent certaines équipes à privilégier l'innovation architecturale plutôt que la seule puissance de calcul brute. Elle s'inscrit dans la lignée des travaux sur les modèles monde pour la manipulation robotique, aux côtés d'acteurs comme Physical Intelligence (Pi-0) ou NVIDIA (GR00T N2). Il faut toutefois garder à l'esprit qu'il s'agit à ce stade d'un résultat de classement sur benchmark et de simulation, pas d'un déploiement sur robot physique en conditions réelles : la validation en environnement industriel reste l'étape suivante à surveiller.

Recherche❖Paper

1 source

35

496Pandaily 

La chine dominait autrefois les comparaisons technologiques avec l'Amérique, mais les modèles du monde ont brisé ce schéma, selon un panel du WAIC

Chi Xiaowei, fondateur de Muka Robotics, a expliqué lors d'un panel au WAIC (World Artificial Intelligence Conference) que depuis 2025 les startups chinoises de « world models » (des modèles censés simuler la physique et la causalité pour nourrir l'IA incarnée) opèrent sans équivalent américain à suivre. Il appuie ce constat sur un calendrier précis : quand NVIDIA a open-sourcé Cosmos, entraîné avec environ 10 000 GPU, l'entreprise chinoise Shengshu avait déjà publié en open source ses propres modèles génératifs pour la robotique, et le Yizhuang Center avait achevé son premier pré-entraînement à grande échelle avant la sortie de Cosmos. Le panel identifie trois avantages structurels malgré un accès au calcul réduit au quart, voire au cinquième, de celui des firmes américaines comparables : un coût de la donnée nettement plus bas, porté par 200 à 500 entreprises chinoises de robotique qui alimentent une chaîne d'approvisionnement en données ; et une coordination matérielle jugée inégalée, illustrée par un exemple cité à Shenzhen où une équipe hardware serait arrivée sur site dix minutes après un appel signalant une panne de robot en test (une anecdote invoquée pour illustrer la densité de l'écosystème, pas une métrique généralisable). Sur le plan technique, Shengshu a présenté une architecture MOS à trois modules experts (langage, vidéo, action), dotée d'une capacité de migration inter-tâches et inter-morphologies. Son modèle MotoBrain, construit sur le générateur vidéo Vidu Q3, revendiquerait des résultats non dépassés sur des benchmarks publics, une affirmation auto-rapportée qui reste à confirmer de façon indépendante. EvoPhys.ai défend de son côté une approche distincte : apprendre directement à partir de données d'interaction physique primitive plutôt que du pré-entraînement sur du langage, jugeant à l'envers le paradigme actuel où des modèles entraînés sur internet apprennent ensuite la physique. Le consensus affiché par le panel est que la compétition sur les world models se jouera sur l'efficacité architecturale et l'exploitation de la donnée, plutôt que sur la seule puissance de calcul brute, ce qui rebat les cartes pour les intégrateurs habitués à juger la robotique IA au nombre de GPU engagés. Pour l'industrie et les décideurs B2B, ce découplage du calendrier chinois par rapport aux publications américaines change la donne : la Chine n'imite plus un modèle établi, elle explore un territoire non balisé, ce qui représente à la fois une opportunité de first-mover sur un marché encore indéfini et le risque d'assumer seule les coûts d'exploration, sans repère externe pour valider les choix techniques. Le panel présente le world model comme la couche de compression la plus haute de l'IA, au-delà du langage, la robotique constituant selon lui le seul terrain de vérification empirique disponible, créant une dépendance mutuelle entre modèles du monde et intelligence incarnée. Ce constat s'inscrit dans une trajectoire plus large : après des années où l'écosystème chinois se positionnait en miroir des avancées américaines, les intervenants du panel disent observer un changement d'état d'esprit chez la nouvelle génération d'entrepreneurs, passés du réflexe de rattrapage à une posture d'exploration autonome. Les étapes déterminantes à venir restent la publication de benchmarks tiers indépendants et le passage de ces modèles de démonstrations en laboratoire à des déploiements industriels réels, seul test capable de distinguer une avance technique durable d'un simple avantage de calendrier.

Chine/Asie⚡Actu

1 source

44

497arXiv cs.RO 

TiPToP : un système modulaire de manipulation robotique en vocabulaire ouvert, capable de planifier

TiPToP, un système modulaire de manipulation robotique présenté dans un article arXiv (2603.09971), combine des modèles de fondation pré-entraînés avec un planificateur de tâches et de mouvements (TAMP) accéléré par GPU pour exécuter des consignes directement à partir d'images RGB et de langage naturel, sans aucune donnée d'entraînement robotique spécifique. Le système se déploie sur une configuration DROID standard en moins d'une heure et s'adapte à de nouvelles morphologies de robot avec un effort minimal. Les chercheurs l'ont comparé à Pi-0.5-DROID, un modèle vision-langage-action (VLA) affiné sur 350 heures de démonstrations, sur deux installations DROID réelles (dont une opérée par une équipe externe) ainsi qu'en simulation. TiPToP y obtient un taux de réussite moyen supérieur et un temps d'exécution plus rapide. Sur le benchmark MolmoSpaces, il se classe premier sur les tâches de préhension simple et de préhension-et-placement parmi les méthodes n'ayant pas été entraînées sur des données de la même distribution. Le code et le site du projet sont disponibles en libre accès (tiptop-robot.github.io). Ce résultat pèse dans un débat central du secteur : celui de l'approche VLA de bout en bout, gourmande en démonstrations réelles, face à des architectures modulaires combinant perception, planification et exécution séparées. En battant un VLA entraîné sur 350 heures de téléopération sans utiliser de données robot du tout, TiPToP suggère que la planification symbolique appuyée sur des modèles de fondation généralistes peut rivaliser, voire dépasser, l'apprentissage bout-en-bout sur des tâches de manipulation courantes. Pour les intégrateurs et équipes de recherche en robotique, l'argument de déploiement en moins d'une heure sur du matériel standard, sans collecte de données propriétaire, change potentiellement le calcul coût/bénéfice face aux VLA qui nécessitent des semaines de téléopération avant le moindre test. L'atout de traçabilité des échecs par composant, propre à la modularité, est aussi un argument pratique pour le débogage industriel, souvent absent des architectures VLA monolithiques. Le projet s'inscrit dans la lignée des travaux combinant TAMP classique et modèles de fondation, à mesure que des benchmarks comme MolmoSpaces et le protocole DROID (plateforme de collecte et d'évaluation partagée entre laboratoires) se standardisent pour comparer objectivement les approches. Les résultats restent toutefois auto-rapportés par les auteurs, sur un nombre limité de configurations matérielles, et demandent confirmation par des équipes tierces indépendantes à plus grande échelle avant de trancher définitivement le débat modulaire contre bout-en-bout.

Recherche❖Paper

1 source

43

498arXiv cs.RO 

Fluidifier la génération de mondes : Enfold intègre son calcul dans des représentations prédictives pour un contrôle incarné efficace

Des chercheurs présentent Enfold, une méthode qui transfère le calcul effectué par les modèles génératifs de "monde" (world models) dans une représentation prédite directement à partir de l'observation présente et de l'instruction en langage naturel, sans générer de vidéo future à chaque étape. Pendant l'entraînement, les états intermédiaires produits par le générateur lorsqu'il transforme une trajectoire future bruitée en séquence cohérente supervisent un encodeur qui ne voit que le présent. Cette représentation conditionne ensuite la génération future et alimente des têtes de contrôle spécifiques à la tâche, sans que les gradients de tâche ne modifient l'encodeur. Au déploiement, le système n'exécute plus du tout le générateur: seule la représentation prédite pilote l'action. Testée sur les benchmarks LIBERO et RoboTwin2.0 ainsi que sur des tâches robot réel, l'approche réduit la latence d'action d'un facteur 3,7 par rapport à la référence Fast-WAM, et la variante Enfold-Flash atteint un facteur 10,1. L'enjeu est concret pour la robotique: les modèles VLA (vision-language-action) adossés à des world models génératifs impressionnent en démonstration mais restent souvent trop lents pour un contrôle temps réel, car ils doivent générer explicitement une trajectoire future à chaque cycle de décision. En montrant qu'il est possible d'internaliser ce calcul dans une représentation compacte inférée depuis le seul présent, sans dégrader le contrôle, les auteurs s'attaquent à l'écart classique entre démonstration et déploiement réel qui freine l'adoption de ces architectures chez les intégrateurs. La représentation apprise filtre en outre les variations sans intérêt et privilégie les changements qui se déploient sur un horizon long, exactement ce dont un robot a besoin pour anticiper une tâche plutôt que réagir image par image. Signal encourageant: quand un humain modifie la scène en cours d'exécution, la continuation générée et les actions exécutées s'adaptent, ce qui exclut un simple rejeu de trajectoire figée. Enfold s'inscrit dans la lignée des travaux sur les world models appliqués au contrôle robotique, dont WAM sert ici de référence de comparaison, une famille d'approches popularisée par des systèmes comme Pi-0 ou GR00T N2 mais généralement pénalisée par le coût de calcul du générateur à l'inférence. En déplaçant ce coût vers l'entraînement et en ne conservant au déploiement qu'une représentation légère, les auteurs ouvrent une piste pour rapprocher ces architectures des cadences de contrôle réelles, préalable à tout déploiement industriel à grande échelle. Les résultats restent toutefois issus de simulation et d'un nombre limité de tâches réelles, une validation plus large sur cas d'usage industriels constituant la suite logique.

IA physique⚡Actu

1 source

43

499arXiv cs.RO 

CheckVLA : vérification à l'exécution par modèle du monde conditionné aux actions pour la manipulation mobile à long horizon

Des chercheurs présentent CheckVLA (arXiv:2607.26789v1), un système de vérification en temps d'exécution pour les politiques vision-langage-action (VLA) appliquées à la manipulation mobile sur des tâches longues. Ces politiques exécutent des blocs d'actions en boucle ouverte, c'est-à-dire sans recevoir de nouvelle image tant que le bloc n'est pas terminé, ce qui les rend incapables de réagir à une déviation survenue après le lancement. CheckVLA ajoute un modèle du monde conditionné par l'action, entraîné séparément et figé, qui compare l'observation réelle à ce que le bloc d'actions engagé impliquait. Un seuil de risque calibré par méthode conforme borne la probabilité d'une intervention inutile par épisode et décide du moment où intervenir; son dépassement dose le remplacement du bloc restant, un préfixage sensible à la latence limite ce remplacement aux actions encore déployables, et une banque d'images-clés préserve la trace de la progression à travers les réparations. Sur le benchmark simulé RoboCasa365, à budget d'invocation identique, le taux de réussite moyen atteint 36,1%, contre 27,6% pour une replanification périodique classique, soit un gain de 8,5 points. L'enjeu dépasse le simple gain chiffré: il s'agit de restaurer une boucle de rétroaction dans des politiques qui s'exécutent en aveugle pendant plusieurs pas de temps, exactement là où les démonstrations VLA échouent le plus souvent en conditions réelles, quand un léger dérapage en début de séquence se propage jusqu'à l'échec complet de la tâche. Les résultats montrent qu'un signal conditionné par l'action, plutôt qu'une simple détection d'anomalie sur l'observation, est nécessaire pour distinguer un effet attendu d'une dérive réelle: à un objectif de fausses alertes fixé à 5% par épisode, le rappel de détection utile atteint 77,9% avec conditionnement par l'action, contre 48,6% pour un contrôle basé uniquement sur l'observation et 37,9% pour un contrôle à actions mélangées. L'écart entre démonstrations impressionnantes et fiabilité en production tiendrait donc moins à la politique elle-même qu'à l'absence de vérification adaptée à l'exécution par blocs. Ce travail s'inscrit dans la recherche actuelle sur la fiabilisation des politiques VLA, alors que le secteur multiplie les architectures enchaînant perception, langage et action sur des tâches longues en environnements domestiques ou industriels. Contrairement à la replanification périodique, qui réévalue l'état à intervalles fixes sans tenir compte de ce qui se passe réellement, ou aux détecteurs d'anomalies purement visuels, CheckVLA se positionne comme une couche de vérification générique, ajoutable à une politique existante sans réentraînement. Les auteurs précisent que ces résultats restent obtenus en simulation sur RoboCasa365, et non sur du matériel réel: la généralisation à des robots physiques, avec leurs propres sources de bruit et de latence, reste une question ouverte pour de futurs travaux.

Recherche❖Paper

1 source

42

500arXiv cs.RO 

RL²-VLA : pilotage compositionnel latent par apprentissage par renforcement adaptatif avec mise à l'échelle au moment du test pour modèles vision-langage-action

Une nouvelle méthode baptisée RL²-VLA (Reinforcement Learning on VLA Latents) cherche à corriger un défaut connu des modèles vision-langage-action (VLA) utilisés en robotique : leurs performances chutent nettement sur des tâches inédites ou hors domaine, malgré des capacités visuomotrices par ailleurs impressionnantes. Décrite dans un article publié sur arXiv (arXiv:2607.26991v1), l'approche entraîne une politique légère d'apprentissage par renforcement hors ligne, conditionnée sur des représentations latentes extraites de « l'expert d'action » du VLA, puis combine sa vélocité de flux avec celle du modèle VLA gelé au moment de l'inférence. Contrairement aux méthodes existantes de pilotage au moment du test, qui appliquent la même intervention à chaque pas de temps quel que soit le contexte, RL² n'active ce pilotage compositionnel que lorsque l'échec de l'action est jugé probable. Sur les bancs d'essai SIMPLER et PolaRiS, cette stratégie relève le taux de réussite jusqu'à +17,3 points en conditions hors domaine, et des expériences en environnement réel confirment que ces gains se transposent au-delà de la simulation. L'intérêt pour l'industrie robotique tient au diagnostic sous-jacent autant qu'à la solution proposée. Les auteurs montrent que les méthodes actuelles de diversification des actions génèrent des échantillons trop concentrés autour de comportements similaires, donc sujets aux mêmes modes d'échec corrélés ; et surtout que le pilotage au moment de l'inférence obéit à des lois d'échelle différentes selon que la politique de base est en passe de réussir ou d'échouer. Injecter de la diversité comportementale n'aide que lorsque le modèle risque de se tromper : l'appliquer systématiquement peut au contraire dégrader une action déjà correcte. Ce constat nuance l'idée reçue selon laquelle « plus de diversité au test » serait toujours bénéfique, et offre aux équipes qui déploient des VLA en production un levier pour réduire les échecs sans réentraînement complet ni collecte massive de données, un point sensible pour tout intégrateur cherchant à fiabiliser des politiques déjà en service. RL² s'inscrit dans la lignée des méthodes récentes de « test-time steering and scaling », qui cherchent à améliorer un modèle VLA figé sans toucher à ses poids. Sa contribution consiste à combiner cette famille de techniques avec l'apprentissage par renforcement appliqué aux représentations latentes du modèle, plutôt qu'aux actions brutes, et à conditionner l'intervention à une prédiction d'échec. Les auteurs signalent des études d'ablation confirmant l'apport spécifique des représentations latentes et de l'entraînement RL, et présentent RL² comme un cadre modulaire, potentiellement applicable à différentes architectures VLA existantes plutôt que liée à un modèle unique.

Recherche❖Paper

1 source