Actualités robotique — page 11

4 528 articles au fil, du plus récent au plus ancien.

38

501arXiv 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

502arXiv 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

503arXiv 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

504arXiv 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

505arXiv 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

506arXiv 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

507arXiv 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

508arXiv 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

36

509arXiv 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

510arXiv 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

36

511arXiv 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

39

51236Kr 

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

513Pandaily 

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

514Pandaily 

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

515Interesting 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

516MIT 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

517Interesting 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

518Robotics 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

519Robotics 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

42

520Pandaily 

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

521Pandaily 

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

522arXiv 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

523arXiv 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

524arXiv 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

41

525arXiv 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

41

526arXiv cs.RO 

ContactFlow : un conditionnement d'action vidéo transférable entre morphologies

Des chercheurs présentent Contact Flow, une représentation d'action indépendante de l'embodiment destinée aux modèles du monde en robotique. Le principe consiste à encoder une manipulation via la trajectoire des points de contact 3D entre un acteur (main humaine ou pince robotique) et l'objet cible, en écartant l'apparence et la cinématique propres à chaque acteur. Ce signal sert à conditionner un modèle génératif vidéo entraîné à la fois sur des démonstrations humaines et des vidéos d'interaction robotique, produisant un modèle du monde capable de prédire des issues de manipulation physiquement plausibles. L'équipe l'intègre dans un pipeline en quatre étapes (proposer, imaginer, vérifier, agir), où chaque scénario généré est évalué par un modèle vision-langage avant exécution réelle. Les expériences s'appuient sur le jeu de données DROID ainsi que sur des tâches de manipulation de table en conditions réelles, avec un transfert démontré entre démonstrations humaines et plusieurs embodiments robotiques différents. Le papier est publié sur arXiv (2607.26579v1). Cette approche cible deux limites connues des modèles du monde vidéo actuels : leur difficulté à capturer les contraintes physiques du contact, et un conditionnement d'action généralement figé sur un embodiment précis, souvent une pince parallèle. En généralisant le signal au contact plutôt qu'à la cinématique de l'acteur, Contact Flow permet de mutualiser l'entraînement entre données humaines, bien plus abondantes et faciles à collecter, et données robotiques, un enjeu central pour les modèles VLA qui peinent encore à passer à l'échelle faute de données d'interaction physique suffisantes. Pour les laboratoires et intégrateurs, c'est un argument de plus en faveur des architectures agnostiques à l'embodiment, une piste explorée aussi par GR00T N2 de NVIDIA ou Pi-0 de Physical Intelligence. La vérification par modèle vision-langage avant action traduit également une prudence croissante face au risque d'exécuter des rollouts imaginés mais physiquement irréalistes. Les modèles du monde vidéo pour la robotique se sont multipliés depuis 2024, portés par les progrès des générateurs vidéo et la promesse de planifier des actions sans essais coûteux sur du matériel réel. La plupart restent toutefois liés à un type de préhenseur ou de robot donné, limitant le réemploi des données entre plateformes, un problème similaire à celui des modèles VLA comme Helix de Figure ou les familles Octo et RT-2. Contact Flow se positionne comme une brique de représentation plutôt qu'un produit fini : aucun déploiement industriel n'est mentionné, seulement une évaluation sur DROID et des tâches de table en laboratoire. Les suites logiques attendues sont l'extension à des manipulations plus complexes et multi-étapes, ainsi qu'un test de robustesse sur davantage de plateformes.

Recherche❖Paper

1 source

40

527arXiv cs.RO 

Route par cinématique, agir par observation : routage d'experts supervisé par cinématique dans un VLA à experts multiples (MoE)

Le routage d'experts dans les architectures Vision-Language-Action (VLA) augmentées par mixture-of-experts (MoE) échoue souvent car les actions de manipulation présentent une forte hétérogénéité cinématique d'une tâche à l'autre, et parce que le signal cinématique n'est de toute façon pas disponible au moment de l'inférence. Face à ce constat, une équipe de recherche propose KinRT (Kinematics-supervised explicit Routing), qui remplace le routage implicite piloté par l'observation par un dispatching explicite guidé par la cinématique. La méthode regroupe d'abord les trajectoires d'action par clustering cinématique en groupes cohérents, dont les identifiants servent de vérité terrain pour entraîner le routeur ; à l'inférence, ce routeur n'utilise plus que les observations visuo-langagières, via un mécanisme de pont asymétrique qui distille la cinématique apprise pendant l'entraînement dans l'espace des observations. Pour tester la généralisation multi-plateforme de KinRT, les chercheurs ont aussi construit DIYRobot, une plateforme robotique imprimée en 3D coûtant moins de 2 000 dollars. Sur le benchmark RoboTwin, KinRT dépasse les VLA denses comme MoE de plus de 23,26 %, et de 20,27 % sur DIYRobot ; code et plateforme seront open source. Cette contribution s'attaque à un point de friction connu des architectures MoE appliquées à la robotique manipulatrice : le routeur doit décider quel expert activer sans jamais voir la cinématique réelle du geste, seulement l'image et l'instruction. En prouvant qu'on peut entraîner ce jugement à partir d'un signal cinématique absent au runtime, KinRT répond directement à l'écart entre supervision disponible en entraînement et information disponible en production, un problème central pour tout VLA industriel. Le choix de valider sur une plateforme DIY à moins de 2 000 dollars est aussi un signal fort à destination du secteur académique et des petites équipes robotiques : la généralisation cross-plateforme redevient testable sans budget matériel lourd, ce qui pourrait accélérer la reproductibilité des benchmarks VLA. Le papier s'inscrit dans la vague de recherche sur les modèles VLA à mixture d'experts, où la spécialisation par expert promet une meilleure scalabilité que les architectures denses, mais où le routage reste le maillon faible en conditions réelles de manipulation. Contrairement à une annonce produit, il s'agit ici d'une contribution scientifique publiée sur arXiv, sans déploiement industriel annoncé : les auteurs prévoient la publication en open source du code et de la plateforme DIYRobot, ce qui ouvrira la porte à des comparaisons indépendantes sur d'autres benchmarks et architectures MoE concurrentes.

Recherche⚡Actu

1 source

40

528arXiv cs.RO 

TurboVLA : un modèle vision-langage-action en temps réel à 32 Hz sur RTX 4090 avec moins d'1 Go de VRAM

Une équipe de recherche présente TurboVLA, un nouveau modèle vision-langage-action (VLA) capable de tourner à 32 Hz sur une carte grand public RTX 4090, avec moins d'1 Go de VRAM utilisée à l'inférence. Publié sur arXiv fin juillet 2026, le travail propose une architecture radicalement allégée : plutôt que de faire transiter les observations visuelles par un grand modèle de langage avant de les décoder en actions (le schéma classique V→L→A des VLA actuels), TurboVLA encode séparément l'image et l'instruction textuelle, les fait interagir via un mécanisme bidirectionnel léger, puis prédit directement des séquences d'actions continues avec un petit décodeur (V+L→A). Résultat chiffré sur le benchmark de manipulation LIBERO : 97,7% de taux de réussite moyen, avec seulement 0,2 milliard de paramètres, 31,2 ms de latence d'inférence et 0,9 Go de VRAM sur RTX 4090. Le code est disponible sur GitHub (H-EmbodVis/TurboVLA). L'intérêt pour l'industrie robotique tient moins à la performance brute qu'à l'efficacité : la plupart des VLA compétitifs (Pi-0, GR00T N2, Helix) s'appuient sur des LLM de plusieurs milliards de paramètres, coûteux à faire tourner en temps réel sur du matériel embarqué. En atteignant un score comparable ou supérieur avec un modèle cent fois plus petit et une inférence tenant sur une carte de jeu grand public, TurboVLA questionne l'hypothèse selon laquelle un grand modèle de langage est nécessaire pour connecter perception et action. Pour les intégrateurs et équipes robotique, cela ouvre la voie à des politiques VLA déployables sur du edge compute limité, sans datacenter dédié à l'inférence. Le papier s'inscrit dans la vague de recherche sur les modèles VLA compacts qui a suivi la démonstration de la faisabilité de l'apprentissage par imitation à grande échelle (RT-2, OpenVLA, puis Pi-0 et GR00T). À ce stade, TurboVLA reste un résultat de recherche validé uniquement en simulation sur LIBERO, sans démonstration publiée de déploiement sur robot physique ni partenariat industriel annoncé ; la prochaine étape naturelle serait une validation sim-to-real sur plateforme réelle.

IA physique⚡Actu

1 source

40

529arXiv cs.RO 

Multi-objectifs pour la coévolution intégrant la conformité : autonomie marine multi-robots en simulation et déploiement réel

Des chercheurs présentent MMOCIC (Marine Multi-Objective Compliance-Integrated Coevolution), un framework de coordination pour flottes de robots marins autonomes, détaillé dans un article publié sur arXiv (2607.26279v1). L'approche cible des missions maritimes collaboratives où le feedback de progression est rare et où le respect de normes de sécurité est impératif : exploration de structures récifales inconnues, inspection d'infrastructures sous-marines, ou opérations de recherche et sauvetage. Les auteurs ont testé leur système sur une mission de sauvetage de nageurs coordonnée par plusieurs véhicules, avec un déploiement matériel réel allant jusqu'à 8 robots, et des essais en simulation portés à 12 véhicules. Le résultat annoncé : une performance d'équipe élevée tout en évitant les collisions entre engins. L'apport central tient dans le découplage entre apprentissage et conformité réglementaire. Plutôt que de laisser un algorithme coévolutionnaire découvrir seul les règles de sécurité à partir du signal de récompense, souvent trop épars pour ça, les concepteurs prescrivent directement les normes de comportement (évitement de collision, respect de protocoles) et les injectent séparément dans l'optimisation multi-objectif. Pour l'industrie de la robotique marine et sous-marine, où les essaims d'AUV et d'USV peinent encore à combiner autonomie coordonnée et garanties de sécurité certifiables, cette séparation apporte une piste concrète pour faire passer des comportements appris en simulation vers des déploiements réels sans sacrifier la conformité aux règles opérationnelles, un point de friction classique entre recherche en apprentissage et exigences réglementaires du secteur maritime. Le travail s'inscrit dans la lignée des algorithmes coévolutionnaires appliqués à la coordination multi-robots, une famille de méthodes déjà utilisée pour générer des comportements d'équipe à partir de signaux de récompense faibles, mais jusqu'ici rarement combinée de façon native avec des contraintes de conformité imposées en temps réel. L'article ne mentionne pas de partenaire industriel ni de site de déploiement commercial : il s'agit d'une démonstration de recherche, avec passage du simulateur (12 véhicules) au matériel réel (8 véhicules), une étape jugée clé par les auteurs pour crédibiliser les approches d'apprentissage appliquées à l'autonomie marine collective.

Recherche❖Paper

1 source

39

530arXiv cs.RO 

Robot humanoïde : planification dynamique de tâches guidée par LLM et logique temporelle hiérarchique pour le transfert d'objets

Des chercheurs proposent un nouveau cadre neuro-symbolique pour piloter des tâches de transfert d'objets (handover) entre plusieurs robots en présence d'humains, en combinant modèles de langage (LLM) et logique temporelle formelle. Le système traduit une instruction humaine en langage naturel en spécifications hiérarchiques de type LTLf (Linear Temporal Logic sur traces finies), puis résout un problème conjoint d'allocation de tâches et de planification, appelé STAP (Simultaneous Task Allocation and Planning). Contrairement aux approches statiques classiques, l'architecture intègre une boucle de planification à horizon glissant (receding horizon planning) couplée à une perception en temps réel, ce qui lui permet de réajuster dynamiquement les plans lorsque l'environnement change, par exemple si une personne se déplace ou modifie sa consigne. Les auteurs rapportent des expériences menées à la fois en simulation et sur des robots réels. Ce travail s'attaque à un problème central pour l'industrie robotique : les LLM permettent aujourd'hui à des non-experts de formuler des tâches complexes en langage naturel, mais les plans générés restent souvent cinématiquement infaisables ou inefficaces sur des horizons longs, faute de garanties formelles. À l'inverse, les méthodes de logique temporelle offrent des garanties de correction et d'optimalité, mais fonctionnent généralement hors-ligne et passent mal à l'échelle. En démontrant un gain mesurable de taux de réussite, de fluidité d'interaction et une réduction du surcoût de replanification par rapport à des méthodes de référence, cette approche illustre une piste concrète pour fiabiliser les systèmes multi-robots collaboratifs en environnement partagé avec des humains, un enjeu direct pour les intégrateurs qui cherchent à dépasser le stade de la démonstration contrôlée. Le papier s'inscrit dans la lignée des travaux cherchant à combiner l'expressivité des LLM avec la rigueur des méthodes formelles de planification, un axe de recherche actif face aux limites connues des architectures purement neuronales de type VLA (vision-language-action) pour les tâches longues et critiques en sécurité. Il s'agit d'une republication (replace) sur arXiv, signe d'une révision par les auteurs ; le texte ne précise pas d'affiliation industrielle ni de calendrier de déploiement commercial, ce qui en fait une contribution de recherche plutôt qu'une annonce produit.

Recherche❖Paper

1 source

39

531arXiv cs.RO 

DLAM : actions latentes distribuées avec contraintes temporelles

Les vision-language-action models, ou VLA, souffrent d'un problème structurel : les données robotiques annotées en actions restent rares, alors que les vidéos sans étiquette d'action, elles, abondent pour observer le changement physique. Une nouvelle méthode nommée DLAM (Distributional Latent Actions with Temporal Constraints), présentée dans un article publié fin juillet 2026 sur arXiv, s'attaque à ce goulot d'étranglement. Contrairement aux modèles d'actions latentes classiques, qui apprennent par reconstruction sans structure temporelle garantie, DLAM représente chaque transition entre deux images comme une gaussienne diagonale. La moyenne est ancrée dans le changement visuel observé via une reconstruction conditionnée sur l'image de référence, tandis qu'une composition normalisée et une opération de réversion, appliquées sur des triplets à intervalles égaux, contraignent à la fois la moyenne et la variance dimension par dimension. Un coefficient de corrélation partagé, léger en calcul, gère la dépendance entre transitions adjacentes qui partagent une image intermédiaire. Pour l'apprentissage de politiques en aval, l'encodeur est gelé et une politique par flow-matching est entraînée à générer conjointement les séquences de transitions moyennes et les actions du robot. L'enjeu dépasse la seule prouesse technique : il s'agit de savoir si l'on peut extraire des priors d'action fiables depuis de la vidéo brute pour compenser la pénurie de données robotiques étiquetées, un problème central pour quiconque veut entraîner des politiques de manipulation à grande échelle sans multiplier les téléopérations coûteuses. Les méthodes structurées existantes ajoutaient déjà des contraintes temporelles, mais avec des points de transition déterministes, ce qui laissait les erreurs résiduelles se propager et s'amplifier lors de compositions récursives. En modélisant l'incertitude explicitement plutôt qu'en la masquant, DLAM démontre une dynamique latente plus cohérente dans le temps sur des transitions non vues, avec une meilleure reconstruction directe et cumulative. Transféré selon le même protocole contrôlé que le modèle π0 de Physical Intelligence, il améliore aussi les performances de politique sur les bancs d'essai MetaWorld MT50, LIBERO et sur des tâches de manipulation en conditions réelles. Les ablations menées par les auteurs précisent la hiérarchie des gains : les contraintes normalisées sur la moyenne expliquent l'essentiel de l'amélioration en reconstruction, tandis que la variance apprise et la composition tenant compte des corrélations apportent des gains complémentaires, plus marginaux. Ce travail s'inscrit dans la lignée des recherches sur les modèles d'actions latentes visant à combler l'écart entre l'abondance de vidéos d'action non étiquetées et la rareté des données robotiques annotées, un axe désormais central pour l'entraînement des politiques VLA à l'échelle.

Recherche❖Paper

1 source

39

532arXiv cs.RO 

IA incarnée : de la vidéo passive à une expérience modifiable, une synthèse ancrée dans le réel

Pegasus, un nouveau framework de recherche présenté sur arXiv (arXiv:2607.26903v1), s'attaque au goulot d'étranglement des données en robotique embarquée : non pas l'architecture des modèles, mais l'accès à des données d'entraînement exploitables. Des milliards de vidéos humaines de manipulation existent déjà en ligne, mais les robots ne peuvent pas s'en servir directement à cause de l'écart de morphologie entre le corps humain et le matériel robotique. Plutôt que d'utiliser ces vidéos comme simples prompts bruts, Pegasus construit une représentation intermédiaire sous forme de graphes : un Task Graph extrait de la vidéo humaine est transformé, via des Affordance et Constraint Graphs, en un Robot Planning Graph qui pilote ensuite la génération de vidéos conditionnées au robot cible. Un espace latent hiérarchique d'affordances modélise la relation entre états des objets, affordances et tâches, ce qui permet de généraliser au-delà des objets vus à l'entraînement. Un vérificateur physique en boucle fermée filtre les générations invalides selon la faisabilité cinématique, les contraintes de collision et les limites articulaires. Le système a été évalué sur les benchmarks de manipulation égocentrique GTEA Gaze+ et EPIC-KITCHENS-100, sur plusieurs morphologies de robots, selon quatre critères : justesse de la tâche, exécutabilité, cohérence d'état et apprenabilité. L'enjeu dépasse la prouesse technique isolée : si la traduction cross-embodiment fonctionne de façon fiable, la collecte de données robotiques cesse d'être un problème de matériel (multiplier les bras et les capteurs pour chaque scénario) pour devenir un problème de transfert de connaissances, potentiellement bien moins coûteux à l'échelle. C'est un angle direct sur le débat actuel autour des modèles VLA (vision-language-action) : la difficulté n'est pas de faire fonctionner l'architecture, mais de nourrir ces modèles en démonstrations diversifiées sans dépendre de téléopération coûteuse robot par robot. Ce travail s'inscrit dans la lignée des efforts récents pour exploiter les vidéos humaines comme source de supervision pour l'apprentissage robotique, un axe de recherche actif face aux approches concurrentes qui misent sur la simulation massive (sim-to-real) ou la téléopération directe pour générer des données. En structurant explicitement la connaissance intermédiaire via des graphes plutôt qu'en s'appuyant sur des modèles génératifs de bout en bout, Pegasus propose une alternative interprétable et vérifiable physiquement, dont la suite logique serait une validation sur du matériel robotique réel au-delà des benchmarks vidéo simulés.

Recherche❖Paper

1 source

39

533arXiv cs.RO 

Vision-TL-Action : génération neuro-symbolique de trajectoires à partir d'observations visuelles et de logique temporelle

Des chercheurs présentent Vision-TL-Action, une architecture neuro-symbolique qui génère des trajectoires robotiques directement à partir d'images multi-vues, d'un graphe de logique temporelle (TL) sans coordonnées explicites, et de l'état initial du robot, sans avoir besoin de la géométrie exacte des objets au moment de l'inférence. Les tokens représentant les nœuds de logique temporelle et les tokens visuels spatiaux sont fusionnés par attention croisée bidirectionnelle, et cette représentation conditionne un générateur de trajectoires par flow matching. Les tokens visuels ne sont enrichis que de coordonnées normalisées dans le plan image et d'identifiants de caméra, tandis qu'un objectif d'ancrage prédicat-région, utilisé seulement à l'entraînement, aide le modèle à relier les prédicats logiques aux objets référencés. Évalué avec la métrique Success@K (proportion de tâches réussies par au moins une trajectoire parmi K échantillonnées), le modèle atteint 67,45% de Success@1024 sur une tâche de manipulation avec bras Panda, contre 59,11% pour une référence "oracle" disposant de l'état géométrique exact. Sur une tâche de navigation AntMaze, il obtient 96,35% de Success@256, proche des 96,88% de l'oracle. Le code est publié sur GitHub (AricLau07/vision-tl-action). L'intérêt tient au problème que ce travail contourne: les générateurs de trajectoires conditionnés par logique temporelle encodent généralement la géométrie exacte des objets dans le graphe de tâche, ce qui suppose une reconstruction 3D précise en amont, coûteuse et fragile en conditions réelles. Ici, un ancrage purement 2D dans le plan image suffit à égaler, voire dépasser, une référence disposant d'un accès privilégié à l'état du monde. Pour les intégrateurs qui conçoivent des systèmes de manipulation à partir de spécifications de tâches formelles, cela suggère qu'un pipeline vision-langage-action peut se passer d'une chaîne de perception 3D complète. À noter: ces résultats restent obtenus en simulation, sur des bancs d'essai standards (Panda, AntMaze), sans validation sur robot physique où le bruit de perception, les occlusions et les erreurs de calibration compliquent généralement ce type d'approche. Ce travail s'inscrit dans le rapprochement croissant entre logique temporelle, utilisée de longue date en planification et vérification formelle, et les générateurs de trajectoires par flow matching ou diffusion qui sous-tendent des modèles vision-langage-action comme Pi-0, GR00T ou Helix. Les auteurs situent explicitement leur contribution par rapport aux méthodes existantes qui esquivent le problème de liaison perception-symbole en s'appuyant sur une géométrie exacte. Leurs études de résolution et d'intervention montrent que la finesse de l'ancrage spatial dépend du contenu sémantique et que l'identité du prédicat influence à la fois l'attention et la performance, ouvrant la voie à des travaux futurs sur des scènes multi-objets plus complexes et une validation sur robot réel.

Recherche❖Paper

1 source

39

534arXiv cs.RO 

Vers une intelligence incarnée digne de confiance : un cadre systémique et des niveaux de fiabilité graduels

Une équipe de recherche propose dans un article arXiv (2607.26121v1) un cadre systémique pour définir et graduer la fiabilité de l'intelligence incarnée, c'est à dire les robots et systèmes physiques pilotés par des modèles d'IA. Les auteurs posent que la simple réussite d'une tâche ne suffit pas à prouver qu'un système est fiable, car un échec en environnement réel peut causer un dommage physique immédiat, contrairement à une IA purement logicielle. Ils introduisent la notion de « succès sûr et soutenu » (sustained safe success) comme objectif central, organisé en quatre couches interdépendantes : la couche modèle, qui génère des actions compétentes avec une incertitude calibrée et des préférences de sécurité explicites ; la couche système, qui exécute ces actions de façon fiable via la perception, le calcul, le contrôle, les sécurités matérielles et les mécanismes de repli en cas de panne ; la couche preuve, qui documente et valide les garanties par l'évaluation, la vérification et la traçabilité ; et la couche déploiement, qui maintient ces garanties en conditions réelles via le monitoring, la gestion des autorisations et la réponse aux incidents. Les auteurs proposent aussi une hiérarchie non normative de niveaux de fiabilité. Pour l'industrie robotique, ce travail vise directement l'écart entre démonstrations spectaculaires et fiabilité réelle en déploiement, un problème récurrent avec les robots humanoïdes et les VLA (vision-language-action) présentés en vidéo mais rarement audités sur leur robustesse aux variations d'environnement. En proposant une grille de lecture commune, pensée pour comparer les acteurs et prioriser la recherche, ce cadre pourrait devenir une référence pour les intégrateurs et décideurs B2B cherchant à évaluer objectivement un fournisseur de robotique avant un déploiement industriel, plutôt que de se fier aux seules métriques marketing (temps de cycle, taux de succès en conditions contrôlées) souvent difficiles à vérifier. Le cadre s'appuie explicitement sur des disciplines déjà matures en matière de sûreté, le contrôle, l'informatique tolérante aux pannes, les systèmes distribués et la conduite autonome, un domaine qui a déjà dû formaliser des niveaux d'autonomie normalisés (les niveaux SAE). Les auteurs positionnent leur hiérarchie comme une base possible pour une future standardisation du secteur de la robotique incarnée, un chantier qui reste largement ouvert alors que les humanoïdes commerciaux (Figure, Tesla Optimus, Agility) et les modèles génération d'action comme Pi-0 ou GR00T N2 se multiplient sans référentiel de sécurité partagé.

Recherche❖Paper

1 source

39

535arXiv cs.RO 

Tâche hiérarchique de planification et de compétences : planification robotique hiérarchique avec des compétences en boîte noire

Des chercheurs publient sur arXiv (version 3, remplaçant une précédente) une méthode baptisée TASP (Task and Skill Planning), qui étend la planification hiérarchique de tâches et de mouvements (TAMP) pour intégrer des compétences robotiques hétérogènes déjà existantes : politiques apprises, contrôleurs à retour de force, et modules « boîte noire ». L'approche s'appuie sur les Composable Interaction Primitives (CIP) pour générer automatiquement des plans de mouvement de transition, en amont et en aval de chaque compétence, qui relient deux savoir-faire consécutifs entre eux. Ces primitives permettent d'ajuster la trajectoire aussi bien au moment de la planification qu'en cours d'exécution. Les auteurs valident leur système par des expériences réelles sur un manipulateur bimanuel et un manipulateur mobile, en résolvant des tâches longues et complexes, y compris des scénarios de manipulation mobile sur plusieurs pièces avec une structure de tâche non monotone, c'est-à-dire nécessitant de revenir en arrière ou de réordonner des sous-objectifs. L'intérêt pour l'industrie tient au fait que les méthodes TAMP classiques supposaient jusqu'ici que chaque action robotique se ramène à de la planification de mouvement cinématique pure, ce qui limitait leur usage aux tâches purement géométriques. En montrant qu'un planificateur hiérarchique peut combiner des compétences de nature très différente tout en conservant un raisonnement sur les échecs centré sur les objets, TASP ouvre une voie modulaire : un intégrateur peut assembler des politiques déjà entraînées séparément, sans devoir tout réentraîner dans un modèle unique. Cela nourrit le débat entre l'approche « tout-en-un » portée par les grands modèles vision-langage-action et une approche composite où des briques spécialisées restent pilotées par un planificateur symbolique classique, potentiellement plus robuste et plus facile à déboguer en environnement industriel. Ce travail s'inscrit dans une tendance récente de la recherche en robotique consistant à hybrider TAMP et contrôleurs en boucle fermée ou compétences apprises, plutôt que de s'en tenir à la planification de mouvement pure. Il se positionne en alternative modulaire face aux modèles génériques de type Pi-0, GR00T N2 ou Helix, qui visent au contraire une politique unique bout-en-bout. Il s'agit ici d'un article de recherche académique, sans annonce de produit commercial ni de calendrier de déploiement : les résultats montrent une faisabilité réelle sur deux plateformes robotiques distinctes, mais restent à ce stade du domaine expérimental plutôt qu'industriel.

Recherche❖Paper

1 source

38

536arXiv cs.RO 

RLMM-Flow : un cadre de manipulation mobile basé sur les flux avec apprentissage par renforcement en espace latent

Découpler flux génératif et apprentissage par renforcement, c'est l'angle d'un nouveau papier arXiv (2607.26460v1) publié fin juillet 2026 sur la manipulation mobile robotique. L'équipe présente RLMM-Flow, un framework qui combine une politique générative par flux (flow-based policy), pré-entraînée par imitation sur des démonstrations d'experts, avec une phase de renforcement post-entraînement menée dans l'espace latent. Concrètement, la politique de flux capture d'abord un a priori de mouvement multimodal du corps entier à partir des démonstrations, puis elle est gelée pendant qu'un réseau de pilotage latent réoriente le bruit initial vers des séquences d'actions à plus forte valeur. Pour stabiliser cette optimisation en haute dimension, les auteurs font chauffer un critique dans l'espace des actions avant d'entraîner conjointement le critique et l'acteur latents, avec un pilotage latent progressif, du grossier au fin, qui étend le contrôle d'une représentation latente partagée sur l'horizon temporel vers une représentation résiduelle complète. Sur des benchmarks de planification de mouvement pour la manipulation mobile, RLMM-Flow améliore nettement le taux de réussite des tâches, l'évitement de collision et la qualité des trajectoires par rapport aux politiques de flux entraînées uniquement par imitation, tout en conservant une inférence rapide. L'enjeu dépasse la seule performance benchmark: il touche à une limite bien identifiée des politiques génératives de type flow-matching ou diffusion, aujourd'hui standard pour piloter des robots manipulateurs, à savoir que l'imitation pure plafonne à la qualité des démonstrations, sans possibilité de dépasser ce plafond. En montrant qu'un renforcement post-entraînement dans l'espace latent, plutôt que dans l'espace des actions brutes, peut pousser la politique au-delà de cette distribution tout en préservant la vitesse d'inférence, RLMM-Flow répond à une préoccupation centrale des intégrateurs qui cherchent à fiabiliser des politiques VLA pour la manipulation mobile en environnement contraint, où il faut satisfaire simultanément l'atteinte d'objectifs, l'évitement d'obstacles, la cinématique de la base et les limites articulaires du bras. Le travail se positionne explicitement face à deux familles existantes: les politiques de flux entraînées uniquement par imitation, et les baselines de renforcement post-entraînement déjà proposées pour ce type de politiques génératives. Il s'agit à ce stade d'un travail de recherche évalué sur des benchmarks de planification de mouvement en simulation, sans validation annoncée sur robot physique ni déploiement industriel, aucun acteur commercial ni site de déploiement n'étant mentionné dans l'abstract.

Recherche❖Paper

1 source

38

537arXiv cs.RO 

Explicit guidage cinématique à partir de concepts analytiques pour les modèles vision-langage-action

Une équipe de recherche publie sur arXiv (référence 2607.26513v1) un nouveau module baptisé Concept Expert, conçu pour les modèles Vision-Language-Action (VLA) utilisés en manipulation robotique. Le constat de départ est simple : la plupart des VLA actuels s'appuient uniquement sur des entrées 2D et ignorent la structure tridimensionnelle réelle des objets, ce qui limite leur précision dans les tâches de manipulation fine. Le Concept Expert construit ce que les auteurs appellent des "concepts analytiques exécutables", des sortes de plans programmatiques explicites décrivant chaque objet. Le mécanisme fonctionne en deux temps : avant l'inférence, il exploite des modèles de fondation visuels (VFM) pour estimer les paramètres cinématiques et structurels initiaux d'un objet ; ensuite, pendant la manipulation, le VLA suit et met à jour dynamiquement ces paramètres pour rester aligné avec ce qu'il observe en temps réel. Ces concepts servent ensuite à guider le fine-tuning du modèle, via des récompenses programmatiques denses et un guidage spatial précis. Les auteurs rapportent des gains constants de taux de succès et d'efficacité d'apprentissage, en apprentissage supervisé comme en renforcement. L'intérêt de cette approche pour l'industrie robotique tient à un problème persistant des modèles VLA à grande échelle : leur difficulté à généraliser des manipulations précises sans passer par une compréhension géométrique explicite des objets manipulés. En intégrant une représentation 3D structurée directement dans le pipeline d'apprentissage, plutôt que de compter uniquement sur des corrélations apprises à partir d'images 2D, cette méthode s'attaque frontalement à l'écart entre démonstrations en laboratoire et robustesse en conditions réelles, un point sensible pour les intégrateurs qui déploient des VLA de type Pi-0, GR00T N2 ou Helix sur des tâches industrielles exigeant une précision fine (préhension, insertion, alignement). Si les gains annoncés se confirment sur des bancs d'essai plus larges, cela pourrait renforcer la crédibilité des approches hybrides combinant fondations visuelles 3D et bout-en-bout, plutôt que le tout-apprentissage pur actuellement dominant chez la plupart des labos. Ce travail s'inscrit dans une tendance de fond de la recherche en VLA post-training, où plusieurs équipes cherchent à injecter des a priori structurels (géométrie, physique, cinématique) dans des modèles historiquement entraînés de façon purement data-driven sur des vidéos ou démonstrations téléopérées. Les grands acteurs du secteur, qu'il s'agisse des laboratoires derrière Pi-0 ou GR00T, explorent des voies similaires pour combler le fossé entre performance en démonstration et fiabilité en déploiement réel. La publication, encore au stade de preprint arXiv, ne précise pas de partenariat industriel ni de calendrier de transfert vers des plateformes commerciales ; elle reste pour l'instant une contribution méthodologique dont l'impact concret dépendra de sa reproduction et de son adoption par des équipes travaillant sur des bras robotiques ou des humanoïdes en conditions réelles.

Recherche❖Paper

1 source

38

538arXiv cs.RO 

HumanCLAW : les modèles vision-langage peuvent-ils agir à travers un corps ?

Décider où poser le pied ou quoi ramasser est une chose ; l'exécuter avec un corps qui doit garder l'équilibre en est une autre, et jusqu'ici les benchmarks d'IA incarnée mélangeaient les deux dans un seul score d'échec. Une équipe de recherche présente HumanCLAW, un cadre d'évaluation qui sépare explicitement la décision d'action, confiée à un modèle vision-langage (VLM) générique non modifié, de son exécution motrice. À chaque étape, le VLM se contente d'émettre une commande de compétence atomique (aller vers, saisir, éviter), traduite ensuite en une fraction de seconde de mouvement corporel complet soumis à la vraie physique, gravité et collisions comprises, mais dont l'exécution motrice elle-même n'est pas imputée au modèle. Sur cette base, les chercheurs ont construit HumanCLAW-Bench : 1 218 épisodes longs, en vue égocentrique, combinant recherche, navigation et interaction dans 41 scènes d'intérieur. Neuf VLMs de pointe ont été testés, et aucun ne parvient à résoudre le benchmark ; le meilleur plafonne à 16,8 % de réussite. Ce résultat déplace le diagnostic habituel sur l'IA incarnée. Puisque les erreurs de motricité et d'équilibre sont neutralisées par construction, l'échec ne peut plus être attribué à un contrôleur bas niveau défaillant : il révèle une limite propre à l'intelligence décisionnelle du modèle. Or reconnaître la cible visuellement n'est pas le problème, selon les auteurs : c'est l'absence de conscience corporelle incarnée qui bloque les VLMs, incapables de savoir où se situe leur propre corps, s'ils ont atteint l'objectif, ou s'ils viennent de heurter un obstacle. Pour les équipes qui développent des modèles vision-langage-action destinés à des robots humanoïdes, cela suggère que l'ajout de capacités motrices ou de données de démonstration ne suffira pas tant que le modèle n'intègre pas une forme de proprioception explicite. HumanCLAW s'inscrit dans une lignée de benchmarks d'IA incarnée cherchant à isoler les sources d'échec plutôt qu'à mesurer un taux de succès global. En proposant une méthodologie reproductible et un large jeu de scènes, les auteurs ouvrent la voie à des comparaisons plus fines entre futurs VLMs et à des pistes de recherche ciblées sur l'auto-localisation et le suivi d'état corporel, plutôt que sur la seule perception d'objets.

Recherche❖Paper

1 source

38

539arXiv cs.RO 

SymmGrid : passer à l'échelle l'apprentissage embarqué grâce aux symétries parallélisées et à la perception visuelle égocentrique-exocentrique

SymmGrid, présenté dans un article déposé sur arXiv (2607.26985v1), s'attaque à la lenteur de l'apprentissage par renforcement directement sur robot physique, dit « on-robot learning ». La méthode exploite des symétries parallélisées : des transformations de groupe appliquées au niveau de la trajectoire entière, qui peuplent le buffer de rejeu avec de multiples variantes cohérentes de chaque expérience vécue par le robot. Le système fonctionne aussi bien en vision égocentrique (caméra embarquée) qu'exocentrique (caméra externe) ; dans ce second cas, des homographies déforment la scène visuelle pour qu'elle reste cohérente avec chaque transformation spatiale appliquée à l'état et à l'action. Les auteurs ont testé SymmGrid sur robot réel, sur trois tâches de manipulation avec contact : insertion de pièces (peg-insertion), routage de câbles et repositionnement d'objets. Comparé aux méthodes de référence, l'apprentissage converge 1,37 à 2,17 fois plus vite, avec un taux de réussite amélioré de 1,09 à 1,27 fois. Les temps de convergence les plus rapides obtenus sont de 16,6, 10,9 et 79,3 minutes pour ces trois tâches respectivement, et le gain sur l'aire sous la courbe normalisée atteint 2,59 fois. L'enjeu dépasse la simple optimisation académique : entraîner un robot en conditions réelles reste bloqué par le temps machine, chaque essai se déroulant en temps réel sans parallélisation possible, ce qui pousse l'essentiel de la recherche vers le sim-to-real. SymmGrid propose une voie alternative, moins gourmande en données et en simulateurs haute fidélité, directement exploitable sur le matériel. Si les gains se confirment à plus grande échelle, l'objectif affiché de descendre sous les dix minutes d'entraînement pour des tâches de manipulation avec contact intéresserait directement les intégrateurs devant reconfigurer rapidement des bras ou des humanoïdes pour de nouvelles tâches, sans dépendre de politiques génératives entraînées sur des volumes massifs de données. Les résultats restent toutefois limités à trois tâches définies en laboratoire, sans validation sur une politique généraliste multi-tâches ni sur des plateformes humanoïdes complexes. L'approche s'inscrit dans la lignée des méthodes d'apprentissage par renforcement exploitant des symétries connues du problème pour augmenter artificiellement les données d'entraînement, une piste étudiée depuis plusieurs années en robotique et en RL équivariant. L'ambition affichée par les auteurs, du sub-10-minute training pour la manipulation de précision, tranche avec les cycles d'entraînement de plusieurs heures voire jours habituels en apprentissage réel. La page du projet est accessible sur symmgrid-robot.github.io ; l'article ne précise pas encore de calendrier de transfert vers des plateformes commerciales.

Recherche❖Paper

1 source

38

540arXiv cs.RO 

Speech2Grasp : transfert efficace de la détection de préhension conditionnée par le texte vers la parole chez les robots humanoïdes

Des chercheurs publient sur arXiv (référence 2607.26567v1) Speech2Grasp, un framework qui transfère vers la parole une capacité jusque-là limitée au texte : la détection de préhension (grasp detection) chez les robots humanoïdes. Le point de départ est ALBEF, un modèle vision-langage établi utilisé comme cas d'étude. Les auteurs montrent par des analyses diagnostiques qu'un simple projecteur léger, un perceptron multicouche (MLP), suffit à adapter ALBEF à des entrées vocales, en conservant sa capacité de discrimination sémantique et sa robustesse. Sur cette base, l'équipe construit Speech2Grasp, un système entraîné de façon économe en données. Testé sur un robot humanoïde réel, il surpasse un pipeline classique en cascade, où la parole est d'abord transcrite par reconnaissance vocale (ASR) puis traitée comme du texte, tout en réduisant la latence d'inférence. Ce résultat comble un décalage fréquent dans l'interaction homme-robot : la plupart des systèmes de perception et de manipulation restent conditionnés par du texte, alors que la parole est le canal naturel pour un humain donnant des instructions. Passer par un pipeline ASR classique ajoute de la latence et propage les erreurs de transcription vers l'étape de compréhension. Pour les intégrateurs qui conçoivent des interfaces vocales pour humanoïdes, la démonstration qu'une adaptation légère et peu coûteuse en données suffit à conserver les performances d'un modèle texte est un signal pratique : elle suggère qu'il n'est pas nécessaire de réentraîner des modèles vision-langage entiers pour les rendre exploitables en environnement vocal réel. Le travail s'inscrit dans la vague plus large des modèles vision-langage-action (VLA), à l'image de GR00T N2, Pi-0 ou Helix, qui conditionnent tous leurs actions sur des instructions en langage naturel, généralement écrites. ALBEF, lui, vient de la recherche en pré-entraînement vision-langage, hors robotique. Speech2Grasp propose ainsi un paradigme de transfert potentiellement réutilisable pour d'autres systèmes texte-conditionnés du secteur, plutôt qu'une architecture figée. Les auteurs présentent leurs résultats comme une preuve de concept ; les prochaines étapes attendues porteraient sur l'extension à d'autres tâches de manipulation et à d'autres modèles VLA.

Recherche❖Paper

1 source

38

541arXiv cs.RO 

Apprentissage par renforcement sur du matériel quadrupède à coût limité

Des chercheurs démontrent qu'il est possible d'obtenir une locomotion robotique robuste sur du matériel quadrupède bas coût, malgré des latences matérielles qui compromettent habituellement les politiques de contrôle apprises par renforcement. Sur la plateforme Mini Pupper 2, l'équipe mesure un délai de transport de plus de 50 millisecondes entre la commande envoyée à l'actionneur et son exécution réelle, un délai qui transforme la tâche de marche d'un processus de décision markovien classique en un problème partiellement observable, bien plus difficile à résoudre par apprentissage. Pour combler cet écart entre simulation et déploiement réel, les auteurs combinent un modèle prédictif du délai moyen des actionneurs avec un réseau de neurones "conscient du temps" (time-aware), c'est-à-dire capable d'intégrer explicitement la dimension temporelle dans ses décisions. Résultat marquant : ce réseau apprend spontanément un générateur de motif central (CPG), un patron de marche rythmique auto-entretenu qui reste stable même face à des perturbations de latence allant jusqu'à 320 millisecondes. L'enjeu dépasse le simple exercice académique. La plupart des progrès en locomotion apprise par renforcement s'appuient sur du matériel haut de gamme, aux actionneurs précis et peu sujets au bruit, ce qui limite la portée pratique de ces recherches pour des robots réellement abordables. Ici, l'équipe montre qu'un défaut matériel structurel, le délai de transport, peut être compensé non pas en améliorant l'actionneur mais en changeant l'architecture de contrôle elle-même. C'est un signal utile pour les intégrateurs et fabricants visant des plateformes robotiques low-cost : le goulot d'étranglement du sim-to-real n'est pas uniquement une question de fidélité de simulation, mais aussi de représentation temporelle dans le réseau de contrôle. L'approche s'inspire directement de la biologie : les générateurs de motifs centraux existent naturellement dans la moelle épinière des vertébrés, où ils produisent des rythmes moteurs autonomes indépendants du retour sensoriel direct, précisément pour gérer les délais de transmission nerveuse. En retrouvant ce même mécanisme de manière émergente dans un réseau artificiel confronté à un problème analogue, les auteurs suggèrent que l'auto-organisation temporelle pourrait constituer une stratégie générale, et non un simple artifice, pour la locomotion sur matériel contraint en coût. Les auteurs positionnent ce travail comme une piste à creuser plutôt qu'une solution définitive, ouvrant la voie à des tests sur d'autres plateformes bas coût et d'autres profils de délai.

Recherche❖Paper

1 source

38

542arXiv cs.RO 

SG-CoT : un cadre de planification robotique conscient de l'ambiguïté via des graphes de scène

Une équipe de recherche a publié la troisième version d'un article arXiv (2603.18271v3) décrivant SG-CoT, pour Scene Graph-Chain-of-Thought, un framework en deux étapes destiné à réduire les erreurs de planification robotique causées par l'ambiguïté des instructions. Le système construit d'abord une représentation en graphe de scène de l'environnement à partir des observations du robot, capturant les objets présents, leurs attributs et leurs relations entre eux. Dans un second temps, le modèle de langage utilisé comme planificateur interroge ce graphe via des fonctions de récupération pour ne mobiliser que les portions pertinentes par rapport à l'instruction reçue. Lorsqu'une ambiguïté persiste, SG-CoT permet au LLM d'en identifier la source précise et de formuler une question de clarification, adressée à l'utilisateur ou à un autre robot. Les auteurs rapportent des gains d'au moins 10 % en précision des questions posées, et des hausses de taux de réussite de 4 % en environnement mono-agent et 15 % en environnement multi-agent, par rapport aux méthodes antérieures testées. L'enjeu dépasse le seul exercice académique. L'utilisation de LLM comme planificateurs pour robots physiques bute régulièrement sur un problème simple mais critique en usage réel : les instructions humaines sont souvent sous-spécifiées ("prends la tasse" quand plusieurs tasses sont visibles), et un modèle qui devine plutôt que de demander précision multiplie les erreurs d'exécution coûteuses en environnement industriel ou domestique. En ancrant le raisonnement du LLM dans une représentation structurée et interrogeable de la scène plutôt que dans une simple description textuelle ou une image brute, SG-CoT s'attaque directement à l'écart entre démonstrations en laboratoire et fiabilité déployable, un point sensible pour tout intégrateur évaluant des architectures VLA ou LLM-planner pour l'AMR ou la manipulation. Ce travail s'inscrit dans une littérature de recherche déjà dense sur le couplage entre graphes de scène et modèles de langage pour la planification robotique, où plusieurs équipes académiques explorent des approches de grounding similaires pour limiter les hallucinations de plans d'action. Le fait qu'il s'agisse d'une version "replace" (v3) suggère des révisions après retours de relecture. Aucun déploiement industriel ni partenariat commercial n'est mentionné : les résultats reposent sur des expérimentations contrôlées en simulation ou banc de test, une nuance à garder en tête avant toute extrapolation vers une adoption en production.

Recherche❖Paper

1 source

37

543arXiv cs.RO 

GBPP : prédiction de placement de base sensible à la préhension via un apprentissage en deux étapes

Des chercheurs proposent GBPP, un système d'apprentissage rapide qui détermine où positionner la base d'un robot mobile avant une opération de préhension, à partir d'une simple image RGB-D. La méthode repose sur un apprentissage en deux temps : une première phase utilise une règle simple de distance et de visibilité pour étiqueter automatiquement un grand volume de données à faible coût, puis une seconde phase affine le modèle grâce à un nombre plus restreint d'essais en simulation à haute fidélité, calibrés sur les résultats réels de préhension. Le cœur du système est un encodeur de nuage de points inspiré de PointNet++, couplé à un perceptron multicouche qui évalue une grille dense de poses candidates pour la base du robot. Testé à la fois en simulation et sur un manipulateur mobile réel, GBPP surpasse les approches de référence fondées uniquement sur la proximité ou la géométrie, en choisissant des positions plus sûres et plus facilement atteignables, et en se dégradant progressivement plutôt que brutalement lorsque son estimation est erronée. Ce travail s'attaque à un goulot d'étranglement classique de la manipulation mobile : trouver la bonne position de la base avant de saisir un objet nécessite normalement une optimisation conjointe de la tâche et du mouvement, coûteuse en temps de calcul et peu compatible avec des cadences industrielles. En remplaçant cette optimisation complète par un scoring quasi instantané, GBPP ouvre la voie à une sélection de pose en ligne, un enjeu direct pour les intégrateurs déployant des robots mobiles en entrepôt ou en usine, où chaque seconde de planification compte. Le résultat conforte aussi une hypothèse plus large du secteur : des heuristiques peu coûteuses suffisent à couvrir l'essentiel du problème, à condition d'être recalibrées par un nombre ciblé de simulations fidèles, plutôt que de tout miser sur une simulation massive ou sur un apprentissage entièrement supervisé. Le papier, référencé arXiv:2509.11594 et publié dans une troisième version révisée, s'inscrit dans la lignée des travaux sur le placement de base pour la manipulation mobile, un problème habituellement traité par des méthodes de planification tâche-et-mouvement (TAMP) ou par des heuristiques géométriques simples, toutes deux limitées soit en vitesse soit en robustesse. En positionnant GBPP comme une alternative data-efficiente entre ces deux extrêmes, les auteurs proposent une recette réutilisable pour d'autres briques de la robotique mobile où la donnée réelle est rare mais où la simulation ciblée reste abordable.

Recherche❖Paper

1 source

37

544arXiv cs.RO 

PolygMap : un cadre de locomotion perceptive pour la montée d'escaliers des robots humanoïdes

Traversée d'escaliers pour robots humanoïdes: des chercheurs présentent PolyMap, un système de navigation qui construit en temps réel une carte sémantique polygonale des marches à partir de la fusion de plusieurs capteurs, LiDAR, caméra RGB-D et centrales inertielles. Le robot segmente chaque plan de marche sous forme de polygones puis calcule où poser le pied grâce à un planificateur qui exploite directement ces segments plans. L'ensemble tourne sur une carte NVIDIA Orin embarquée, avec une sortie de planification de mouvement corps entier à 20-30 Hz, une cadence suffisante pour ajuster la trajectoire du robot en marchant sans interrompre la locomotion. Les auteurs, dont les travaux sont documentés dans un article déposé sur arXiv (2510.12346, version 2, remplaçant une publication antérieure), rapportent des essais réels en intérieur et en extérieur validant la robustesse et l'efficacité de l'approche pour la montée d'escaliers. L'enjeu dépasse la simple prouesse technique: la marche humanoïde actuelle reste largement conçue pour des sols plats et prévisibles, un schéma de marche générique qui ne demande pas au robot de regarder où il pose le pied. Grimper un escalier inconnu exige au contraire une perception précise et une planification de pas en temps réel, exactement le type de tâche où les démonstrations spectaculaires en environnement contrôlé échouent souvent une fois confrontées à un terrain réel non calibré. En combinant cartographie sémantique et planification de pas sur du matériel embarqué à cadence élevée, PolyMap répond directement à ce fossé entre démonstration et déploiement, un point sensible pour tout intégrateur envisageant des humanoïdes en environnement industriel ou logistique comportant des dénivelés. Cette approche s'inscrit dans une lignée de recherche plus large sur la locomotion perceptive, qui cherche à remplacer les mouvements scriptés par une perception active de l'environnement, un axe également exploré par d'autres laboratoires académiques et industriels travaillant sur la marche humanoïde. Le papier étant une publication arXiv de recherche et non une annonce produit, aucun calendrier de commercialisation n'est communiqué; il s'agit ici d'une contribution méthodologique destinée à alimenter les futurs systèmes de contrôle plutôt que d'un déploiement commercial annoncé.

Recherche❖Paper

1 source

37

545arXiv cs.RO 

MoMo : composer le mode de mouvement en manipulation robotique via une tokenisation spatio-temporelle de l'action

Une équipe de recherche présente MoMo, un framework d'apprentissage par imitation en deux étapes qui permet de faire varier non plus seulement la précision d'un geste robotique, mais sa manière d'être exécuté. Le système combine un tokeniseur d'actions spatio-temporel et un transformeur de clonage comportemental, qui reçoit en entrée à la fois la tâche à accomplir et une condition continue de « mode de mouvement ». Testé sur six tâches de manipulation avec un robot réel, ce paramètre permet de produire des comportements qualifiés de posés, dynamiques ou intermédiaires, que des évaluateurs humains parviennent à distinguer de façon fiable. Les différences se mesurent concrètement dans la vitesse et l'accélération des articulations, ainsi que dans l'angle d'approche de l'effecteur terminal. Fait notable, lorsqu'une tâche n'a été démontrée que dans un seul mode d'exécution, MoMo parvient à transférer un mode demandé mais jamais vu pour cette tâche précise, tout en conservant l'essentiel du taux de réussite. Le papier est publié sur arXiv (2607.26315v1). Cette capacité de généralisation compositionnelle, à savoir combiner une tâche connue avec un style d'exécution inédit, touche un point sensible du déploiement industriel des robots manipulateurs: jusqu'ici, les modèles vision-langage-action (VLA) de type Pi-0, GR00T N2 ou Helix se concentrent surtout sur le « quoi faire », rarement sur le « comment le faire ». Or pour un intégrateur, la manière d'exécuter un geste compte autant que sa réussite: un préhenseur qui va vite sur une pièce robuste mais qui doit ralentir sur un composant fragile, ou une cadence différente selon la proximité d'un opérateur humain. Que ce réglage de style soit réutilisable d'une tâche à l'autre, sans réentraîner un modèle dédié par comportement, laisse entrevoir une réduction du coût de personnalisation des compétences robotiques en usine. Ce travail s'inscrit dans la lignée des recherches en clonage comportemental et en apprentissage par imitation, qui cherchent depuis plusieurs années à dépasser la simple reproduction de trajectoires démontrées pour capturer des facteurs de comportement transférables. Il reste, à ce stade, une preuve de concept académique limitée à six tâches et un seul bras robotique en laboratoire, sans indication de partenariat industriel ni de calendrier de déploiement. La suite logique serait une validation sur davantage de plateformes et de familles de tâches, pour vérifier si ce contrôle du style de mouvement tient à l'échelle des modèles VLA généralistes actuellement commercialisés.

Recherche❖Paper

1 source

37

546arXiv cs.RO 

La pratique fait la politique : construire et consolider des capacités robotiques sans démonstration humaine

HERO (Heuristic-Exemplar-Reflexive Orchestration) est un cadre robotique proposé dans un article arXiv publié fin juillet 2026, conçu pour permettre à un bras ou un robot manipulateur d'apprendre des tâches de manipulation sans aucune démonstration humaine préalable. Le système combine trois mécanismes dans une architecture hiérarchique unifiée : un raisonnement heuristique pour explorer et amorcer de nouvelles tâches, une réutilisation d'exemplaires pour transférer rapidement des comportements déjà appris à des situations similaires, et une exécution réflexive qui corrige les erreurs en temps réel pendant l'interaction physique. L'idée centrale est que le robot collecte lui-même ses données d'entraînement en agissant dans l'environnement, puis consolide progressivement les interactions récurrentes en politiques visuomotrices en boucle fermée, c'est-à-dire des comportements appris directement à partir des flux caméra et capteurs, sans supervision humaine continue. Les auteurs rapportent, via des expériences étendues, une réduction substantielle de l'intervention humaine lors de la collecte de données, avec une manipulation jugée robuste sur des tâches variées. L'intérêt pour l'industrie tient au problème que HERO cherche à résoudre : la plupart des systèmes de manipulation robotique actuels apprennent des compétences figées, calibrées pour une tâche ou un environnement précis, et ne s'améliorent pas de façon autonome au fil de l'usage réel. Un mécanisme qui transforme l'expérience accumulée en capacités réutilisables, sans démonstrations humaines coûteuses à collecter, s'attaque directement au goulot d'étranglement des données qui freine le déploiement à grande échelle des politiques de type VLA (vision-language-action) chez les intégrateurs et fabricants de robots généralistes. Ce travail s'inscrit dans une lignée de recherche plus large sur l'auto-amélioration des agents incarnés, où plusieurs laboratoires explorent des boucles fermées entre collecte de données, entraînement de politiques et exécution. Il s'agit ici d'une publication de recherche, pas d'un produit commercialisé ni d'un déploiement industriel documenté : les résultats proviennent d'expériences en laboratoire, et l'article ne précise ni le matériel utilisé ni de comparaison chiffrée avec des systèmes concurrents nommés.

Recherche❖Paper

1 source

35

547arXiv cs.RO 

NeoRacer : voiture de course autonome open source à l'échelle 1:12, standardisée pour l'évaluation et l'enseignement

La Neobotics Foundation et Seeed Studio ont présenté NeoRacer, une plateforme open source de voiture de course autonome à l'échelle 1:12, conçue pour le benchmarking et l'enseignement en robotique. Vendue pré-assemblée à 2 699 dollars, elle embarque un NVIDIA Jetson Orin Nano délivrant 67 TOPS de calcul, un LiDAR à 270 degrés, une caméra global shutter à 120 images par seconde et une centrale inertielle 9 axes. Seeed Studio assure la fabrication, avec pour objectif une production évolutive et reproductible. Selon les concepteurs, NeoRacer offre plus de trois fois la puissance de calcul des plateformes comparables, pour moins de la moitié du prix de l'alternative pré-assemblée la plus proche. Le matériel est publié sous licence CERN-OHL-S v2 et le logiciel sous GPLv3 ; fichiers de conception, firmware et paquets ROS2 sont accessibles publiquement. Deux déploiements pilotes ont validé l'architecture : le programme IAP du MIT, avec 15 étudiants, et le CPS Lab de l'université de Boston, avec 10 étudiants. La recherche en course autonome souffre d'un manque de plateforme matérielle standardisée : les équipes assemblent des systèmes maison ou achètent des véhicules de niche coûteux, ce qui rend la comparaison des algorithmes et la reproductibilité des résultats difficiles d'un laboratoire à l'autre. Cette fragmentation limite aussi l'accès des équipes hors des laboratoires bien financés, tandis que les robots éducatifs abordables restent souvent sous-dimensionnés en calcul embarqué. En proposant un châssis unique, ouvert et documenté à un prix contenu, NeoRacer cherche à combler ce vide, à la manière dont d'autres disciplines scientifiques ont accéléré leurs progrès grâce à des bancs d'essai partagés. Pour les chercheurs en contrôle et robotique comme pour les enseignants, cela ouvre la possibilité de comparer des algorithmes de perception et de planification sur un matériel commun plutôt que sur des configurations disparates, un enjeu concret pour la crédibilité des publications et l'accessibilité pédagogique. Le projet est porté conjointement par la Neobotics Foundation, dédiée à l'open hardware robotique, et Seeed Studio, fabricant connu pour ses cartes de développement et son implication dans plusieurs initiatives matérielles ouvertes en robotique et IA embarquée. NeoRacer s'inscrit dans la lignée des plateformes de course miniature autonome existantes, comme F1TENTH, référence académique du domaine, avec l'ambition d'un meilleur compromis coût-performance et d'une chaîne de production industrialisée plutôt qu'artisanale. La publication détaille les choix d'architecture matérielle et logicielle ainsi que les arbitrages coût-performance issus des deux déploiements pilotes. La disponibilité publique de l'ensemble des fichiers de conception laisse présager une adoption élargie par d'autres établissements, à confirmer par de futurs déploiements au-delà du MIT et de Boston University.

Infrastructure⚡Actu

1 source

32

548arXiv cs.RO 

Contrôle temporel par retard utilisant une nouvelle loi adaptative non linéaire pour robots à câbles

Des chercheurs présentent, dans une prépublication déposée sur arXiv le 26 juillet 2026 (arXiv:2607.26383v1), une nouvelle stratégie de commande pour les robots à câbles, ces manipulateurs entraînés par des câbles au lieu de bras rigides. Ces systèmes souffrent de fortes non-linéarités et d'une faible rigidité structurelle, ce qui complique le suivi précis de trajectoire face à des incertitudes variables et des perturbations externes. La méthode, baptisée AFONTSM (adaptive fractional-order nonsingular terminal sliding mode), s'appuie sur l'estimation du retard temporel (time-delay estimation, TDE) dans un cadre de commande sans modèle dynamique, combinée à une dynamique d'erreur en mode glissant terminal non singulier d'ordre fractionnaire et à une loi d'approche en mode glissant terminal rapide. Sa contribution principale est une loi adaptative qui introduit un terme exponentiel dans le gain de mise à jour, un mécanisme non linéaire censé limiter le broutement (chattering) causé par le bruit pendant un suivi lisse, tout en maintenant le gain adaptatif lors des inversions de trajectoire. Une analyse de Lyapunov établit la bornitude uniforme de l'erreur de poursuite. Sur banc d'essai, mesuré sur deux articulations, le RMSE recule de 34,52% et 31,11%, l'ITAE de 33,79% et 32,97%, et l'ISCT de 6,69% et 17,77% par rapport à une méthode de référence. Pour les intégrateurs qui déploient des robots à câbles, en logistique, en rééducation ou pour des applications à grande échelle comme les radiotélescopes suspendus, l'intérêt tient surtout au caractère sans modèle de l'approche: la commande TDE évite de devoir identifier précisément la dynamique du robot, souvent complexe et changeante pour ce type de mécanisme. Une meilleure suppression du chattering sans sacrifier la réactivité lors des changements brusques de direction s'attaque à un compromis classique des commandes en mode glissant, potentiellement transposable à d'autres classes de robots sous-actionnés ou à câbles industriels. Ce travail s'inscrit dans une lignée de recherche déjà dense sur les modes glissants terminaux et leurs variantes d'ordre fractionnaire, où les auteurs comparent explicitement leur loi adaptative à plusieurs lois récemment publiées, revendiquant une réponse plus rapide et une évolution de gain plus stable. Des essais complémentaires en charge visent à vérifier la robustesse et la répétabilité. Il s'agit toutefois d'une prépublication non encore évaluée par les pairs, validée en laboratoire sur un prototype à deux articulations, loin d'un déploiement industriel: les gains annoncés restent à confirmer sur des architectures de câbles plus complexes.

Recherche❖Paper

1 source

40

549Pandaily 

AgiBot WITA-Omni domine le classement mondial DailyOmni, devant Google Gemini, ByteDance Doubao et Alibaba Qwen en compréhension multimodale incarnée

AgiBot a annoncé que son modèle multimodal maison WITA-Omni Preview a obtenu un score de 85,21 sur le classement DailyOmni, se plaçant devant Alibaba Qwen, Google Gemini, ByteDance Doubao et NVIDIA, avec la première place sur six des huit indicateurs évalués. Ce benchmark mesure la capacité à traiter simultanément des signaux audio et visuels en environnement réel : alignement audio-visuel (86,13), raisonnement temporel sur des événements (84,64), raisonnement croisé multimodal (85,06), ainsi que les meilleurs scores sur des tâches de compréhension vidéo de 30 et 60 secondes. Contrairement aux modèles multimodaux généralistes conçus pour l'interaction avec du contenu numérique, WITA-Omni est construit dès l'origine pour l'interaction incarnée, où un robot doit comprendre, répondre et agir dans un environnement physique en temps réel. Son architecture, baptisée Thinker-Talker-Actor, remplace le pipeline séquentiel classique (reconnaissance vocale, compréhension sémantique, génération de réponse, synthèse vocale, puis action) par trois modules exécutés en parallèle sur une même ligne temporelle : Thinker pour le raisonnement multimodal, Talker pour la génération de parole en flux continu, et Actor pour les gestes et expressions faciales. Le module Actor reçoit à la fois l'état sémantique de Thinker et les variables latentes audio de Talker, ce qui synchronise les mouvements du robot avec le rythme, les pauses, l'emphase et le ton émotionnel de la parole. Cette annonce mérite d'être lue avec prudence : il s'agit d'un score de benchmark communiqué par AgiBot lui-même, sans validation indépendante ni accès public au modèle à ce stade, et la comparaison porte sur des systèmes multimodaux généralistes (Gemini, Doubao, Qwen) plutôt que sur des concurrents directement spécialisés dans l'incarnation robotique. Cela dit, si les chiffres se confirment, l'enjeu dépasse le simple classement technique. La suppression de la latence cumulative du pipeline séquentiel classique et la synchronisation geste-parole-expression touchent directement un problème concret pour les intégrateurs : la crédibilité des interactions humain-robot dans des environnements non contrôlés, au-delà de l'usine. Pour les décideurs B2B du secteur, cela illustre une thèse qu'AgiBot pousse activement : les entreprises d'IA incarnée peuvent surpasser les modèles généralistes adaptés après coup en optimisant directement pour les contraintes du monde réel, plutôt qu'en pariant sur la seule taille ou qualité générale du modèle. Ce résultat s'inscrit dans une stratégie plus large chez AgiBot, qui avait déjà revendiqué la première place du classement WorldArena avec son modèle du monde Genie Envisioner-Sim 2.0. L'entreprise chinoise, l'un des acteurs majeurs de la course aux robots humanoïdes aux côtés de Figure, Unitree ou Fourier Intelligence, construit ainsi une pile en trois piliers : WITA-Omni pour l'interaction, un modèle du monde pour la compréhension physique, et le matériel robotique pour l'action. Sur ce terrain de l'interaction multimodale synchronisée, encore peu disputé frontalement par les géants généralistes chinois et américains, AgiBot cherche à se positionner comme référence avant que la compétition ne s'intensifie, à mesure que les robots humanoïdes quittent les usines pour des espaces sociaux non structurés où la coordination entre parole et geste devient un critère de différenciation aussi important que la dextérité physique elle-même.

IA physique❧Opinion

1 source

25

550The Verge 

Le gouvernement américain interdit les Roomba

Cette annonce du gouvernement américain interdit les « dispositifs robotiques avancés » en provenance de certains pays étrangers, avec une portée qui va bien au-delà des humanoïdes : les aspirateurs-robots comme les Roomba sont explicitement concernés, confirme Katie Gorscak, directrice des relations médias de la FCC, à The Verge. Les appareils déjà approuvés et importés restent autorisés à la vente, et les propriétaires actuels d'aspirateurs connectés ne sont pas affectés. Mais les futurs modèles fabriqués par des entreprises étrangères jugées à risque pourraient être bloqués à l'entrée du territoire américain, au nom de la sécurité nationale. Résultat inattendu : même les fabricants de robots aspirateurs se voient désormais sommés de s'engager sur une fabrication locale aux États-Unis. Cette mesure illustre un changement de paradigme dans la régulation robotique américaine : l'exécutif ne cible plus seulement les usages militaires ou industriels sensibles, mais élargit la définition de « robot à risque » à tout appareil domestique connecté capable de cartographier un intérieur et de transmettre des données. Pour les fabricants chinois notamment, très présents sur ce marché (iRobot ayant lui-même été concurrencé par des marques comme Roborock ou Ecovacs), cela signifie une pression accrue vers la relocalisation de la production ou l'exclusion pure et simple du marché américain. Pour les integrateurs et décideurs B2B du secteur robotique au sens large, ce signal confirme que les barrières commerciales autour de la robotique s'étendent désormais à des catégories de produits jusque-là considérées comme anodines. Cette décision s'inscrit dans la continuité des politiques de l'administration Trump visant à restreindre les technologies étrangères jugées porteuses de risques d'espionnage, un cadre déjà appliqué aux télécommunications (Huawei) et désormais étendu à la robotique domestique et humanoïde. Les modalités précises du dispositif, notamment les critères d'exclusion par pays ou par fabricant, ainsi que le calendrier d'application aux nouveaux modèles, restent à préciser par la FCC dans les prochaines semaines.

FR/EU ecosysteme⚡Actu

1 source