Actualités robotique — page 13

4 565 articles au fil, du plus récent au plus ancien.

43

601arXiv cs.RO 

Localisation intervues à l'échelle d'une ville grâce aux cartes sémantiques

Des chercheurs proposent une méthode pour localiser un robot dans un environnement qu'il n'a jamais parcouru en s'appuyant sur les cartes sémantiques déjà disponibles, comme celles d'OpenStreetMap. Publiée sur arXiv le 25 juillet 2026 (arXiv:2607.25215), l'étude combine des modèles vision-langage (VLM) pour extraire des points de repère à partir de panoramas capturés par le robot, avec un appariement léger entraîné par distillation pour les relier aux repères d'une carte aérienne préexistante, potentiellement immense: jusqu'à 628 km² dans les tests. Les correspondances alimentent un filtre bayésien qui affine en continu l'estimation de position dans le temps. Les auteurs publient aussi un jeu de données couvrant onze environnements, avec des panoramas collectés dans des conditions extrêmes, dont une tempête de neige et des prises de nuit à Boston. Le modèle a été entraîné uniquement sur les données d'une seule ville par beau temps, et testé ailleurs. L'enjeu dépasse la simple curiosité académique: la localisation cross-view, faire correspondre la vue au sol d'un robot à une imagerie aérienne ou cartographique, reste un verrou pour déployer des robots mobiles hors des zones cartographiées en 3D dense (LiDAR, SLAM préalable). Utiliser des cartes sémantiques publiques comme OpenStreetMap réduirait fortement le coût de préparation d'un site avant déploiement, un frein réel pour les intégrateurs en logistique ou robotique de service urbaine. Le résultat le plus notable ici est la généralisation: un système entraîné sur une seule ville et une météo dégagée tient face à des lieux, éclairages et conditions météo différents, ce qui, si confirmé à plus grande échelle, contredirait l'idée reçue que ces méthodes de localisation restent fragiles dès qu'on change de contexte visuel. Les approches précédentes de matching panorama/imagerie aérienne ignoraient l'information sémantique ou la réduisaient à un petit nombre de classes fixes, limitant leur richesse descriptive. Le principal obstacle contourné par cette équipe est le passage à l'échelle: interroger un VLM pour chaque correspondance possible devient intraitable quand la carte grossit, d'où l'idée de distiller un modèle plus léger. Code et jeu de données sont publiés sur efahnestock.github.io/loci/, ouvrant la voie à des comparaisons futures sur d'autres villes et conditions.

Recherche❖Paper

1 source

42

602arXiv cs.RO 

Quand les données héritées commencent-elles à aider ? Transfert émergent dans l'apprentissage robotique multi-configurations

Des chercheurs publient une étude (arXiv:2507.25593) sur un problème concret pour l'industrie robotique : que faire des données de démonstration collectées sur une ancienne génération de robot quand le matériel change ? L'équipe a testé la question sur une plateforme humanoïde à roues, en comparant deux générations de matériel où la caméra et la pince ont été remplacées, la morphologie générale restant identique. Sur plusieurs tâches de manipulation réelles, ils observent trois régimes distincts selon le niveau de compétence déjà atteint par le robot mis à jour sur la nouvelle configuration : à faible compétence, les données historiques n'apportent strictement aucun gain (10,0 % de réussite reste à 10,0 % même en co-entraînant avec les anciennes données) ; une fois un certain seuil de compétence franchi, le gain devient brutal, comme sur une tâche d'insertion de fleur où le taux de réussite passe de 23,3 % à 86,7 % ; enfin, près de la saturation, les gains redeviennent marginaux, à l'image d'une tâche d'insertion de stylo qui progresse seulement de 85,0 % à 93,3 %. Une quatrième tâche de manipulation bimanuelle mobile (arrosage) confirme ce même schéma en trois phases. Ce résultat va à l'encontre d'une hypothèse répandue dans le secteur, celle qu'accumuler un maximum de données cross-configuration est toujours bénéfique pour l'apprentissage par imitation. Pour les équipes qui entraînent des politiques de type VLA (vision-language-action) sur des flottes de robots en évolution matérielle constante, ce papier fournit un critère pratique : il ne sert à rien de réutiliser des démonstrations legacy tant que le nouveau matériel n'a pas atteint un seuil minimal de compétence sur la tâche visée, et au-delà d'un certain point de saturation, continuer à collecter de nouvelles données coûte plus cher que ça ne rapporte. C'est un signal utile pour les intégrateurs et laboratoires qui doivent arbitrer entre collecter de nouvelles démonstrations coûteuses sur le matériel actuel ou recycler des jeux de données déjà constitués. Les auteurs proposent une explication théorique basée sur l'alignement des gradients et l'incertitude résiduelle de la politique, ce qui leur permet de formaliser une règle « phase-aware » pour décider quand collecter versus quand réutiliser. Le travail s'inscrit dans la lignée des recherches sur le transfert de données entre configurations robotiques, un sujet devenu central à mesure que les fabricants itèrent rapidement sur leurs capteurs et effecteurs sans vouloir jeter les données déjà accumulées.

Recherche❖Paper

1 source

42

603arXiv cs.RO 

RoboMME-Interference : évaluation de la mémoire des robots sous interférence

Des chercheurs publient RoboMME-Interference, un nouveau benchmark conçu pour mesurer la mémoire des robots sur de longues sessions parsemées de distracteurs (arXiv:2606.22338v2, version corrigée). Construit à partir du benchmark existant RoboMME, ce protocole confronte un modèle VLA (vision-language-action) à une séquence de sessions : une démonstration pertinente issue d'une session antérieure, suivie d'un nombre contrôlé de sessions sans rapport, le tout fourni comme contexte mémoire avant d'évaluer la réussite de la tâche. Les auteurs testent les variantes de π0.5 augmentées de mémoire déjà publiées par RoboMME, sans modification. Résultat : les variantes à mémoire perceptuelle améliorent bien le taux de réussite lorsqu'aucun distracteur n'est présent, mais leurs performances se dégradent fortement et de façon continue à mesure que des sessions sans rapport s'accumulent dans l'historique. En ajoutant une étape de récupération (retrieval) à la variante la plus performante, laquelle identifie la démonstration pertinente par similarité visuelle et ne transmet que celle-ci à la politique, les chercheurs retrouvent le niveau de réussite obtenu sans distracteur, et ce quel que soit le niveau d'interférence testé. Ce travail pointe un écart concret entre les démonstrations de mémoire robotique en conditions contrôlées et les exigences réelles du déploiement : un robot industriel accumule de l'expérience sur des dizaines, voire des centaines de sessions, et doit retrouver l'information utile au milieu du bruit. Les résultats montrent que le simple fait de "donner accès" à l'historique complet à un VLA ne suffit pas ; sans mécanisme de récupération explicite, la mémoire devient un handicap plutôt qu'un atout dès que le contexte s'allonge. Pour les intégrateurs qui envisagent des déploiements de longue durée, c'est un signal que l'architecture de mémoire, et non la seule capacité du modèle de base, conditionnera la fiabilité en production. Le projet s'inscrit dans la continuité de RoboMME, benchmark de référence pour la mémoire cross-session en robotique, et cible spécifiquement les modèles π0.5 de type VLA. Code, vidéos et données sont publiés sur robotmemorybench.com, ouvrant la voie à des comparaisons avec d'autres approches de mémoire ou de récupération que la communauté pourra tester sur ce même protocole d'interférence.

Recherche❖Paper

1 source

41

604arXiv cs.RO 

SAM3D pour aligner les représentations centrées sur l'objet dans les modèles vision-langage-action

Cette recherche présente un cadre d'alignement de représentations 3D centré sur l'objet, appliqué au modèle vision-langage-action (VLA) $\pi0$. Les auteurs utilisent SAM3D, un modèle 3D figé servant de "professeur", pour injecter des connaissances géométriques sur les objets cibles pendant l'entraînement : les objets pertinents pour la tâche sont localisés via des modèles de reconnaissance, des masques sont générés, puis SAM3D en extrait des représentations 3D denses alignées avec les caractéristiques visuelles intermédiaires de $\pi0$. Fait notable, ce module 3D n'intervient qu'à l'entraînement : au moment de l'inférence, le pipeline reste purement RGB-langage-vers-action, sans besoin de profondeur, nuage de points, masques ou calculs SAM3D supplémentaires. Les résultats en simulation atteignent 99,1% de réussite sur le benchmark LIBERO et une longueur moyenne de tâches de 4,11 sur CALVIN, avec des gains confirmés en conditions réelles, notamment sur des scénarios de manipulation longue durée impliquant plusieurs sous-tâches et objets cibles différents. L'enjeu pour l'industrie robotique est la résolution d'un point faible connu des modèles VLA actuels : leur dépendance à des backbones vision-langage 2D qui peinent face à l'occlusion, aux variations de pose ou d'échelle, et aux interactions spatiales précises. En démontrant qu'on peut internaliser une compréhension 3D fine sans alourdir le pipeline de déploiement, ce travail répond à une critique récurrente du secteur : les architectures VLA génériques marchent bien en démo contrôlée mais échouent sur des tâches de manipulation fine en conditions réelles. Pour les intégrateurs et décideurs B2B, cela suggère une voie pour améliorer la robustesse des politiques de manipulation sans complexifier ni ralentir le matériel embarqué, un compromis critique pour le déploiement industriel à grande échelle de bras robotiques et de robots humanoïdes. Ce travail s'inscrit dans la lignée des modèles VLA construits sur $\pi_0$ (Physical Intelligence), déjà positionné comme concurrent direct des approches comme GR00T N2 de NVIDIA ou Helix de Figure AI dans la course à des politiques de manipulation généralistes. L'apport spécifique ici est méthodologique plutôt qu'un nouveau produit ou déploiement terrain : il s'agit d'une technique d'entraînement, testée pour l'instant en simulation (LIBERO, CALVIN) et en expérimentations réelles limitées, sans annonce de déploiement commercial ni de partenariat industriel. Les prochaines étapes attendues porteraient sur l'extension à d'autres backbones VLA et sur la validation à plus grande échelle en environnement réel, au-delà des bancs d'essai académiques actuels.

Recherche❖Paper

1 source

41

605arXiv cs.RO 

S2A2 : apprentissage par imitation audio-visuel pour tâches de manipulation via information spatiale acoustique

Des chercheurs ont présenté S2A2 (Spatial-Spectral Audio Action), un nouveau cadre d'apprentissage par imitation qui combine vision et son pour des tâches de manipulation robotique. Le papier introduit d'abord un ensemble de tâches inédites où le robot doit localiser et identifier sa cible uniquement grâce à des indices acoustiques, comme le bruit produit par un contact ou un mouvement, avant de pouvoir agir dessus. Contrairement aux approches classiques qui reposent presque exclusivement sur la caméra, S2A2 fusionne les caractéristiques visuelles avec des informations acoustiques spatiales (d'où vient le son) et spectrales (à quoi il ressemble, son timbre). Les auteurs ont intégré ce cadre à plusieurs politiques d'apprentissage par imitation déjà reconnues dans le secteur : ACT, Diffusion Policy, VQ-BeT et $\pi_0$. Les tests ont été menés à la fois en simulation et sur un robot réel. L'intérêt principal tient au type de tâches ciblées : celles qui nécessitent à la fois de localiser un objet dans l'espace et de reconnaître sa nature sonore, un cas où les méthodes purement visuelles échouent souvent, par exemple un objet caché, un contenant dont il faut deviner le contenu au bruit, ou une source de son mobile. Pour l'industrie de la manipulation robotique, cela ouvre une piste concrète pour des environnements où la vision seule est insuffisante, entrepôts encombrés, tri de pièces occluses, ou interaction avec des mécanismes dont l'état se signale par le son plutôt que par l'apparence. Le fait que le framework s'intègre à des politiques VLA et de diffusion déjà utilisées à l'échelle, plutôt que de proposer une architecture isolée, facilite une adoption potentielle sans repartir de zéro. Le travail s'inscrit dans la lignée des recherches en apprentissage par imitation multimodal, un domaine qui a jusqu'ici privilégié le couple vision-proprioception au détriment de l'audio, largement sous-exploité en robotique malgré son rôle reconnu en perception humaine. En démontrant l'apport de l'acoustique spatiale sur des politiques de référence variées plutôt que sur un seul modèle, les auteurs cherchent à établir une preuve de généralité plus qu'un simple gain ponctuel. Les prochaines étapes attendues concernent l'extension à des environnements réels plus bruités et à un plus grand nombre de tâches acoustiques distinctes.

Recherche❖Paper

1 source

40

606arXiv cs.RO 

Transformer Transformer : un modèle unifié pour la co-conception de robots conditionnée par le mouvement

Une équipe de recherche publie sur arXiv (2607.25798v1) un nouveau modèle baptisé Transformer Transformer, conçu pour la co-conception de robots conditionnée par le mouvement. L'idée : générer automatiquement des architectures robotiques complètes capables de suivre des trajectoires d'effecteur cibles issues de démonstrations humaines, tout en optimisant des fonctions de récompense définies par l'utilisateur. Le système repose sur les RoboTokens, une tokenisation unifiée des morphologies, états et actions des robots, qui permet à une seule architecture de diffusion transformer de fonctionner sur des espaces d'embodiment très différents : robots bimanuels à roues, quadrupèdes, humanoïdes. Plutôt que d'optimiser pour une récompense unique, le modèle agit comme un modèle de dynamique générique, dont les prédictions d'état et d'action servent ensuite à calculer des valeurs spécifiques à chaque objectif, via une procédure nommée Dynamics Self-Guidance qui guide la diffusion vers des designs à haute valeur. Preuve concrète : les chercheurs ont fabriqué une version optimisée de la plateforme ALOHA, réduisant l'erreur de suivi de trajectoire de plus de 70 % par rapport au design d'origine. L'intérêt pour le secteur tient à ce que la conception mécanique des robots reste largement découplée du contrôle et de l'apprentissage, alors que la performance en manipulation dépend fortement de l'embodiment. Un modèle capable d'optimiser en zero-shot pour des récompenses et trajectoires jamais vues, plus rapidement qu'une baseline évolutionniste, ouvre la voie à des cycles de co-conception matériel-logiciel beaucoup plus rapides pour les intégrateurs et les fabricants de bras ou de plateformes bimanuelles. C'est un signal supplémentaire que les architectures de type transformer/diffusion, déjà dominantes pour les politiques VLA, s'étendent maintenant à la conception physique elle-même, et pas seulement au contrôle. Le travail s'inscrit dans la lignée de la recherche sur la co-conception robotique, historiquement dominée par des algorithmes évolutionnistes coûteux en calcul et spécifiques à une seule récompense. ALOHA, plateforme bimanuelle open source popularisée par les travaux de Stanford et Google, sert ici de banc d'essai matériel concret plutôt que de simple simulation. Le papier ne précise pas de calendrier de déploiement industriel ni de partenaire, il s'agit à ce stade d'un résultat de recherche fraîchement publié, dont la portée reste à confirmer sur des espaces de conception plus larges.

Recherche❖Paper

1 source

40

607arXiv cs.RO 

Tripody : un robot parallèle surcontraint de type 3-SPR pour les tâches de construction en hauteur

Tripody, un robot parallèle sur roues à 3 degrés de liberté conçu pour les travaux de construction en hauteur, notamment le perçage de plafonds, a été présenté par une équipe de recherche dans une publication arXiv (2607.25781, juillet 2026). Pesant 33 kg, l'engin s'étend de 1,7 m à 3,4 m de hauteur et supporte une charge continue de 32 kg via une interface d'effecteur modulaire. Sa cinématique reprend l'architecture classique 3-SPR (trois jambes, joint sphérique à la base, articulation prismatique actionnée, joint de rotation à l'effecteur), mais remplace les joints sphériques par des joints universels, ce qui surcontraint volontairement le mécanisme ; de petites déflexions élastiques réparties absorbent les incompatibilités cinématiques résultantes tout en préservant un mouvement essentiellement translationnel. Les essais montrent une rigidité en plan comparable à celle d'une variante à base sphérique, mais une rigidité en torsion nettement supérieure : +67% à 1,7 m, +196% à 2,6 m et +454% à 3,4 m, avec un couplage inter-axes négligeable. Le positionnement en boucle fermée, mesuré par station totale, converge sous 0,6 mm sur tout l'espace de travail, tandis que la simple extrapolation par modèle atteint une erreur au 95e centile de 2,7 mm (maximum 3,6 mm). Une démonstration de perçage de plafond en boucle ouverte, avec un motif de 15 trous, affiche une erreur de position relative maximale de 4,5 mm après alignement rigide. Ces résultats s'adressent directement à un problème concret du secteur de la construction : les manipulateurs sériels lourds actuellement utilisés pour les travaux en hauteur sont difficiles à déployer dans des intérieurs encombrés, faute de compacité et de mobilité. En misant sur une architecture surcontrainte qui tolère la compliance plutôt que de la combattre, les auteurs proposent une voie pratique vers des robots légers, à grande portée verticale et à précision millimétrique, un compromis rarement atteint simultanément par les solutions existantes. Pour les intégrateurs et décideurs du BTP, l'intérêt tient moins à la performance brute qu'à la validation en conditions quasi réelles : le perçage de 15 trous avec une précision de l'ordre de quelques millimètres démontre une faisabilité tâche par tâche, au-delà d'une simple preuve de concept en laboratoire. Le papier reste toutefois prudent : il s'agit d'une étude en boucle ouverte sur un motif limité, pas d'un déploiement chantier. L'approche s'inscrit dans une lignée de recherches en robotique parallèle explorant les architectures 3-SPR pour des tâches nécessitant rigidité et précision sur de grands espaces de travail, un terrain habituellement dominé par les bras sériels ou les portiques fixes. En intégrant des actionneurs linéaires sur mesure et une pile de contrôle combinant estimation d'état SE(3), cinématique directe et commande dans l'espace des tâches, les auteurs positionnent Tripody comme une alternative mobile et reconfigurable aux solutions de perçage plafond existantes, qu'elles soient manuelles ou robotisées de type portique. Les prochaines étapes attendues, non détaillées dans l'abstract, porteraient logiquement sur un contrôle en boucle fermée pour la tâche de perçage elle-même et sur des essais en environnement de chantier réel plutôt qu'en conditions contrôlées de laboratoire.

Recherche❖Paper

1 source

40

608arXiv cs.RO 

πR²: politiques de flux réactives en temps réel

Des chercheurs présentent πR² (Reactive Real-time Flow Policies), une méthode qui rend les politiques de manipulation robotique par flow matching capables de réagir en temps réel aux données sensorielles, sans sacrifier la taille des modèles ni la prédiction multi-actions. Le problème identifié : les politiques actuelles à base d'"action chunking" (comme GR00T ou Pi-0) génèrent des séquences d'actions en boucle ouverte via de multiples étapes de débruitage sur de gros backbones, ce qui les rend trop lentes pour replanifier fréquemment ; les actions engagées deviennent obsolètes avant d'être exécutées. πR² s'appuie sur le "diffusion forcing" à échéancier de bruit par position et introduit deux mécanismes : un canal rapide de proprioception rafraîchi à chaque tick, découplé d'un canal lent de features vision-langage mis à jour de façon asynchrone, et un échéancier de flow adaptatif à la latence qui traite les actions en cours comme contrainte d'inpainting et n'émet qu'une seule étape de débruitage par appel. Appliqué par fine-tuning à GR00T-N1.7 sur une plateforme réelle xArm6 avec main XHand, πR² replanifie environ 4 fois plus vite que la politique de base, à environ 25Hz sur un GPU A5000, avec une observation fraîche prise en compte toutes les 40 millisecondes. Les auteurs rapportent des gains de taux de réussite allant jusqu'à 23% en simulation et 30% en conditions réelles face à la meilleure référence testée. Pour l'industrie de la manipulation robotique, ce travail s'attaque à un angle mort connu des politiques VLA (vision-language-action) génératives : la démonstration en environnement contrôlé masque souvent une latence de contrôle incompatible avec des tâches dynamiques (objets en mouvement, contacts imprévus, correction de trajectoire). En dissociant la fréquence de mise à jour proprioceptive de celle, plus coûteuse, de la perception visuo-langagière, πR² propose une piste concrète pour combler l'écart entre boucle ouverte et contrôle réactif sans reconstruire les backbones existants ni renoncer à leur expressivité. C'est un signal utile pour les intégrateurs qui évaluent des plateformes comme GR00T pour des applications nécessitant du contact fin ou de la réactivité, un terrain où les chunks figés posent problème. Le travail s'inscrit dans la lignée du diffusion forcing, une technique de génération séquentielle par bruitage différencié selon la position, ici adaptée au contrôle robotique. Il se positionne face aux grandes familles de politiques VLA actuelles telles que GR00T N1.7 de NVIDIA (utilisé comme base pour les expériences), Pi-0 de Physical Intelligence ou Helix de Figure, toutes construites sur le même compromis entre taille de backbone et latence. Les auteurs présentent πR² comme une modification légère, applicable par fine-tuning à une politique déjà entraînée plutôt que par un réentraînement complet, ce qui en facilite l'adoption potentielle. Le papier, publié en préprint sur arXiv, reste à ce stade une contribution de recherche testée en laboratoire sur un bras xArm6 et une main XHand, sans indication de déploiement industriel ni de partenaire commercial annoncé.

IA physique⚡Actu

1 source

40

609arXiv cs.RO 

Amortissement de l'optimisation de trajectoire pour la MPC résiduelle via différentiation implicite du contact

Cette étude publiée sur arXiv (2607.24959v1) s'attaque à un goulot d'étranglement classique de la robotique de contact : l'optimisation de trajectoire dans des simulateurs différentiables. Les chercheurs introduisent une méthode de dérivation implicite assistée par différentiation automatique (AD), appliquée au moteur MuJoCo MJX et fondée sur le théorème des fonctions implicites (IFT). Contrairement aux différences finies, coûteuses et sensibles au choix du pas, ou au déroulement complet de l'AD à travers un solveur de contact itératif, qui fait exploser la trace de calcul stockée en mémoire, leur approche différencie directement le résidu de stationnarité à la solution convergée, sans reconstruire à la main les systèmes KKT propres à chaque solveur. Résultat mesuré : la mémoire temporaire compilée reste quasi constante quel que soit l'effort du solveur, avec moins de 4% de variation entre une et dix itérations, contre une croissance de 10,6 fois pour l'AD déroulée classique. Le gain s'accentue avec la complexité du problème : 20 fois moins de mémoire à 256 contacts actifs, 6 fois moins à 16 contacts et 96 degrés de liberté. L'équipe va plus loin avec une technique de "distillation d'optimiseur" pour le contrôle prédictif résiduel (residual MPC) : un iLQR complet, calculé en batch sur tout l'horizon temporel, est condensé en une politique qui guide ensuite un iLQR résiduel à horizon court, bien moins coûteux à exécuter en ligne. Sur trois bancs d'essai (Finger, bras Franka, quadrupède Unitree), cette approche améliore le taux de succès à six pas de 28 à 98 points de pourcentage par rapport à un iLQR standard. Pour les équipes qui développent du contrôle robotique riche en contacts, manipulation fine, locomotion sur terrain irrégulier, l'intérêt est double : réduire drastiquement l'empreinte mémoire permet de faire tourner des simulations différentiables à plus grande échelle ou en temps réel embarqué, tandis que la distillation d'optimiseur offre une voie pour transférer la qualité d'une planification hors-ligne coûteuse vers un contrôleur exécutable en boucle rapide sur le robot. Le travail s'inscrit dans la lignée des efforts récents autour de MuJoCo MJX et de la simulation différentiable pour la robotique, un axe de recherche actif depuis que des laboratoires comme DeepMind ou des groupes académiques cherchent à exploiter les gradients de simulateurs physiques pour accélérer l'apprentissage et la planification, plutôt que de s'appuyer uniquement sur l'apprentissage par renforcement sans modèle. La méthode proposée ici comble un vide méthodologique entre les approches génériques mais gourmandes en mémoire et les dérivations KKT sur mesure, difficiles à maintenir et à généraliser d'un solveur à l'autre. Les auteurs ne précisent pas de calendrier de publication du code ni de partenariat industriel, mais la validation croisée sur des plateformes hétérogènes (doigt robotique, bras manipulateur Franka, quadrupède Unitree) suggère une ambition de généralisation au-delà d'un cas d'usage unique, avec un potentiel d'intégration dans des piles de contrôle MPC pour la manipulation ou la locomotion dynamique.

Recherche❖Paper

1 source

40

610arXiv cs.RO 

Robots à trois bras : apprentissage par imitation visuomotrice de politiques robotiques

Voici l'article traduit et résumé. Une équipe de recherche présente TriManPolicy, un système d'apprentissage par imitation conçu pour piloter des robots à trois bras simultanément. Le problème de départ est concret : la téléopération bi-manuelle classique fonctionne bien quand le nombre de canaux de contrôle correspond entre l'opérateur humain et le robot, mais elle échoue dès qu'un robot dispose d'un troisième bras, puisqu'un seul opérateur ne peut piloter en continu que deux membres à la fois. Basculer entre paires de bras force alors à enregistrer des mouvements indépendants de façon séquentielle, ce qui pousse l'apprentissage par clonage comportemental à reproduire des délais imposés par l'interface de contrôle plutôt que par la tâche elle-même. Le composant central de TriManPolicy est le Dependency-Aware Tri-Arm Scheduling (DATS), un algorithme qui retraite les démonstrations hors ligne : il conserve les segments sensorimoteurs locaux tels que démontrés mais les repositionne dans le temps selon des contraintes d'ordre des tâches et d'usage des bras, validées par un humain. Le résultat entraîne une politique unique et synchrone pour les trois bras, sans nécessiter le graphe de dépendances ni le planificateur au moment du déploiement. Sur six tâches réelles complexes, les politiques entraînées sur données retimées par DATS montrent une coordination plus efficace, avec un taux de succès comparable aux méthodes classiques. Cette avancée s'attaque à un goulot d'étranglement peu discuté de la robotique humanoïde et multi-bras : la collecte de données de démonstration reste le facteur limitant pour entraîner des politiques visuomotrices de type VLA, et les systèmes à trois bras ou plus (bras additionnels, mains bimanuelles montées sur base mobile) sont de plus en plus courants dans les plateformes industrielles. En prouvant qu'il est possible de découpler la structure temporelle de la démonstration humaine de celle exigée par la tâche, TriManPolicy ouvre la voie à une collecte de données plus rapide et moins coûteuse pour des architectures robotiques complexes, un enjeu direct pour les intégrateurs qui cherchent à réduire le coût par démonstration sans sacrifier la qualité de coordination entre membres. Ce travail s'inscrit dans la lignée plus large des recherches sur l'apprentissage par imitation visuomoteur, où la majorité des systèmes existants (type ALOHA, Mobile ALOHA ou les plateformes bimanuelles standard) suppose une correspondance stricte entre canaux de téléopération humains et effecteurs robotiques. En proposant une méthode de retiming offline validée par supervision humaine plutôt qu'un simple filtrage des temps morts, les auteurs montrent que DATS modifie réellement la structure de supervision entre bras. Les six tâches testées en conditions réelles suggèrent une piste concrète pour les futurs travaux sur les architectures à quatre bras ou plus, notamment pour les robots humanoïdes à deux bras plus une base mobile ou un troisième effecteur dédié à une tâche auxiliaire.

Recherche❖Paper

1 source

40

611arXiv cs.RO 

P3 : propagation de politique probabiliste pour un apprentissage robotique stable basé sur VAE

Une équipe de recherche présente P³ (Probabilistic Policy Propagation), une méthode d'apprentissage par renforcement conçue pour corriger un défaut méthodologique dans l'entraînement des politiques robotiques basées sur des autoencodeurs variationnels (VAE). Le problème identifié : les implémentations classiques de Proximal Policy Optimization (PPO) estiment le ratio de probabilité et la divergence KL à partir d'un seul échantillon tiré de l'espace latent stochastique du VAE, alors qu'une politique efficace devrait théoriquement marginaliser sur toute la distribution latente. Cette approximation à échantillon unique introduit un biais et une variance significatifs dans la fonction de perte substitutive utilisée par PPO. P³ combine une méthode probabiliste basée sur les moments statistiques pour un apprentissage stable, avec une calibration par échantillonnage pour maintenir un comportement robuste face à l'incertitude latente. Les auteurs rapportent une amélioration de l'efficacité des données de 64,6% à plus de 96%, ainsi qu'une réduction de plus de 20% du nombre d'étapes nécessaires à la convergence. La méthode a été testée sur des tâches de parkour humanoïde, un benchmark exigeant en contrôle moteur. Le code est disponible sur GitHub (ylyem9x/P3_Open). Pour l'industrie robotique, ce travail touche à un point technique mais consequential : la fiabilité de l'apprentissage par renforcement appliqué à des représentations latentes compressées, une brique de plus en plus centrale dans les pipelines VLA (vision-language-action) et les politiques de contrôle moteur des humanoïdes. Un gain d'efficacité de données de cet ordre, s'il se confirme au-delà du benchmark parkour, réduirait le coût d'entraînement en simulation avant transfert sur robot réel, un goulot d'étranglement connu du secteur. Cela dit, il s'agit ici d'un article de recherche avec validation sur tâches simulées spécifiques, pas d'un déploiement industriel : les chiffres de performance viennent des propres expériences des auteurs et méritent d'être confirmés par des reproductions indépendantes avant d'être généralisés à d'autres architectures ou environnements. Ce travail s'inscrit dans la lignée des recherches cherchant à combiner représentations latentes compactes (via VAE) et apprentissage par renforcement pour le contrôle robotique, une approche distincte des politiques VLA de bout en bout comme Pi-0 ou GR00T N2, qui traitent directement des observations brutes. L'angle ici est plus fondamental : corriger une faille mathématique dans la manière dont PPO interagit avec des espaces latents stochastiques, plutôt que proposer une nouvelle architecture de politique. Les suites logiques attendues seraient des tests sur des tâches de manipulation plus variées et une adoption éventuelle par des frameworks de RL robotique existants, mais aucune timeline ni partenariat industriel n'est mentionné dans la publication.

Recherche❖Paper

1 source

39

612arXiv cs.RO 

Vers une cognition incarnée chez les robots grâce à des mondes synthétiques ancrés dans l'espace

Résumé traduit en français, à publier : Une équipe de recherche présente un cadre conceptuel destiné à entraîner des modèles vision-langage (VLM) à réaliser de la prise de perspective visuelle, une capacité jugée essentielle à la cognition incarnée dans l'interaction homme-robot. Pour amorcer ce travail, les auteurs publient un jeu de données synthétique généré dans NVIDIA Omniverse, conçu pour l'apprentissage supervisé de tâches de raisonnement spatial. Chaque exemple associe une image RGB, une description en langage naturel et une matrice de transformation 4x4 servant de vérité terrain pour la pose d'un objet. La première étape se limite à l'inférence de la distance sur l'axe Z ; les auteurs annoncent vouloir étendre l'approche à un raisonnement complet sur les 6 degrés de liberté (DOF) dans de futurs travaux. Le jeu de données est mis à disposition publiquement pour la communauté de recherche. La prise de perspective visuelle est une brique jugée fondamentale pour qu'un robot comprenne non pas seulement ce que voit sa propre caméra, mais ce qu'un humain perçoit depuis son propre point de vue, une condition posée comme nécessaire à une interaction homme-robot naturelle. Le choix de générer les données dans un simulateur plutôt que de les collecter en conditions réelles répond à un problème classique du secteur : produire des annotations 3D précises (pose exacte d'un objet) est coûteux et peu fiable dans le monde réel, alors qu'un environnement synthétique comme Omniverse fournit une vérité terrain exacte par construction. Ce travail illustre aussi une limite persistante des VLM génériques actuels, plutôt performants en reconnaissance sémantique 2D mais fragiles dès qu'il s'agit de raisonnement spatial 3D précis, une distinction que les auteurs eux-mêmes reconnaissent en limitant leur preuve de concept au seul axe Z plutôt qu'aux 6 DOF complets. Il s'agit donc d'un jalon de recherche exploratoire, pas d'un système prêt à être intégré par des équipes robotique en production. Ce travail s'inscrit dans une tendance de fond où les plateformes de simulation comme NVIDIA Omniverse et Isaac Sim deviennent des outils centraux de génération de données pour la robotique incarnée, dans un paysage où d'autres laboratoires (Physical Intelligence avec Pi-0, NVIDIA avec GR00T, Figure avec Helix) développent en parallèle des modèles vision-langage-action visant à doter les robots humanoïdes d'un raisonnement spatial et manipulatoire directement exploitable. La suite annoncée par les auteurs consiste à faire passer leur approche de l'estimation d'une simple distance à un raisonnement complet sur les 6 degrés de liberté d'une pose d'objet, une extension nécessaire avant d'envisager une application concrète en interaction homme-robot.

Recherche❖Paper

1 source

39

613arXiv cs.RO 

Station holding égocentrique d'un poisson robotique dans un écoulement turbulent inconnu

Des chercheurs présentent SWiFT (Swimming With Flow Toolbox), un cadre d'apprentissage par renforcement permettant à un poisson robotique de type BCF (corps et nageoire caudale) de maintenir sa position dans un courant turbulent inconnu, sans capteur de flux dédié. Le système combine un banc d'essai en canal hydraulique avec nage libre, un simulateur de mécanique des fluides numérique (CFD) conçu pour rester physiquement cohérent tout en restant efficace en calcul, et un pipeline de transfert simulation vers réel. La politique de contrôle obtenue s'appuie uniquement sur un retour égocentrique, c'est à dire la perception du robot sur son propre état, sans mesure explicite du courant environnant. Selon les auteurs, elle dépasse les méthodes de référence existantes sur l'ensemble des métriques testées, avec une amélioration notable de l'erreur quadratique moyenne (RMSE) sur la distance à la position cible. L'article, publié sur arXiv fin juillet 2026, reste un préprint de recherche et non un produit ou un système déployé en conditions réelles. L'enjeu est significatif pour la robotique sous marine: tenir une station fixe face à un courant est une brique de base pour l'inspection de structures, la surveillance environnementale ou l'intervention en eaux naturelles, un environnement bien plus imprévisible que les bassins contrôlés où la plupart des poissons robotiques ont jusqu'ici été testés. Le résultat suggère qu'un contrôle purement égocentrique suffit à répliquer un comportement proche de la rhéotaxie observée chez les poissons biologiques, ce qui simplifierait l'instrumentation nécessaire sur de futurs robots sous-marins tout en améliorant leur robustesse face à des flux non caractérisés à l'avance. Ce travail s'inscrit dans une lignée de recherches sur l'efficacité et la maniabilité des poissons robotiques, un domaine actif depuis plusieurs décennies mais où la tenue de station en flux inconnu restait peu explorée, faute de modèles fiables des interactions fluide-structure fortement non linéaires en nage libre. Les auteurs positionnent SWiFT comme une fondation réutilisable pour des tâches de nage plus complexes, avec pour prochaine étape l'extension à d'autres scénarios de manœuvre en environnement turbulent réel.

Recherche❖Paper

1 source

39

614arXiv cs.RO 

HOME : méthode robuste de correspondance dans l'espace de Hough pour vidéos structurées et sans texture

Des chercheurs publient sur arXiv (2607.25389v1) une nouvelle méthode de mise en correspondance de caractéristiques visuelles baptisée HOME, pour Hough-space One-dimensional Matching of Extrema. Conçue pour les systèmes de localisation robotique, cette approche transforme les images en espace de Hough, où les structures linéaires globales de la scène se traduisent en extrema locaux stables servant de points d'intérêt. Cette reformulation permet de ramener un problème de mise en correspondance de segments de droite, normalement coûteux, à une simple recherche de correspondance de points en une dimension. HOME s'appuie sur un descripteur radial 1D qui garantit mathématiquement l'invariance en rotation et en translation, sans passer par une estimation explicite de l'orientation, ce qui allège considérablement les calculs. La méthode ne nécessite aucun entraînement préalable. Les auteurs valident leur approche via une tâche d'estimation d'homographie, utilisée ici comme preuve de concept. L'enjeu dépasse le simple exercice académique. Les fronts visuels de type SLAM (localisation et cartographie simultanées) reposent aujourd'hui majoritairement sur des descripteurs de points comme ORB, qui échouent régulièrement dans les environnements industriels dominés par des lignes droites ou des surfaces sans texture, entrepôts, couloirs, sols lisses. Les alternatives à base de lignes existent mais restent trop gourmandes en calcul pour tourner en temps réel sur du matériel embarqué de robotique. En démontrant une robustesse supérieure aux méthodes ponctuelles dans ces scénarios difficiles, tout en restant nettement plus rapide que les méthodes de lignes existantes, HOME répond directement à une contrainte concrète pour les intégrateurs de robots mobiles et de systèmes de navigation autonome en environnement contraint. Le travail s'inscrit dans la lignée des recherches visant à contourner les limites des descripteurs classiques type ORB ou des extracteurs de lignes conventionnels, jugés trop lourds pour l'edge computing. Les auteurs présentent ce résultat comme une étape intermédiaire: l'extension de ce moteur de correspondance à une estimation de pose complète en 3D, au-delà de la seule homographie, est annoncée comme une direction de recherche future prometteuse, sans calendrier ni implémentation précisée à ce stade.

Recherche❖Paper

1 source

39

615arXiv cs.RO 

SONG : une plateforme de simulation 3D en Gaussian Splatting photoréaliste pour évaluer la navigation sociale

Sortie automatisée de mouvements corporels complets à partir de ces trajectoires. Un chercheur propose SONG, une plateforme de simulation pour la navigation sociale robotique, construite sur le 3D Gaussian Splatting (3DGS), une technique de rendu photoréaliste qui reconstruit à la fois les scènes et les avatars humains évoluant dedans. Les piétons virtuels ne suivent pas des scripts fixes: leurs trajectoires sont générées par un grand modèle de langage de façon sémantiquement cohérente, puis converties en mouvements corporels continus via un générateur conditionné par trajectoire. Autour de cette plateforme, les auteurs construisent SONG-Bench, un ensemble de scénarios d'évaluation classés par niveau de difficulté, associé à une suite de métriques multidimensionnelles couvrant l'efficacité du déplacement, la sécurité et le respect des conventions sociales. Le travail est décrit dans un article déposé sur arXiv (2607.25219v1) comme une nouvelle soumission. L'enjeu dépasse le simple outil de test. Jusqu'ici, les simulateurs de navigation sociale souffraient d'un compromis frustrant: soit ils offraient des observations visuelles pauvres, soit ils manquaient d'avatars humains mobiles, soit leur rendu et le comportement des piétons restaient trop éloignés du réel pour valider des algorithmes de navigation guidés uniquement par la vision embarquée. En évaluant des méthodes de référence sur SONG-Bench, les auteurs tirent trois constats qui pèsent sur tout le secteur de la robotique mobile: la navigation sociale basée vision est loin d'être résolue, les modèles actuels présentent un déficit de sécurité plus criant encore que leurs manquements en étiquette sociale, et l'entraînement sur des données réelles compte davantage que la simple augmentation de la taille des modèles. Point notable, les auteurs montrent qu'un ajustement fin sur les données qu'ils ont constituées améliore concrètement le taux de réussite en conditions réelles, ce qui distingue cette contribution d'une simple démonstration en simulation. Ce travail s'inscrit dans une trajectoire de recherche qui est passée d'environnements 2D simplifiés à des cadres visuels plus exigeants, où le robot ne dispose que de sa caméra embarquée pour se comporter correctement en présence d'humains. Les auteurs présentent SONG comme un banc d'essai destiné à structurer la prochaine génération de recherches sur la navigation sociale visuelle, sans toutefois annoncer de partenariat industriel ou de déploiement au-delà du cadre académique à ce stade.

Recherche❖Paper

1 source

38

616arXiv cs.RO 

Cadre de politique adaptatif au contexte pour une manipulation robotique robuste et réactive via apprentissage par imitation sensible à l'incertitude

Une nouvelle version (v2) de l'article arXiv:2410.24035 propose un cadre de politique adaptatif au contexte pour la manipulation robotique, combinant robustesse et réactivité. Les auteurs s'appuient sur l'apprentissage par démonstration (Learning from Demonstration, LfD), et plus précisément sur les approches basées sur des systèmes dynamiques (DS), pour apprendre une politique conditionnée à la fois par l'état du robot et par des paramètres de tâche de basse dimension représentant le contexte environnant. Cette politique est ensuite combinée à des politiques additionnelles sensibles à l'incertitude via une formulation de type mélange d'experts (Mixture of Experts, MoE). Le système est validé sur le jeu de données de référence LASA handwriting, utilisé classiquement pour évaluer l'apprentissage de trajectoires, ainsi que sur un robot réel à 7 degrés de liberté (7-DoF), dans trois scénarios concrets : la saisie conditionnée par la force appliquée, la manipulation d'aliments déformables, et la saisie centrée sur l'objet. L'enjeu technique visé est précis : les approches DS de l'état de l'art excellent généralement en robustesse mais restent rigides face aux variations de contexte, car elles ne modulent pas leur comportement selon des variables dépendantes de la tâche. En articulant fusion de politiques et quantification d'incertitude, ce cadre cherche à améliorer le comportement hors distribution (out-of-distribution) et la convergence des trajectoires générées, deux propriétés critiques pour tout déploiement en environnement réel non contrôlé. Pour les intégrateurs robotiques, l'intérêt pratique tient surtout à la manipulation d'objets déformables, un cas d'usage encore mal résolu dans l'industrie (agroalimentaire, logistique), et à la promesse d'une politique réutilisable sans réentraînement complet à chaque changement de tâche ou d'environnement. Sur le plan du contexte scientifique, le LfD via systèmes dynamiques est un axe de recherche établi depuis plusieurs années pour produire des politiques de contrôle réactives en robotique. Ce travail se positionne comme une extension de recherches antérieures sur la fusion de politiques et l'estimation d'incertitude, plutôt que comme une rupture méthodologique. L'abstract ne mentionne ni laboratoire ni entreprise associée, et il s'agit d'une publication académique (statut « replace », donc une révision d'un article déjà soumis) sans indication de déploiement industriel à ce stade.

Recherche❖Paper

1 source

38

617arXiv cs.RO 

Décomposer et réorganiser : planification par primitives et politiques visuomotrices apprises par démonstration

Traduction/résumé en cours, article de recherche robotique (arXiv), pas de deploiement produit, j'adapte la structure à ce contenu académique. Une équipe de chercheurs propose DR-LfD (Decomposed and Reorganized Skills Learned from Demonstrations), un nouveau cadre pour la manipulation robotique dextre à long horizon, détaillé dans un article publié sur arXiv (référence 2607.25397v1). Le système décompose des démonstrations humaines en compétences élémentaires ("atomic skills"), identifiées à partir des relations de contact entre le robot et les objets manipulés. Chaque compétence est ensuite reproduite soit sous forme de politique visuomotrice (un modèle qui associe directement perception visuelle et commande motrice), soit sous forme de primitive centrée sur l'objet. Ces briques sont intégrées dans un système de planification de tâches et de mouvements (TAMP), avec un modélisation précise des conditions de déclenchement, d'arrêt et des contraintes de chaque politique. Les auteurs ont testé leur approche sur des bancs d'essai réels et simulés couvrant des scénarios variés, incluant des tâches à étapes multiples, des configurations inédites et des contraintes physiques spécifiques. L'enjeu principal est de résoudre une tension classique du secteur : les méthodes de planification symbolique (TAMP) excellent en raisonnement de haut niveau mais deviennent fragiles dès que les opérations impliquent des contacts complexes, tandis que l'apprentissage par imitation (IL) gère bien le retour visuel mais généralise mal dans l'espace et peine sur les tâches multi-étapes. En combinant les deux, DR-LfD change surtout l'économie des données d'entraînement : au lieu de nécessiter un volume de démonstrations qui croît de façon exponentielle avec le nombre de séquences de tâches possibles, le besoin en données ne dépend plus que du nombre de types de compétences distincts, chacune nécessitant relativement peu d'exemples. C'est une piste concrète pour réduire le coût d'apprentissage sur des tâches longues et variées, un frein connu au déploiement de politiques visuomotrices à l'échelle industrielle. Le travail s'inscrit dans la lignée des recherches cherchant à réconcilier planification symbolique et apprentissage par démonstration, deux approches historiquement développées séparément dans la littérature robotique. Les auteurs mettent en avant la capacité de leur méthode à réorganiser des compétences apprises depuis des sources différentes, un point clé pour la modularité. Le site du projet (dr-lfd.github.io) propose des démonstrations complémentaires à l'article.

Recherche❖Paper

1 source

38

618arXiv cs.RO 

Belief-Aware Influence and Trust (BAIT) : façonner les croyances humaines lors d'interactions répétées avec un robot

Une équipe de recherche présente BAIT (Belief-Aware Influence and Trust), un contrôleur pensé pour les interactions répétées entre humains et robots, où l'humain ajuste continuellement sa perception du robot au fil des rencontres. Le système combine un filtre particulaire hiérarchique, capable d'inférer à la fois les changements stratégiques rapides de l'humain et l'évolution plus lente de ses croyances perceptives, avec un planificateur MPPI (Model Predictive Path Integral) intégrant explicitement ces croyances. BAIT a été évalué en simulation, lors d'une étude impliquant des sujets humains, puis en conditions réelles sur un véhicule de recherche GEM, dans des scénarios répétés d'insertion de voie (lane-merging). Résultat annoncé: une performance de tâche équivalente à celle des méthodes de référence qui maximisent l'influence à long terme via un comportement imprévisible, mais avec un niveau de confiance de l'utilisateur nettement supérieur. L'enjeu dépasse le simple exercice académique. Dans les interactions répétées, homme-robot ou véhicule autonome-conducteur, deux écueils dominent aujourd'hui: soit traiter chaque rencontre comme isolée, ce qui dégrade progressivement la performance à mesure que la perception humaine dérive, soit maintenir une influence durable par des comportements erratiques, au prix d'une confiance érodée et de calculs difficilement généralisables à grande échelle. BAIT propose de traiter le compromis entre influence à long terme et confiance humaine comme un objectif d'optimisation explicite, tout en imposant la performance immédiate de la tâche comme contrainte stricte plutôt que comme variable négociable. Pour des intégrateurs travaillant sur des flottes de véhicules autonomes ou des robots collaboratifs amenés à interagir de façon répétée avec les mêmes opérateurs, cela suggère une voie pour préserver l'acceptabilité sans sacrifier l'efficacité. Le travail s'inscrit dans la lignée des recherches en interaction homme-robot centrées sur la calibration de la confiance, un terrain d'étude classique pour les véhicules autonomes, où l'insertion de voie sert souvent de banc d'essai standardisé. Il s'agit à ce stade d'un résultat de recherche publié sur arXiv, validé par simulation, étude utilisateur et déploiement réel limité sur véhicule GEM, et non d'un produit commercialisé. L'article ne précise pas de calendrier de généralisation à d'autres scénarios d'interaction répétée.

Recherche❖Paper

1 source

38

619arXiv cs.RO 

Robots à levées de Lévy émergentes : exploration décentralisée et scalable avec capteurs minimaux

Des chercheurs présentent un nouveau contrôleur de navigation, baptisé SDLW (sensor-driven Lévy walk), conçu pour des nano-drones de moins de 50 grammes dotés de capteurs minimalistes. La méthode combine un tirage aléatoire de la longueur des déplacements selon une marche de Lévy avec une politique de cap réactive basée sur des mesures de distance directionnelles simples. Chaque appareil échantillonne indépendamment son exposant de Lévy dans une distribution uniforme, ce qui diversifie l'exploration sans nécessiter la moindre communication inter-robots. Le cap est ensuite choisi via une distribution de von Mises qui privilégie les directions dégagées tout en conservant les propriétés de superdiffusion propres à la marche de Lévy. Testé en simulation, le contrôleur améliore la couverture de zone de 79,6% dans des arènes ouvertes, 43,1% dans des environnements de type pièces-et-couloirs, et 13,6% en milieu encombré, par rapport à une marche de Lévy à cap uniforme classique. Les collisions reculent respectivement de 13,0%, 7,1% et 1,4% selon ces mêmes scénarios. L'intérêt de l'approche tient à sa frugalité : elle atteint ces gains à coût de calcul constant, sans coordination centralisée ni échange de messages entre appareils, ce qui la rend directement compatible avec le budget énergétique et computationnel très serré des nano-drones actuels. Pour des applications comme la recherche et sauvetage, l'inspection de sites dangereux ou la surveillance de zones étendues, cela ouvre la voie à des essaims low-cost purement décentralisés, capables de passer à l'échelle sans infrastructure de communication ni supervision, un angle mort des approches multi-robots plus lourdes qui reposent souvent sur du SLAM embarqué ou des liaisons radio permanentes. Cette piste s'inscrit dans une longue tradition de recherche en robotique s'inspirant des stratégies de fourragement animal, où la marche de Lévy est connue pour optimiser la recherche de ressources rares dans un environnement inconnu. Les auteurs se positionnent en alternative aux méthodes d'exploration coopérative nécessitant cartographie partagée ou communication inter-robots, généralement hors de portée du matériel ultra-léger. Les résultats restent toutefois cantonnés à la simulation ; une validation sur essaim physique de nano-UAV serait l'étape logique suivante pour confirmer la robustesse de l'approche face au bruit réel des capteurs.

Recherche❖Paper

1 source

38

620arXiv cs.RO 

DC-WAM : supervision et raisonnement visuels centrés sur la dynamique pour les modèles monde-action

Une nouvelle publication arXiv (2607.25918v1) présente DC-WAM (Dynamic-Centric World-Action Model), un framework qui repense la manière dont les modèles monde-action (WAM) utilisés pour piloter des robots doivent exploiter la vidéo prédictive. Les WAM couplent une politique de contrôle à une prédiction du futur visuel de la scène, mais jusqu'ici la question de ce que cette modalité vidéo doit réellement apprendre restait ouverte : une prédiction photoréaliste dense coûte cher en calcul et gaspille de la capacité sur la texture, l'éclairage ou l'arrière-plan, des éléments peu liés à la décision d'action. DC-WAM redistribue la supervision et le calcul de la branche vidéo RGB sans ajouter d'entrée ou de prédiction supplémentaire au déploiement. Concrètement, la méthode combine un appariement de flux par différence temporelle avec une pondération guidée par la trajectoire, pour concentrer l'apprentissage sur les changements denses et les zones où la pince, les objets manipulés et les points de contact bougent. Un second mécanisme, DynaRoute, prédit une pertinence dynamique token par token et la convertit en biais d'attention pour orienter le modèle vers les tokens futurs réellement utiles au contrôle. L'intérêt principal tient à la validation expérimentale : en simulation comme sur des tâches réelles de manipulation, DC-WAM améliore systématiquement la performance des politiques, avec un gain particulièrement marqué sous perturbations hors distribution (changements d'éclairage, d'apparence des objets, de texture de fond). Cela conforte une intuition déjà présente dans les WAM efficaces récents : le bénéfice de la branche vidéo ne vient pas tant du rendu futur en lui-même que des représentations visuelles orientées contrôle qu'elle induit pendant l'entraînement. Pour les équipes qui développent des politiques robotiques génériques, c'est un argument concret contre le tout-photoréaliste et en faveur d'une supervision ciblée sur la dynamique d'interaction, un axe pertinent face à l'écart classique entre performance en démonstration et robustesse en conditions réelles. DC-WAM s'inscrit dans la lignée des travaux sur les modèles monde appliqués au contrôle robotique et sur les architectures vision-langage-action (VLA), où plusieurs équipes cherchent à réduire le coût de la prédiction future tout en conservant son bénéfice pour l'apprentissage de politiques. La démarche des auteurs consiste à repartir d'un WAM RGB existant plutôt que d'ajouter une modalité dédiée, une approche incrémentale qui vise l'adoption pratique plutôt que la rupture architecturale. Le papier ne précise pas de partenaire industriel ni de calendrier de déploiement : il s'agit à ce stade d'un résultat de recherche, dont la prochaine étape logique serait une évaluation sur des plateformes robotiques plus variées et des tâches de manipulation plus complexes.

Recherche❖Paper

1 source

37

621arXiv cs.RO 

Motion Generation avec contraintes environnementales

Un nouveau preprint arXiv (2607.25053, publié fin juillet 2026) propose une approche baptisée Environmental Constraint Exploitation (ECE) pour la planification de mouvement en robotique. Le constat de départ est classique : dans les espaces de configuration à haute dimension, la planification sans collision devient rapidement coûteuse en calcul et fragile face à l'incertitude sur l'environnement. Les auteurs renversent la logique habituelle en proposant d'exploiter délibérément le contact avec l'environnement plutôt que de le fuir systématiquement. Concrètement, la méthode intègre cette exploitation de contraintes environnementales dans des planificateurs de type RRT (Rapidly-exploring Random Tree), en biaisant l'exploration vers les régions pertinentes pour la tâche et en utilisant le contact physique comme moyen de réduire l'incertitude pendant l'exécution du mouvement. Les auteurs indiquent avoir validé l'approche à la fois en simulation et lors d'une application concrète en conditions réelles, sans toutefois préciser dans le résumé le type de robot ni le contexte industriel exact. L'intérêt pour le secteur tient au changement de paradigme proposé : la quasi-totalité des planificateurs de mouvement déployés en usine ou en logistique traitent tout contact non voulu comme un échec à éviter à tout prix, ce qui impose des marges de sécurité coûteuses en temps de cycle et en flexibilité. Une planification qui utilise le contact comme information plutôt que comme risque pourrait simplifier des tâches où un robot doit évoluer dans des espaces encombrés, glisser le long d'une surface ou stabiliser sa trajectoire en s'appuyant sur son environnement, un enjeu pertinent aussi bien pour les bras manipulateurs en entrepôt que pour les humanoïdes appelés à travailler dans des environnements non structurés. Le papier se présente lui-même comme une consolidation et une extension de travaux antérieurs des mêmes auteurs sur ce concept d'exploitation des contraintes environnementales, plutôt qu'une rupture inédite. À ce stade, il s'agit d'un résultat académique publié en preprint, sans affiliation industrielle ni feuille de route de commercialisation mentionnée : la contribution reste à ce jour du côté de la recherche fondamentale en planification robotique, avec un potentiel de transfert vers l'industrie qui reste à démontrer sur des cas d'usage à plus grande échelle.

Recherche❖Paper

1 source

37

622arXiv cs.RO 

Adaptation de modalité en test, un cadre causal d'inférence-diagnostic-raffinement pour les modèles VLA

Une équipe de chercheurs publie sur arXiv un nouveau cadre baptisé infer-diagnose-refine (IDR), conçu pour améliorer les modèles vision-langage-action (VLA) qui pilotent des bras ou des robots humanoïdes à partir d'instructions en langage naturel, d'images et de l'état proprioceptif du robot. Le problème ciblé: dans une tâche de manipulation, l'importance de la vision varie selon la phase, un déplacement longue distance dépendant surtout de la caméra tandis qu'une prise fine dépend davantage du retour proprioceptif, et les VLA actuels fusionnent ces modalités de façon statique. IDR corrige cela au moment du test, sans réentraînement: le modèle infère d'abord une action factuelle avec l'image réelle, puis une action contrefactuelle en neutralisant l'image via une intervention de type "zero-padding", avant qu'un module ne quantifie l'écart entre les deux par une mesure de norme pour estimer l'importance causale de la vision à cet instant précis, puis qu'une fusion résiduelle à gate ajustable ne recombine les deux prédictions. Les auteurs rapportent des gains de performance sur plusieurs benchmarks de simulation et sur des tâches réelles, avec plusieurs architectures VLA testées comme backbones. Pour l'industrie robotique, l'intérêt tient au fait que ce travail s'attaque à une limite bien identifiée mais rarement corrigée des VLA: leur incapacité à pondérer dynamiquement les modalités selon le contexte, ce qui pèse sur la robustesse en conditions réelles (occlusions, éclairage variable, phases de contact). Le caractère "model-agnostic" et "training-free" est ce qui retient le plus l'attention des intégrateurs: si la méthode tient ses promesses hors cadre académique, elle pourrait s'appliquer en post-traitement à des VLA déjà déployés, sans le coût d'un réentraînement complet, rare parmi les correctifs proposés dans la littérature. Il s'agit toutefois d'une publication de recherche évaluée sur des benchmarks propres aux auteurs, pas d'un produit ni d'un déploiement industriel, et le gain réel dépendra d'une reproduction indépendante sur des tâches de manipulation hors laboratoire. Ce travail s'inscrit dans une vague de recherche plus large autour des VLA, catégorie qui regroupe aujourd'hui des systèmes comme RT-2, OpenVLA, pi-0 de Physical Intelligence ou GR00T de Nvidia, tous confrontés au même arbitrage entre richesse perceptuelle et robustesse d'exécution. Chercher des gains de fiabilité au moment de l'inférence, plutôt que via un réentraînement massif, reflète une tendance récente à vouloir corriger à moindre coût des modèles déjà volumineux. Les auteurs ne précisent ni calendrier d'intégration industrielle ni partenariat avec un fabricant de robots; la suite logique serait une validation sur des plateformes commerciales et une comparaison directe avec les méthodes de fusion de modalités déjà employées par les principaux acteurs du secteur.

Recherche⚡Actu

1 source

37

623arXiv cs.RO 

DSCD-Nav : débat coopératif à double posture pour la navigation vers un objet

Le robot d'assistance domestique orienté navigation vient d'être testé sur trois jeux de données de référence, HM3Dv1, HM3Dv2 et MP3D, avec un nouveau mécanisme baptisé DSCD-Nav (Dual-Stance Cooperative Debate Navigation). Le principe : au lieu de faire évaluer chaque action candidate par un seul passage de scoring, comme le font les systèmes actuels bâtis sur des modèles vision-langage, la méthode confronte deux points de vue construits sur des objectifs complémentaires. Le premier, appelé TSU (Task-Scene Understanding), privilégie la progression vers l'objectif à partir d'indices de disposition de la scène. Le second, SIB (Safety-Information Balancing), met l'accent sur le risque et la valeur informationnelle de chaque choix. Ces deux "postures" débattent en confrontant leurs meilleures candidates avec des arguments ancrés dans l'observation, puis un agent d'arbitrage nommé NCA (Navigation Consensus Arbitration) synthétise les raisons des deux camps et peut déclencher une micro-vérification légère en cas de doute persistant. Les auteurs rapportent des gains constants en taux de réussite et en efficacité de trajectoire, avec une réduction de l'exploration redondante sur les trois benchmarks. L'enjeu dépasse la seule performance chiffrée : il touche à un problème connu des systèmes de navigation basés sur des VLA (vision-language-action), le fait qu'un scoring en un seul passage produit une confiance excessive et des erreurs qui s'accumulent sur des trajectoires longues, dans des environnements observés seulement partiellement. En reformulant la décision comme un débat entre postures antagonistes plutôt qu'un score unique, DSCD-Nav s'attaque directement à ce biais de surconfiance, un sujet critique pour tout intégrateur voulant déployer des robots domestiques ou de service dans des environnements réels non cartographiés au préalable. Si l'approche tient à l'échelle au-delà des benchmarks académiques, elle offre une piste concrète pour fiabiliser la prise de décision des robots autonomes sans nécessiter de re-entraînement lourd du modèle de perception sous-jacent. Le papier s'inscrit dans la lignée des travaux récents sur la navigation zero-shot en environnement intérieur inconnu, un axe de recherche actif depuis l'essor des modèles vision-langage capables de raisonner sur des scènes jamais vues. Contrairement aux approches à score unique dominantes dans la littérature actuelle, DSCD-Nav mise sur une architecture multi-agents délibérative, une tendance émergente dans plusieurs sous-domaines de l'IA où la confrontation de perspectives remplace l'inférence directe. Le texte, republié en version 3 sur arXiv, ne précise pas de déploiement matériel réel ni de partenaire industriel : il s'agit à ce stade d'une contribution méthodologique validée en simulation, dont la prochaine étape naturelle serait un test sur plateforme robotique physique pour confirmer que les gains observés en simulation se transposent au monde réel.

Recherche❖Paper

1 source

34

624arXiv cs.RO 

Planification réactive de mouvement 3D pour un bras Franka via remodelage de l'espace de travail en étoile

Des chercheurs proposent une méthode de retraitement géométrique de l'espace de travail, baptisée "Star-World reshaping", pour la planification de mouvement réactive d'un bras Franka Emika Panda en trois dimensions. Le problème visé : quand la marge de sécurité autour des obstacles est gonflée pour éviter les collisions, les zones inflées finissent par se chevaucher, ce qui casse l'hypothèse d'obstacles disjoints sur laquelle reposent de nombreux planificateurs réactifs par modulation. La méthode regroupe à chaque mise à jour les obstacles inflés qui se chevauchent et les remplace par des formes en étoile ("star-shaped proxies"), avant qu'un contrôleur d'effecteur basé sur un système dynamique n'évalue la trajectoire ; un terme de champ de potentiel artificiel dans l'espace nul gère en complément l'évitement du bras lui-même. Testée sur six scénarios PyBullet et 12 essais, l'approche atteint l'objectif dans cinq cas sur six, contre quatre sur six pour la méthode sans retraitement, avec un temps de calcul de 0,68 à 8,70 millisecondes par mise à jour pour des scènes comportant un à sept obstacles. L'intérêt pour la robotique industrielle est ciblé : la planification réactive en temps réel reste un point dur pour les bras manipulateurs évoluant en environnement encombré, notamment en cellule collaborative où les marges de sécurité imposées par les normes créent justement ce type de chevauchements. Mais les auteurs eux-mêmes tempèrent la portée du résultat : l'évaluation reste préliminaire, avec seulement 12 essais, une augmentation de la longueur des trajectoires générées, l'apparition de quasi-équilibres bloquants dans deux scénarios, et un cas où le regroupement trop agressif des obstacles ferme un couloir de passage pourtant navigable. Autrement dit, la méthode gagne en robustesse sur le cas canonique du "mur qui se chevauche" mais introduit de nouveaux modes d'échec. Ce travail s'inscrit dans la lignée des planificateurs réactifs par modulation dérivés de la théorie des champs de vitesse ("dynamical systems"), historiquement validés en 2D et dont le passage à la 3D sur manipulateur redondant reste un défi ouvert. Aucun acteur industriel n'est cité : il s'agit d'une publication de recherche amont, sans annonce de produit ni de déploiement. Les auteurs présentent leurs résultats comme une preuve de concept montrant à la fois le potentiel et les limites pratiques du transfert des garanties théoriques du Star-World, initialement pensées pour la géométrie de l'espace de travail, à un bras contrôlé par cinématique inverse.

Recherche❖Paper

1 source

32

625arXiv cs.RO 

Transport de point à point avec bras robotique à continuum : mise en forme du signal d'entrée

Traduction terminée. Voici le résumé en français : Une équipe de recherche a appliqué une technique de mise en forme de commande ("input shaping") à un bras robotique continuum actionné par câbles, un mécanisme sous-actionné sujet à des vibrations résiduelles en fin de mouvement point à point. Le problème : quand ce type de bras s'arrête après une trajectoire de repos à repos, l'effecteur continue d'osciller avant de se stabiliser, ce qui limite la précision et allonge le temps de cycle réel. Les chercheurs ont conçu deux filtres à retard temporel basés sur un modèle de système linéaire, un non robuste et un robuste, puis les ont comparés à une commande d'entrée classique en impulsion de vitesse. Les essais expérimentaux sur un bras continuum réel montrent une réduction mesurable du dépassement (overshoot) et du temps de stabilisation avec les deux filtres, le filtre robuste améliorant encore la réponse par rapport au filtre non robuste. L'enjeu dépasse la seule démonstration en laboratoire. Les bras continuum, appréciés pour leur flexibilité en espaces confinés (chirurgie mini-invasive, inspection de moteurs d'avion, intervention en milieu encombré), souffrent justement de ce compromis entre compliance mécanique et précision de positionnement : leur sous-actionnement, qui fait leur intérêt pour épouser des géométries complexes, est aussi ce qui génère des oscillations difficiles à maîtriser. Réduire ces vibrations sans ajouter de capteurs ou d'actionneurs supplémentaires, uniquement par la forme du signal de commande, est une piste économique pour rapprocher ces robots d'usages industriels exigeants en trajectoires arbitraires plutôt que de simples démonstrations en point fixe. L'input shaping lui-même n'est pas nouveau : la méthode a été développée dès les années 1990 pour amortir les vibrations de grues, de bras robotiques flexibles et de structures spatiales. Son application aux robots continuum, plus récents et combinant sous-actionnement et souplesse structurelle, reste en revanche peu explorée. Les auteurs positionnent ce travail comme une étape vers une mise en œuvre robuste de ces bras pour des tâches nécessitant un suivi précis de trajectoires arbitraires de l'effecteur, une extension au-delà du simple mouvement point à point testé ici étant une suite logique attendue.

Recherche❖Paper

1 source

30

626arXiv cs.RO 

IA en Réalité étendue : une couche de médiation pour le contrôle humain situé dans la collaboration homme-robot

Des chercheurs proposent, dans un article publié sur arXiv (2607.25047v1, catégorie cross-listing), un cadre conceptuel pour repenser le rôle de la réalité étendue (XR) dans la collaboration homme-robot. Plutôt que de limiter la XR à l'affichage d'intentions ou de trajectoires planifiées, les auteurs avancent qu'elle doit devenir une véritable couche de médiation pour ce qu'ils nomment le "contrôle humain situé" : la capacité d'un opérateur à comprendre, orienter, autoriser ou interrompre l'action d'un robot dans le contexte physique, social et temporel précis où elle se déroule. Le raisonnement s'appuie sur trois scénarios concrets : l'assistance robotique au chevet de patients en soins infirmiers, la supervision de bras robotiques multiples, et l'assemblage collaboratif sous attention divisée. À partir de ces cas, l'équipe identifie quatre fonctions de médiation (entre intention humaine et autonomie du robot, entre plans du robot et jugement humain, entre niveaux de contrôle partagé, et entre rôles d'équipe, passations et récupération d'erreurs), puis en déduit six dimensions de conception : possibilités d'action conjointe, contraintes socio-physiques, gestion de l'incertitude et de la validité des plans, contrôle et correction multimodaux, répartition des rôles avec traçabilité, et anticipation de la récupération après incident. L'enjeu dépasse la simple interface homme-machine. Dans les environnements industriels ou de soin où les robots gagnent en autonomie, le déficit d'inspectabilité reste un frein majeur à l'adoption : un opérateur qui ne peut pas anticiper ni corriger une décision robotique en temps réel perd la confiance nécessaire à une collaboration fluide, surtout quand les objectifs changent, que la perception du robot est incomplète, ou que les rôles entre humain et machine évoluent en cours de tâche. Ce travail rappelle que la robustesse d'un système collaboratif ne se joue pas seulement dans l'algorithme de planification, mais dans la capacité de l'humain à rester "dans la boucle" de façon actionnable, un enjeu direct pour les intégrateurs qui déploient des cobots ou des systèmes supervisés en environnement partagé. Il s'agit ici d'un article de position et non d'un système déployé ou d'un produit commercialisé : aucun prototype XR complet n'est présenté, l'apport est une grille d'analyse destinée à orienter la recherche future. Le texte s'inscrit dans la continuité des travaux sur le contrôle partagé et l'autonomie ajustable en robotique collaborative, et propose un agenda de recherche pour concevoir des systèmes XR qui rendraient l'autonomie robotique plus lisible et plus redevable dans des environnements dynamiques, sans préciser à ce stade de calendrier ni de partenaires industriels associés.

Recherche❖Paper

1 source

46

627Pandaily 

Automatisation d'entrepôt et IA incarnée : Meituan, JD.com, ByteDance et Baidu accélèrent leur expansion dans le monde physique

Les géants technologiques chinois accélèrent massivement leur expansion vers le monde physique, transformant leurs plateformes numériques en infrastructures robotiques verticalement intégrées. Meituan a déployé sa flotte de robots de livraison autonomes qui a cumulé plusieurs millions de trajets sans intervention humaine, naviguant en zones piétonnes, aux passages routiers et jusqu'aux entrées d'immeubles en environnement urbain dense. L'entreprise a bâti une pile complète d'IA physique incluant véhicules de livraison autonomes, drones, robots de service en magasin et systèmes cloud de gestion de flotte. JD.com a de son côté intégré la robotique sur toute sa chaîne logistique, des chariots élévateurs autonomes en entrepôt jusqu'au routage optimisé par IA pour ses camions de livraison. Baidu poursuit le développement de ses robotaxis Apollo, qui ont accumulé des dizaines de millions de kilomètres de conduite autonome, tout en investissant dans l'IA incarnée et ses puces Kunlun. ByteDance a opté pour une stratégie de portefeuille, injectant des capitaux dans des startups de robotique humanoïde, de cobots et d'automatisation industrielle via son bras d'investissement et sa R&D interne. Alibaba exploite les robots logistiques Cainiao et son laboratoire de recherche DAMO, tandis que Tencent Robotics X travaille sur l'IA incarnée. Ce virage n'est pas anecdotique pour l'industrie robotique et les décideurs B2B. Il traduit un épuisement des relais de croissance du pur numérique en Chine, qui pousse les géants internet à chercher de la valeur dans une économie physique encore peu digitalisée. Il signale surtout que les progrès en perception, décision et actionnement rendent désormais l'automatisation du monde physique viable technologiquement et économiquement à grande échelle, un seuil que le secteur attendait depuis des années sans le franchir massivement. Les avantages structurels de ces plateformes, données massives, bases d'utilisateurs, capital disponible, se transposent directement à l'opérationnel physique, où l'optimisation par la donnée et les économies d'échelle jouent le même rôle que dans le numérique pur. Pour les intégrateurs et industriels traditionnels, cela signifie à la fois une pression concurrentielle accrue et de nouvelles opportunités de partenariat avec des acteurs data-natifs. Cette bascule s'inscrit dans une trajectoire longue: les plateformes de livraison et de logistique chinoises ont d'abord digitalisé leurs opérations avant de les automatiser physiquement, un mouvement que la maturation de l'IA rend aujourd'hui exécutable à l'échelle nationale. La compétition entre Meituan, JD.com, Baidu, Alibaba, ByteDance et Tencent structure désormais un marché où chacun bâtit sa propre pile physique-IA, sans consolidation apparente à ce stade. Les implications dépassent la Chine: la combinaison de capacités IA, d'échelle manufacturière et de volumes massifs de données de déploiement constitue un avantage compétitif que les acteurs occidentaux devront désormais prendre en compte dans leurs propres feuilles de route robotiques.

Chine/Asie❧Opinion

1 source

38

62836Kr 

Robot à capteurs tactiles flexibles lève un nouveau financement, revenus visés x10 en 2026

La start-up chinoise Yaole Technology, spécialisée dans les capteurs tactiles souples tissés directement dans le textile, vient de boucler un tour de table Pre-A+ mené par Dinghe Gaoda, avec la participation de l'équipementier automobile coté Changshu Automotive Trim et du studio Zulong Entertainment, Yundao Capital agissant comme conseiller financier exclusif de long terme. Les fonds serviront à développer la technologie de détection textile, industrialiser la production des gants de collecte de données et étoffer les capacités de calibration et d'interface, avec un déploiement visé vers l'IA incarnée, les modèles du monde et les habitacles intelligents. Fondée par Lü Liyun, ex-architecte en chef chez Harman où elle pilotait des plateformes de fusion multimodale de capteurs, la société s'appuie sur une équipe issue de l'Académie chinoise des sciences, de l'université du Michigan et de Pékin. Son gant, bientôt commercialisé, repose sur une architecture baptisée "fil métallique plus matrice sandwich" : un fil d'alliage métallique pur tissé en réseau conducteur et intégré en une seule pièce dans le tissu, sans capteur film ou circuit imprimé rapporté en surface comme le font la plupart des solutions concurrentes. Le boîtier de collecte, séparé du gant, embarque alimentation, traitement du signal et stockage ; le gant lui-même est lavable et remplaçable indépendamment. Yaole prévoit que l'activité gants de données pèsera plus de la moitié de son chiffre d'affaires en 2026, année où l'entreprise vise une multiplication par dix de son revenu global. Cette opération illustre un déplacement de l'attention dans la course à la robotique humanoïde : à mesure que les progrès matériels (moteurs, articulations, châssis) s'accumulent, le goulot d'étranglement se déplace vers la donnée physique réelle. Selon le Rapport sur le développement de l'industrie chinoise de l'IA incarnée, le volume mondial de données d'interaction physique réelle et de haute qualité atteignait environ 500 000 heures début 2026, alors qu'entraîner un modèle incarné généraliste doté d'une capacité de généralisation de base en réclamerait plusieurs dizaines de millions, un écart supérieur à 90 %. Contrairement à la vision ou au texte, le tactile résiste mal à la simulation : la répartition de pression, le frottement et la déformation des matériaux lors d'un contact réel restent difficiles à reproduire fidèlement, ce qui pousse le secteur à revenir vers la collecte physique directe. Au-delà de l'entraînement de mains robotiques, les gants intéressent aussi des industriels et logisticiens (type UPS) pour l'évaluation des risques ergonomiques sur chaîne, ou le secteur médical pour le suivi de rééducation fonctionnelle, ce qui élargit le marché adressable au-delà de la seule robotique. Le secteur chinois des gants de capteurs tactiles a vu cette année une prolifération rapide d'acteurs, entre approches à film imprimé, vision-tactile et textile. Yaole met en avant son expérience acquise sur des cahiers des charges automobiles pour revendiquer une fiabilité transposable à la robotique ; Changshu Automotive Trim a d'ailleurs été introduit au tour en partie pour répondre à la demande croissante des constructeurs étrangers en systèmes de classification des passagers (OCS). Dinghe Gaoda, dont le portefeuille inclut déjà Hesai, Momenta et Liufen Technology, situe l'investissement dans une thèse plus large sur la perception physique des machines, tandis que Yundao Capital insiste sur le fait que la vraie valeur ne réside pas dans le capteur lui-même mais dans sa capacité à devenir un point d'entrée standardisé pour des données exploitables à l'échelle de l'entraînement des modèles.

Chine/Asie⚡Actu

1 source

49

629The Verge 

L'interdiction des robots étrangers aux États-Unis

Traduction/résumé selon le format demandé. La Federal Communications Commission a annoncé mardi une interdiction d'importation visant les "appareils robotiques avancés" et les onduleurs de puissance fabriqués à l'étranger, selon des informations rapportées par Reuters puis relayées par The Verge. La mesure couvre les robots mobiles, notamment les modèles humanoïdes et quadrupèdes, sans se limiter aux machines capables de marcher. La FCC affirme que cette décision ne cible pas un pays en particulier, mais son impact retombera principalement sur la Chine, où des entreprises comme Unitree ont multiplié les démonstrations virales, robots dansant sur du Michael Jackson ou s'affrontant lors de combats de MMA inclus. Cette interdiction s'inscrit dans une logique de sécurité nationale déjà appliquée aux drones chinois DJI et aux équipements télécoms de Huawei et ZTE : washington cherche à limiter la présence de matériel étranger jugé sensible dans des systèmes robotiques de plus en plus capables. Pour les intégrateurs et décideurs industriels, le signal est clair : le marché américain de la robotique humanoïde et des AMR se referme progressivement aux fournisseurs chinois, ce qui pourrait accélérer la fragmentation des chaînes d'approvisionnement entre écosystèmes américain et chinois. La Chine a fait de la robotique humanoïde une priorité industrielle, avec un soutien étatique massif et des acteurs comme Unitree, désormais concurrents directs de Figure, Tesla (Optimus) ou Boston Dynamics sur la scène internationale. Les modalités précises de mise en œuvre de l'interdiction, ainsi que d'éventuels recours juridiques, restent à préciser dans les prochaines semaines.

Regulation⚖Reglementation

1 source

39

630Interesting Engineering 

Les compagnies aériennes américaines interdisent les robots humanoïdes en cabine face aux inquiétudes de sécurité

Delta Air Lines et United Airlines viennent d'interdire le transport de robots humanoïdes sur leurs vols, que ce soit en bagage cabine, en bagage enregistré ou en soute cargo. United a inscrit les robots à forme humaine dans une catégorie d'objets prohibés, distincte des appareils électroniques grand public classiques. Delta applique une règle similaire mais la qualifie pour l'instant de temporaire, refusant tout robot conçu pour imiter l'apparence, la taille, le mouvement ou le comportement d'un humain ou d'un animal, quelle que soit sa taille ou sa destination. Ces décisions font suite à celle de Southwest Airlines, prise plus tôt cette année après qu'un robot humanoïde a été transporté à bord d'un de ses vols, un épisode largement relayé qui a mis en lumière l'absence de procédures claires pour ce type d'appareil. Les robots aspirateurs, jouets robotisés et autres appareils électroniques restent, eux, autorisés sous réserve des règles habituelles sur les batteries au lithium et les bagages. Ces interdictions traduisent un problème très concret pour l'industrie robotique et ses intégrateurs B2B: le décalage entre le rythme de déploiement des humanoïdes et l'absence totale de cadre réglementaire adapté à leur transport, leur stockage et leur manutention. Bras et jambes articulés, dimensions inhabituelles, composants lourds, systèmes de batteries lithium-ion multiples et complexes, autant de caractéristiques que les règles aériennes existantes, pensées pour de l'électronique standard, ne couvrent pas. Pour un secteur qui vend l'idée d'humanoïdes bientôt déployés en usine, en logistique ou en service client à grande échelle, le fait que de simples compagnies aériennes se retrouvent à improviser des interdictions faute de procédure de sécurité montre que la logistique du dernier kilomètre, transporter, stocker, assurer un robot, reste largement impensée en dehors du site de déploiement lui-même. L'élément déclencheur reste l'incident Southwest, qui a soulevé des questions inédites sur la classification, le placement en soute ou en cabine, le stockage des batteries et les procédures d'urgence applicables à un robot capable de bouger ou de peser lourd. Southwest a réagi la première en interdisant les robots humanoïdes et zoomorphes, ouvrant la voie à United et Delta. Rien n'indique pour l'instant de position harmonisée entre transporteurs américains, ni d'intervention de la FAA ou de l'IATA pour fixer une norme commune, ce qui laisse chaque compagnie fixer ses propres critères. À mesure que des acteurs comme Figure, Tesla (Optimus) ou Agility Robotics multiplient les démonstrations et les premiers déploiements pilotes, la question du transport aérien de ces machines, entre deux sites clients ou vers un salon professionnel, devrait rapidement s'imposer comme un point de friction supplémentaire pour la filière.

Regulation⚖Reglementation

1 source

44

631IEEE Spectrum Robotics 

Le doigt du robot ressent en couleur

Une équipe de chercheurs européens a mis au point un doigt robotique doté d'une peau synthétique capable de "voir" la texture et la pression par changement de couleur, avec une résolution de 100 micromètres et sans latence de calcul. Le projet réunit le Queen Mary University of London, l'Université de Florence, l'Université de Trieste et l'Université de Trento. L'idée revient à Giacomo Sasso, chercheur postdoctoral dans le laboratoire de Federico Carpi à Queen Mary, qui s'est appuyé sur un matériau "mécanochrome" décrit dans la revue Nature. En exposant un film photosensible à un laser rouge de 635 nanomètres et 5 mégawatts pendant sept minutes, Sasso a créé un réflecteur de Bragg : une structure à couches alternées de densité et d'indice de réfraction différents. Quand ce réflecteur est déformé par un contact, ses couches s'amincissent et changent la longueur d'onde de lumière réfléchie, du rouge (faible déformation) au vert puis au bleu (déformation maximale). Ce réflecteur est intégré dans un doigt en silicone transparent équipé d'une caméra et d'une LED internes, avec une couche externe noire pour maximiser le contraste des couleurs captées. L'équipe a déjà généré des cartes topographiques d'un bout de doigt humain, d'une pièce d'un cent et d'une feuille. Cette approche change la donne pour le toucher robotique, un domaine où la plupart des capteurs tactiles doivent multiplier les points de mesure de pression et de force pour reconstituer une surface, au prix d'un traitement de données lourd et lent. Ici, la couleur seule encode directement la topologie, la déformation et la pression de contact, ce qui élimine le goulot d'étranglement computationnel et ouvre la voie à une perception tactile en temps réel bien plus fine que ce qu'offrent les capteurs à base de grille de capteurs de force. Rich Walker, directeur de Shadow Robot, la plus ancienne entreprise robotique britannique et spécialiste des mains robotiques, a qualifié la méthode de radicalement différente des approches existantes. Pour les intégrateurs travaillant sur la manipulation fine (préhension d'objets fragiles, tri, chirurgie assistée), un tel niveau de résolution sans surcoût de calcul pourrait combler un écart réel entre les démonstrations en laboratoire et les usages industriels, où la vitesse de traitement tactile reste un facteur limitant. Le projet est encore au stade de recherche académique, sans annonce de commercialisation ni de partenaire industriel identifié à ce jour. Sasso a mis moins d'une semaine à reproduire le matériau en laboratoire après être tombé sur l'article de Nature en cherchant des solutions optiques pour le toucher robotique. Les prochaines étapes concerneront probablement l'intégration du capteur sur des mains robotiques complètes et la comparaison de ses performances face aux technologies concurrentes de peau tactile, notamment les capteurs capacitifs ou piézorésistifs déjà utilisés par des acteurs comme Shadow Robot.

Recherche❖Paper

1 source

33

632Robotics Business Review 

IA incarnée : comment les actionneurs intégrés améliorent les performances des articulations chez les robots humanoïdes

Le fabricant chinois CubeMars a développé l'AK45-10, un actionneur robotique intégré destiné aux articulations de robots humanoïdes. Le module mesure 53mm de diamètre pour environ 260 grammes, et délivre jusqu'à 7Nm de couple de pointe grâce à un réducteur planétaire à rapport 10:1. Sa particularité tient à l'intégration en un seul bloc du moteur brushless, du réducteur, de l'encodeur et de l'électronique de contrôle, au lieu d'assembler ces composants séparément comme le veut l'approche traditionnelle. CubeMars positionne ce produit pour équiper aussi bien les articulations du haut du corps (coudes, poignets) que celles du bas du corps (hanches, genoux), avec des besoins de couple et de stabilité différents selon la charge appliquée. Cette annonce illustre une tendance de fond dans l'industrie des robots humanoïdes plutôt qu'une rupture technologique isolée : la miniaturisation et l'intégration des actionneurs deviennent un enjeu central pour rendre les plateformes humanoïdes viables commercialement. Avec des dizaines d'articulations à motoriser par robot, le poids et l'encombrement cumulés des actionneurs pèsent directement sur l'autonomie énergétique et la complexité d'assemblage. Pour les intégrateurs et fabricants de robots, disposer de modules compacts et prêts à l'emploi réduit le câblage, la maintenance et le temps de développement, un facteur déterminant alors que plusieurs acteurs cherchent à passer du prototype de démonstration à la production en série. Il faut toutefois noter que l'article ne fournit ni prix, ni volumes de production, ni client identifié utilisant cet actionneur dans un robot complet : il s'agit d'une présentation produit, pas d'un déploiement confirmé sur une plateforme humanoïde nommée. CubeMars s'inscrit dans un marché des actionneurs pour robotique où la concurrence s'intensifie, notamment face à des fournisseurs spécialisés dans les moteurs à couple élevé et faible encombrement pour la robotique légère et les drones, secteur d'origine de plusieurs fabricants chinois de ce type de composants. La course aux articulations compactes fait écho aux besoins exprimés par les développeurs de plateformes humanoïdes comme Figure, Tesla avec Optimus, ou Unitree, qui doivent tous arbitrer entre couple, poids et coût par articulation. Sans annonce de partenariat ou de déploiement précis à ce stade, l'AK45-10 reste positionné comme un composant générique destiné aux développeurs de robots plutôt qu'un produit associé à un humanoïde spécifique déjà commercialisé.

Humanoïdes⚡Actu

1 source

43

633Interesting Engineering 

MIT dévoile un modèle qui réduit les délais de réaction de 30 fois pour des mouvements robotiques plus rapides

Des chercheurs du MIT ont développé une nouvelle méthode baptisée VLASH, qui permet aux robots pilotés par des modèles vision-langage-action (VLA) de planifier leur prochaine séquence de mouvements pendant qu'ils exécutent encore la précédente, en anticipant leur position future plutôt qu'en attendant la fin du geste en cours pour ré-observer l'environnement. Cette seule modification réduit le délai de réaction de plus de 30 fois en supprimant la pause habituelle entre deux blocs d'actions. Une technique complémentaire, la quantification d'action, regroupe des mouvements suivant une même trajectoire en blocs plus larges ; elle réduit légèrement la précision mais accélère l'exécution des tâches de deux à trois fois. L'équipe a aussi conçu une méthode d'augmentation des données d'entraînement qui réorganise les données existantes pour diviser par cinq le temps d'entraînement, sans surcoût de calcul. En simulation, VLASH produit systématiquement des mouvements plus rapides sans perte de précision de manœuvre. Sur robots physiques, les gains se confirment sur des tâches de prise-dépose, d'empilement et de tri : dans une démonstration, un robot triant des cubes colorés a été deux fois plus rapide que les systèmes de référence, avec 90% de précision, un score équivalent à la meilleure méthode conventionnelle testée. Le système gère aussi des activités très dynamiques comme le tennis de table ou le Whack-a-Mole. Cette avancée cible un goulot d'étranglement connu du déploiement des VLA, de plus en plus utilisés comme "cerveau" des robots pour interpréter leur environnement et générer des actions physiques : le coût de calcul de l'inférence introduit des délais qui rendent les robots lents et saccadés face aux changements de leur environnement, un frein concret pour les intégrateurs visant des environnements dynamiques. Doubler la vitesse d'exécution sans matériel supplémentaire ni entraînement plus long change la donne économique. C'est un signal utile pour la course actuelle aux VLA généralistes (Pi-0, GR00T N2, Helix, ou les modèles embarqués dans des humanoïdes comme Figure 03 ou Optimus) : la latence d'inférence reste un frein réel à la fluidité mise en avant dans les vidéos de démonstration, et des optimisations logicielles comme celle-ci pourraient compter autant que la taille des modèles. Les chercheurs évoquent aussi des applications en recherche et sauvetage, où la réactivité aux changements est critique. Le travail s'inscrit dans les recherches du MIT sur l'intégration des VLA en robotique physique, un domaine où les grands laboratoires (Physical Intelligence, NVIDIA, Figure AI, Tesla) misent surtout sur des modèles plus lourds pour gérer perception et planification. VLASH prend l'angle inverse : restructurer le cycle observation-planification-exécution plutôt que changer le modèle. Aucun acteur français ou européen n'est cité dans ces travaux, qui restent à ce stade un résultat académique validé en simulation et sur quelques démonstrations en laboratoire, sans partenariat industriel ni calendrier commercial annoncés. La prochaine étape pour l'équipe consiste à combiner VLASH avec des modèles de monde génératifs capables de prédire l'évolution de l'environnement, et non plus seulement l'état futur du robot.

IA physique⚡Actu

1 source

40

63436Kr 

Le fondateur, docteur de l'UCLA, lance une startup de modèles fondation pour robots humanoïdes, lève près de 500 millions de yuans en amorçage

Près de 500 millions de yuans levés en tour d'amorçage "angel++", sixième tour de financement en seulement six mois d'existence pour la jeune pousse chinoise Delta Intelligence (德塔智能), fondée en janvier 2026 à Pékin. L'entreprise développe des modèles de fondation pour robots humanoïdes (Humanoid Foundation Models, HFMs), visant une manipulation locomotrice généraliste corps entier plutôt qu'une simple démonstration de marche. Le tour réunit des groupes industriels cotés en bourse, des fonds financiers de premier plan (Hillhouse Ventures/GL Ventures, Yuanhe Holdings, Fosun RZ Capital, Huaying Capital, Lenovo Capital) et, fait notable, plusieurs constructeurs de robots humanoïdes eux-mêmes: Zhiyuan Robotics (AgiBot), Leju Robotics, Galbot et Unitree. Les trois cofondateurs, dont le CEO Ma Xiaojian, sont tous docteurs de l'UCLA, formés à Tsinghua et Peking University, et sont passés par Google Robotics, NVIDIA Research, DeepMind, Meta ainsi que l'Institut de recherche en intelligence artificielle générale de Pékin, avec une expérience sur des projets DARPA, ONR et NSF. Techniquement, Delta Intelligence mise sur un moteur de monde 3D natif traitant nuages de points et gaussian splatting plutôt que des représentations visuelles 2D, couplé à un dispositif de capture propriétaire purement visuel qui enregistre en une seule prise les mouvements corps entier (mains, pieds, bassin, épaules) et reconstruit la scène 3D en temps réel, en mode téléopération ou sans robot physique. Le contrôle repose sur une architecture à trois couches: un "cerveau" pour la perception et la planification longue durée, un "cervelet" entraîné par renforcement en simulation massive pour le pilotage moteur fin à des fréquences de dizaines à centaines de hertz, et une couche hybride force-position pour la fluidité du geste. L'argument central de Delta Intelligence répond à une limite documentée du secteur: la plupart des modèles d'IA incarnée raisonnent encore sur des représentations 2D, insuffisantes pour juger la profondeur ou la géométrie nécessaires pour ouvrir une porte ou grimper un escalier, ce qui accumule des erreurs sur les tâches longues en conditions réelles. En entraînant le "cerveau" uniquement sur données réelles (la simulation ne modélisant pas fidèlement les contacts multiples de préhension et d'appui) et le "cervelet" surtout en simulation, l'entreprise illustre une fragmentation croissante du secteur entre fournisseurs de modèles de fondation et constructeurs de robots. Son partenariat direct avec Zhiyuan, Leju, Galbot et Unitree, via un pipeline standardisé de retargeting inter-plateformes, en fait un fournisseur de socle logiciel transférable d'un robot à l'autre sans réentraînement complet, un enjeu central pour l'industrialisation du secteur. Ce rythme de levées reflète l'appétit du capital chinois pour les modèles de fondation robotique, où les constructeurs de robots préfèrent désormais investir chez leurs futurs fournisseurs logiciels plutôt que tout développer en interne. Delta Intelligence se positionne face à des acteurs comme Physical Intelligence (Pi-0) ou NVIDIA (GR00T N2), en misant sur un moteur 3D natif et un dispositif de capture censé lever le goulot d'étranglement des données corps entier, souvent limitées aux mains chez les concurrents. Les fonds serviront à industrialiser ce dispositif de capture, construire la boucle de données associée et étoffer l'équipe de recherche, sans calendrier précis de déploiement client communiqué à ce stade.

Chine/Asie⚡Actu

1 source

47

635arXiv cs.RO 

Étude de cas sur l'acceptation d'une tête robotique humanoïde utilisée dans trois espaces publics

Une équipe de recherche a testé en conditions réelles une tête robotique humanoïde interactive dans trois lieux publics allemands : un office de tourisme, une bibliothèque municipale et l'accueil d'une administration du bâtiment (Bauamt). Le robot y a fonctionné en continu pendant plusieurs jours, engageant la conversation avec les visiteurs dans leur propre langue grâce à un pipeline de traitement du langage naturel couplé à un moteur de simulation émotionnelle, qui génère des réponses verbales multimodales enrichies d'expressions faciales. Les chercheurs ont mesuré l'acceptation des usagers via le questionnaire TAM2 (Technology Acceptance Model), un outil standard évaluant l'utilité perçue et la facilité d'usage. Résultat global : les utilisateurs se sont montrés motivés à interagir avec le robot et l'ont jugé plutôt utile et facile à prendre en main, quel que soit le site. Mais un usager sur cinq a trouvé le temps de réponse du système trop lent, ce qui nuisait à la fluidité du dialogue. L'enseignement principal dépasse la simple démonstration technique : l'acceptation d'un robot humanoïde conversationnel dépend fortement du contexte d'usage, pas seulement de ses capacités. L'office de tourisme et la bibliothèque, lieux où l'interaction est perçue comme légitime et sans enjeu, se sont révélés bien plus favorables que l'accueil administratif, où la volonté d'engager la conversation était nettement plus faible. Pour les intégrateurs et décideurs qui envisagent de déployer des robots d'accueil ou d'assistance multilingue, ce résultat suggère de prioriser les environnements à faible friction sociale plutôt que les guichets administratifs, et de traiter la latence de réponse comme un frein d'adoption aussi critique que la précision linguistique elle-même. Ce travail s'inscrit dans la lignée des recherches en interaction homme-robot social, où l'acceptation en conditions réelles reste plus rarement documentée que les démonstrations en laboratoire. Contrairement aux plateformes humanoïdes orientées tâches industrielles ou logistiques, ce projet cible l'accueil du public et la médiation linguistique. Les auteurs identifient la réduction du temps de réponse comme priorité pour les développements futurs, condition jugée nécessaire avant d'envisager un déploiement plus large de ce type de tête robotique interactive dans d'autres services publics.

Recherche❖Paper

1 source

45

636arXiv cs.RO 

Robotique par imitation autorégressive : un VLM incarné unifié pour l'action robotique

Des chercheurs présentent GenieReasoner, un modèle Vision-Langage-Action (VLA) conçu pour combler l'écart entre raisonnement sémantique et précision d'exécution motrice chez les robots généralistes. L'équipe introduit d'abord ERIQ (Embodied Reasoning Intelligence Quotient), un benchmark de plus de 6 000 paires question-réponse couvrant quatre dimensions du raisonnement incarné, qui permet d'évaluer séparément la capacité de raisonnement d'un modèle et sa capacité à agir. Cette évaluation découplée révèle une corrélation forte entre le score de raisonnement d'un modèle et sa capacité de généralisation en tâche réelle. Pour traduire ce raisonnement en gestes précis, les auteurs développent FACT, un tokenizer d'actions basé sur le flow matching, qui convertit des trajectoires de contrôle continues en séquences discrètes tout en préservant une reconstruction fidèle du mouvement. GenieReasoner, le modèle final, optimise conjointement raisonnement et action dans un espace unifié et surpasse, selon les auteurs, les approches à action continue comme les approches à action discrète existantes sur des tâches de manipulation en conditions réelles. L'enjeu dépasse la simple performance sur un jeu de tests: c'est le compromis raisonnement-précision, souvent cité comme le principal frein à la généralisation des VLA hors laboratoire, que ce travail cherche à quantifier puis à résoudre. Pour les intégrateurs et équipes R&D en robotique, disposer d'un benchmark comme ERIQ offre un outil de diagnostic pour repérer si un modèle échoue par manque de compréhension sémantique de la scène ou par imprécision motrice, deux problèmes qui appellent des solutions très différentes. Les résultats annoncés restent toutefois issus des auteurs eux-mêmes, sans validation tierce indépendante à ce stade. Ce travail s'inscrit dans la lignée des modèles VLA à grande échelle type Pi-0 ou GR00T N2, qui cherchent tous à unifier compréhension du langage, de la vision et génération d'actions robotiques dans une seule architecture. La tokenisation discrète des actions, plutôt que leur régression continue, est une piste explorée par plusieurs laboratoires pour rapprocher l'entraînement des VLA de celui des grands modèles de langage. Le code et les détails du projet sont disponibles sur la page dédiée des auteurs; les prochaines étapes attendues portent sur l'extension du benchmark ERIQ et des tests sur une plus grande diversité de plateformes robotiques.

IA physique⚡Actu

1 source

45

637arXiv cs.RO 

Pyramide de données pour la manipulation incarnée

Une équipe de recherche publie sur arXiv (2607.24744) une revue structurant l'écosystème des données pour l'apprentissage robotique en une "pyramide" à cinq niveaux : données réelles issues de robots physiques, données de type UMI (capture de démonstrations humaines avec interface portable), vidéos égocentriques et exocentriques, données de simulation, et données vision-langage générales issues du web. Les auteurs organisent cette pyramide autour d'un compromis central entre scalabilité et alignement robotique, et évaluent chaque source selon quatre critères : qualité, diversité, réutilisabilité et fidélité physique. Ils passent ensuite en revue les modèles fondation récents pour la robotique, qu'il s'agisse de modèles de "cerveau" incarné, de modèles vision-langage-action (VLA) ou de modèles monde-action, en analysant comment chacun sélectionne, aligne et mélange ces différentes sources lors du pré-entraînement, et comment ce choix conditionne leurs capacités de perception, de raisonnement, de planification et de prédiction. Cette cartographie répond à un problème identifié depuis plusieurs années dans le secteur : contrairement aux modèles de langage ou de vision, qui s'entraînent sur la quasi-totalité du contenu textuel et visuel disponible sur internet, les agents incarnés ne peuvent pas se contenter de données passives puisqu'ils doivent apprendre le couplage entre observation, état physique et action. C'est ce goulot d'étranglement qui explique pourquoi des modèles comme Pi-0, GR00T N2 ou Helix combinent systématiquement plusieurs sources de données plutôt qu'une seule, et pourquoi des plateformes comme Figure 03 ou Optimus Gen 3 misent autant sur la collecte de données réelles en usine que sur la simulation. Les auteurs terminent par six chantiers non résolus : constituer des jeux de données tactiles à grande échelle, capturer des séquences d'échec et de récupération, développer des pipelines de collecte scalables, aligner les actions entre différentes morphologies de robots, exploiter les données égocentriques pour la manipulation dextre, et concevoir des recettes de données principielles plutôt qu'empiriques, autant de points de friction qui continuent de freiner le passage de la démonstration au déploiement industriel fiable.

Recherche❖Paper

1 source

45

638arXiv cs.RO 

VLASH : des VLA en temps réel grâce à une inférence asynchrone anticipant les états futurs

Des chercheurs du MIT Han Lab publient VLASH, une méthode d'inférence asynchrone pour les modèles Vision-Language-Action (VLA) qui vise à résoudre le problème de latence de réaction sur les robots. Aujourd'hui, la plupart des VLA fonctionnent en mode synchrone : le robot suspend son action pendant que le modèle calcule la suivante, ce qui crée des à-coups visibles et l'empêche de réagir aux changements de son environnement pendant l'exécution. L'inférence asynchrone permettait déjà d'agir et de calculer en parallèle, mais générait un décalage temporel entre l'état prédit et l'état réel au moment de l'exécution, provoquant de l'instabilité. VLASH corrige ce décalage en projetant l'état futur du robot à partir du chunk d'action précédent, sans changement d'architecture ni surcoût de calcul. Les auteurs annoncent une réduction de la latence de réaction jusqu'à 11,8 fois par rapport à l'inférence synchrone, une précision supérieure à toutes les méthodes asynchrones existantes, et, combinée à une quantification des actions, une accélération de 1,5 à 2 fois du temps de complétion des tâches avec une perte de précision minime. Le code est disponible sur GitHub (mit-han-lab/vlash). Pour l'industrie robotique, cette avancée s'attaque directement à un goulot d'étranglement connu des VLA à l'échelle : leur difficulté à gérer des tâches rapides et dynamiques, un point faible régulièrement cité face aux approches de contrôle classiques. En améliorant un modèle existant comme π0.5 sans le réentraîner ni alourdir son architecture, VLASH illustre une voie d'optimisation logicielle low-cost pour rendre les VLA déployables sur des cas d'usage à haute cadence, un enjeu clé pour les intégrateurs qui cherchent à sortir ces modèles du seul cadre de la démonstration en laboratoire. Les auteurs démontrent concrètement ce gain sur des tâches exigeant une réaction fine et rapide, comme jouer au ping-pong ou au jeu de la taupe, des scénarios où l'inférence synchrone échoue purement et simplement. Ce travail s'inscrit dans une course plus large autour des VLA temps réel, aux côtés de modèles comme GR00T N2, Pi-0 ou Helix, où la latence de contrôle devient un critère de différenciation aussi important que la précision des gestes.

IA physique⚡Actu

1 source

44

639arXiv cs.RO 

N₀-TWAM : passage à l'échelle d'un modèle monde-action tactile natif pour la manipulation à contacts riches

Des chercheurs présentent N0-TWAM, un modèle monde-action "tactile natif" conçu pour la manipulation robotique dans des tâches à contact riche, capable de prédire à la fois l'image future et le contact physique futur. Selon les auteurs, il s'agirait du premier modèle monde-action tactile entraîné à grande échelle, une affirmation à prendre avec la prudence habituelle pour ce type de papier arXiv (2607.23783, non encore relu par les pairs). Le pré-entraînement combine vision et tactile sur des démonstrations couvrant six morphologies de robots différentes et 450 tâches. Le système s'appuie sur NeoForce, une représentation tactile unifiée basée sur la force, censée fournir un signal de contact physiquement ancré pour guider la génération d'actions. Pour gérer les tâches longues et multi-étapes, les auteurs introduisent des "événements de contact tactile" qui marquent la progression d'une étape à l'autre. Côté architecture, un Mixture-of-Transformers asymétrique associe un expert large pour la prédiction vidéo à des experts plus légers pour l'action et le tactile, dans un souci d'efficacité temps réel. Le modèle a été évalué sur des benchmarks réels et simulés, et le code ainsi que les poids seront publiés en open source. L'enjeu dépasse la simple prouesse technique. Les modèles vision-langage-action actuels, de π0 à GR00T N2 en passant par Helix, reposent presque exclusivement sur la vision, ce qui explique une bonne partie de leurs échecs sur les tâches fines de contact : insertion de pièces, préhension d'objets déformables, assemblage. Un modèle qui démontre un gain mesurable grâce au passage à l'échelle des données tactiles apporterait un signal utile pour les intégrateurs industriels confrontés à ce fossé entre démonstration en vidéo et fiabilité en production. Le manque de jeux de données tactiles standardisés à grande échelle est resté un frein connu du secteur, contrairement à la vision où les corpus type RT-X abondent. En couvrant six embodiments, N0-TWAM s'inscrit dans cette logique de généralisation multi-robots. La publication annoncée du code et des checkpoints permettra à la communauté de vérifier ces résultats et d'évaluer si l'approche tient face à des déploiements réels sur des tâches d'assemblage ou de manipulation fine.

Recherche❖Paper

1 source

43

640arXiv cs.RO 

Real2Sim2Real pour la manipulation vision-langage-action : un pipeline basé sur AMD ROCm

Des chercheurs publient sur arXiv (2607.22997v1) une pile logicielle de bout en bout entièrement basée sur ROCm, l'écosystème ouvert d'AMD, pour entraîner et déployer des modèles vision-langage-action (VLA) en robotique de manipulation. L'architecture couvre trois niveaux de matériel AMD : silicium d'entraînement en datacenter, cartes Radeon PRO pour la simulation et le rendu, et puces Ryzen AI pour le calcul embarqué. Quatre démonstrations illustrent la pile : un pipeline sim-to-real entraîné avec le modèle SmolVLA et déployé sur un bras robotique Franka ; une tâche de sélection d'objet guidée par le langage baptisée « one-of-three » ; un pipeline real-to-sim qui associe des reconstructions de scènes réelles par 3D Gaussian Splatting (3DGS) au moteur physique Genesis pour générer des données d'entraînement synthétiques ; et un entraînement par renforcement à grande échelle pour la locomotion de robots quadrupèdes et humanoïdes, benchmarké sur plusieurs plateformes matérielles. L'ensemble fonctionne nativement sous ROCm et PyTorch sur des GPU RDNA4 (Radeon AI PRO R9700) et RDNA3.5 (Radeon PRO W7900), et les pipelines sont reproductibles gratuitement sur la Radeon Cloud Platform. L'enjeu dépasse la simple démonstration technique : la quasi-totalité des pipelines VLA publiés jusqu'ici, de SmolVLA à Pi-0 en passant par GR00T N2 ou Helix, s'entraînent et se déploient sur des écosystèmes CUDA de Nvidia, aujourd'hui quasi incontournable dans l'IA physique. En montrant qu'un pipeline sim-to-real complet, du rendu 3DGS à l'inférence embarquée, tient sur ROCm sans réécriture lourde, les auteurs ouvrent une alternative matérielle crédible pour les intégrateurs et laboratoires cherchant à diversifier leurs fournisseurs de calcul ou à réduire leurs coûts. Pour les décideurs B2B, le signal principal reste la reproductibilité gratuite via la Radeon Cloud Platform, qui abaisse la barrière d'entrée pour tester des politiques VLA sans investir dans du matériel Nvidia. Le papier demeure toutefois une preuve de faisabilité technique sur des tâches de manipulation limitées (un bras Franka, un tri à trois objets), sans démonstration de déploiement industriel à l'échelle ni de comparaison chiffrée de performance face aux stacks CUDA équivalentes. Cette publication s'inscrit dans la course engagée par AMD pour rattraper son retard face à Nvidia sur le marché de l'IA, et plus spécifiquement sur celui, naissant, de l'IA physique évoqué par Lisa Su au CES 2026 et par Jensen Huang lors de la GTC Paris de juin 2025. Le choix des briques logicielles, SmolVLA (Hugging Face), Genesis (moteur physique open source) et 3D Gaussian Splatting, situe les auteurs dans la mouvance open source de la robotique généraliste, aux côtés d'acteurs comme Physical Intelligence (Pi-0) ou Nvidia lui-même avec GR00T. Aucun acteur français ou européen n'apparaît dans cette publication centrée sur l'infrastructure matérielle. Les auteurs annoncent code et pipelines reproductibles dès aujourd'hui sur la Radeon Cloud Platform, sans toutefois préciser de calendrier de commercialisation ni de partenariats industriels concrets à ce stade.

Infrastructure⚡Actu

1 source

42

641arXiv cs.RO 

Robot low-cost, banc de test ArmnetBench v0.1 pour évaluer des politiques de manipulation en parallèle

Des chercheurs ont publié ArmnetBench v0.1, un benchmark d'évaluation en conditions réelles pour les politiques de manipulation robotique, exécuté sur une flotte de bras low-cost SO-101 sous supervision humaine légère sur site. Cette première version compare 7 politiques sur 12 tâches, en configuration bras unique et bimanuelle. Chaque politique est entraînée ou affinée sur 50 démonstrations par tâche. Le benchmark comptabilise 2 518 rollouts de politiques et 600 démonstrations de référence, soit 3 118 épisodes au total, chacun annoté selon une échelle à trois niveaux (réussite, sous-optimal, échec). Les rollouts sont notés manuellement, tandis que les démonstrations sont par construction considérées comme réussies. L'ensemble des 3 118 épisodes est publié en deux formats standards, LeRobot v3.0 et RoboMeter, pour faciliter la réutilisation par la communauté. L'évaluation en conditions réelles reste le principal goulot d'étranglement du développement de politiques de manipulation généralistes : chaque rollout nécessite du matériel physique et un opérateur pour installer, réinitialiser et noter la tentative, ce qui limite fortement le volume de tests réalisables face aux simulateurs. En s'appuyant sur des bras SO-101 peu coûteux et une supervision réduite, ArmnetBench propose un compromis entre le coût d'un banc d'essai physique et la scalabilité recherchée pour comparer des politiques à grande échelle. Au-delà du classement, la valeur du jeu de données tient surtout à son étiquetage qualité par épisode : ces trajectoires annotées peuvent nourrir l'entraînement de modèles de récompense, de modèles du monde prédictifs, ou de politiques apprises sur des données de qualité mixte, un axe distinct de la simple mesure de performance. Ce travail s'inscrit dans la lignée des efforts communautaires autour de l'écosystème LeRobot et des bras robotiques abordables comme le SO-101, popularisés notamment par Hugging Face pour démocratiser la recherche en manipulation hors des laboratoires équipés de bras industriels coûteux. Il fait écho aux benchmarks existants bâtis en simulation ou sur du matériel plus onéreux, en offrant une alternative reproductible à bas coût. Les auteurs présentent ce classement initial comme un point de départ sous budget partagé plutôt qu'une évaluation définitive, cette v0.1 servant avant tout à valider l'infrastructure de la ferme de bras de bout en bout. Les suites attendues incluent l'élargissement du nombre de tâches et de politiques comparées, ainsi que l'exploitation des données mixtes pour entraîner de nouveaux modèles.

Infrastructure⚡Actu

1 source

42

642arXiv cs.RO 

τ : apprendre des modèles vision-langage-action augmentés par le toucher à partir d'une supervision visuelle future

Un article publié sur arXiv (référence 2607.24485v1, catégorie "new") présente τ (tau), un framework qui enrichit les modèles Vision-Language-Action (VLA) avec une représentation tactile spatio-temporelle conditionnée par l'action. La méthode s'inspire du JEPA (Joint-Embedding Predictive Architecture) : elle apprend cette représentation en prédisant les futures observations visuelles à partir du signal tactile, puis fusionne cette information avec les caractéristiques vision-langage pour générer les actions du robot. Cette supervision opère uniquement dans l'espace latent et pendant l'entraînement, sans surcoût au moment du déploiement. Les auteurs publient également TacAura, un jeu de données synchronisant vision, proprioception et signaux tactiles à base de capteurs visuels, collecté sur quatre tâches de manipulation impliquant des contacts riches. L'enjeu est la sous-exploitation du toucher dans les modèles VLA actuels, qui reposent majoritairement sur la vision et le langage, ou au mieux sur une détection binaire de contact ou des séquences de torseurs 6D, insuffisantes pour exploiter des signaux tactiles haute dimension. Le papier s'attaque frontalement au problème de rareté des données : les démonstrations spécifiques à une tâche sont limitées, tandis qu'un pré-entraînement tactile à grande échelle reste coûteux. En montrant qu'une supervision auto-supervisée de type JEPA permet d'extraire une représentation tactile exploitable avec peu de données, l'étude touche à un débat central du secteur, celui de l'efficacité des données pour des tâches de manipulation fine (insertion, préhension d'objets déformables) où la seule vision atteint ses limites, un enjeu direct pour les intégrateurs industriels visant l'assemblage de précision. Ce travail s'inscrit dans la lignée des modèles VLA généralistes (Pi-0, GR00T N2, Helix) qui combinent perception et langage pour piloter des robots, mais qui ont historiquement négligé le tactile faute de capteurs standardisés et à cause du coût de collecte. Les auteurs comparent τ à des approches existantes centrées sur les états de contact instantanés, et démontrent une meilleure généralisation à des objets et scènes inédits. Il s'agit à ce stade d'un travail de recherche académique, sans annonce de déploiement industriel ni de partenariat commercial.

Recherche❖Paper

1 source

41

643arXiv cs.RO 

Épisode oublié : mise en œuvre et évaluation d'une mémoire épisodique personnalisée pour la tête du robot humanoïde Kim

Des chercheurs ont développé et testé un module de mémoire épisodique pour Kim, une tête de robot humanoïde social, afin de résoudre un problème classique des agents conversationnels basés sur des grands modèles de langage : l'absence de mémoire persistante entre les sessions. Le système combine une récupération sémantique par vecteurs avec un modèle de dialogue piloté par LLM, en utilisant une fonction de score hybride qui associe similarité cosinus et une métrique de "force mémorielle" pour sélectionner les interactions passées les plus pertinentes et les injecter dans le prompt de génération. L'équipe a évalué l'approche via une étude en ligne à base de vidéos, en intra-sujets, auprès de 43 participants, à l'aide de l'échelle HRIES (Human-Robot Interaction Evaluation Scale). Les résultats montrent une augmentation significative de la sociabilité perçue (d = 0,60, p < .001), avec des effets particulièrement marqués sur la confiance perçue (d = 0,62) et la chaleur perçue (d = 0,56), tandis que le niveau de gêne ressenti par les participants est resté strictement inchangé (d = 0,00). Ce dernier point est le résultat le plus significatif pour l'industrie : ajouter de la mémoire personnalisée à un robot social améliore la qualité relationnelle perçue sans déclencher de malaise lié à la vie privée ni d'effet de vallée dérangeante, deux risques souvent redoutés par les concepteurs de robots compagnons. Pour les équipes qui développent des agents conversationnels embarqués, ces travaux apportent une validation empirique concrète à une intuition répandue mais peu testée : la mémoire à long terme agit comme un "lubrifiant social" qui renforce la relation humain-robot, sans compromis apparent sur l'acceptabilité. C'est un signal utile alors que la majorité des déploiements actuels de robots conversationnels restent limités à des interactions sans continuité d'une session à l'autre. Le travail s'inscrit dans la lignée des systèmes de récupération augmentée (RAG) appliqués à l'interaction humain-robot, un domaine où la plupart des architectures LLM conversationnelles butent encore sur la gestion du contexte long terme. Contrairement aux approches propriétaires opaques des grands robots commerciaux, cette étude fournit une méthodologie reproductible et une mesure quantifiée de l'impact social de la mémoire, ouvrant la voie à des évaluations comparables sur d'autres plateformes robotiques et à une intégration plus large de mécanismes de mémoire persistante dans les futurs robots compagnons ou d'assistance.

Recherche❖Paper

1 source

41

644arXiv cs.RO 

Renormalisation des paramètres effectifs : comportement réel, du concept de masse infinie de l'électron à l'écart simulation-réel en robotique

Des chercheurs proposent une nouvelle approche pour combler l'écart entre simulation et réalité (sim-to-real gap) en robotique, publiée sur arXiv sous le titre « Effective Parameters, Real Behavior: Renormalization for Robotics ». Plutôt que de construire des simulateurs toujours plus précis, l'équipe emprunte le concept de renormalisation, issu de la physique théorique, pour introduire des paramètres effectifs dépendant de la résolution, qui absorbent les détails que le simulateur omet. Ces valeurs peuvent s'écarter des grandeurs physiques mesurées car elles compensent ce que le modèle ne capture pas. Les auteurs démontrent analytiquement ce mécanisme pour un contrôle proportionnel dérivé (PD) à fréquence de simulation finie : le gain proportionnel modifie le gain dérivé effectif, et le retour dérivé modifie l'inertie effective du système. Ils appliquent ensuite cette lecture à deux cas concrets, la manipulation dynamique de corde et la nage sous marine, avant de proposer une procédure pratique en trois étapes : choisir les bonnes observables, identifier la physique omise par le simulateur, puis en déduire les paramètres effectifs à utiliser. Le sim-to-real reste le principal goulot d'étranglement pour déployer des politiques entraînées en simulation, qu'il s'agisse d'apprentissage par renforcement ou de modèles VLA (vision-language-action) comme Pi-0, GR00T N2 ou Helix, calibrés en environnement virtuel avant transfert sur robot réel. L'hypothèse dominante du secteur veut que ce fossé se résorbe en améliorant la fidélité physique des simulateurs (contact, friction, dynamique des fluides). Cette approche par renormalisation la nuance : elle suggère qu'un simulateur volontairement simplifié, combiné à des paramètres correctement recalibrés, peut reproduire un comportement réel sans effort de modélisation supplémentaire. Pour les intégrateurs et équipes de recherche qui calibrent des contrôleurs PD ou entraînent des politiques en simulation, cela ouvre une piste potentiellement moins coûteuse en calcul que la course à la simulation haute fidélité. Le concept s'inspire directement de la renormalisation en physique quantique, où la masse « habillée » d'un électron diffère de sa masse nue pour absorber des interactions non modélisées, un problème historiquement lié à la masse infinie de l'électron en électrodynamique quantique. Son transfert à la robotique reste, à ce stade, une contribution théorique : la démonstration analytique porte sur un cas simple (PD à fréquence finie) et deux illustrations qualitatives (corde, nage), sans expérimentation à grande échelle sur robot physique ni comparaison chiffrée avec les méthodes de calibration existantes comme l'identification de système ou la randomisation de domaine. Les auteurs présentent leur procédure comme un complément, non un remplacement, aux efforts de simulation haute fidélité ; les prochaines étapes attendues portent sur la validation avec des systèmes robotiques plus complexes et des déploiements réels.

Recherche❖Paper

1 source

41

645arXiv cs.RO 

La malédiction de la précision : une loi d'échelle des données pour la manipulation robotique de haute précision

Le laboratoire à l'origine de cet article, publié sur arXiv (2607.23108v1) sous le titre "The Curse of Precision", s'attaque à une question restée peu étudiée dans l'apprentissage par imitation : la relation entre volume de données et précision atteignable sur des tâches d'assemblage robotique en environnement fermé. Les auteurs établissent une nouvelle loi d'échelle empirique : pour maintenir un taux de réussite fixe, le nombre de démonstrations N nécessaires croît de façon super-exponentielle à mesure que la précision cible P se rapproche d'une limite c, selon la relation log(N) proportionnel à 1/(P-c). Autrement dit, au-delà d'un certain seuil de précision, ajouter des démonstrations supplémentaires devient rapidement improductif, voire prohibitif en coût de collecte. Le résultat central de l'étude est que cette limite c n'est pas une constante physique propre à la tâche, mais une propriété émergente de l'ensemble du système agent, incluant ses capteurs et sa politique experte. Les expériences, menées sur des tâches de manipulation canoniques, montrent que des ajustements système comme l'ajout d'une caméra poignet ou l'utilisation d'un expert plus performant abaissent mesurablement c, élargissant ainsi la précision maximale accessible. Cette découverte a une portée pratique directe pour les équipes qui développent des systèmes de manipulation robotique de haute précision, un domaine clé pour l'assemblage industriel et l'intégration de bras robotiques dans des lignes de production. Plutôt que de multiplier aveuglément les démonstrations pour améliorer la précision d'un modèle appris par imitation, la loi proposée offre une méthode de diagnostic : si les gains stagnent malgré l'ajout de données, le problème vient probablement d'une limite systémique (capteur insuffisant, politique experte imparfaite) plutôt que d'un manque de volume. Cela répond à une hypothèse implicite mais rarement testée dans le secteur des politiques vision-langage-action (VLA), à savoir que plus de données suffit toujours à améliorer la précision. Le travail s'inscrit dans la lignée des études sur les lois d'échelle en apprentissage par imitation, jusqu'ici centrées sur la généralisation en environnement ouvert plutôt que sur la précision en tâche fermée. Il fournit un cadre théorique et une métrique quantitative pour évaluer les capacités d'un système de manipulation, avec des implications pour le débogage et la conception des futures générations de politiques robotiques à haute précision.

Recherche❖Paper

1 source

41

646arXiv cs.RO 

Benchmark LabRobFail : évaluer l'analyse des défaillances robotiques dans les laboratoires autonomes de chimie

Une équipe de recherche (affiliée à SciRobo, projet disponible sur GitHub sous Su-ISE-2001) a publié LabRobFail, un référentiel dédié à l'analyse des défaillances robotiques dans les laboratoires chimiques autonomes. Le système repose sur trois briques : LabRobFail-Sim, un simulateur qui injecte des pannes contrôlées à trois niveaux (contrôle, physique, sémantique) ; LabRobFail-Data, une base de plus de 20 000 trajectoires couvrant plus de 70 scénarios de tâches, cinq catégories de défaillances et 11 types de pannes détaillés ; et LabRobFail-Bench, un protocole d'évaluation testant six capacités : compréhension de la tâche, détection de défaillance, localisation temporelle, évaluation de la sévérité, classification et correction actionnable. Les chercheurs ont aussi entraîné LabRobFail-VLM, un modèle vision-langage spécialisé pour ce domaine, qui atteint 92,58 % de précision en détection de défaillance et 85,58 % en localisation temporelle sur des environnements déjà vus, surpassant nettement les VLM généralistes. Intégré comme superviseur en temps réel, ce modèle améliore le taux de réussite des tâches VLA en aval de 10 à 20 points de pourcentage. Ce travail cible un angle mort connu du secteur de la robotique de laboratoire : la fiabilité. Les expériences chimiques sont irréversibles et potentiellement dangereuses, ce qui rend la simple absence de données de défaillance un obstacle majeur au déploiement d'agents robotiques autonomes en labo. En créant un jeu de données synthétique massif et un protocole d'évaluation fin plutôt qu'un simple score de réussite binaire, l'équipe déplace le débat du "est-ce que ça marche en démo" vers "est-ce que le système sait détecter et corriger ses propres erreurs". Le gain de 10 à 20 points sur les tâches VLA lorsqu'un superviseur de supervision des pannes est ajouté est significatif pour les intégrateurs et responsables R&D qui évaluent si les architectures VLA (vision-langage-action) actuelles, comme Pi-0 ou GR00T N2 dans d'autres contextes robotiques, sont mûres pour une autonomie en boucle fermée sans supervision humaine constante. Le contexte est celui d'une course plus large à l'automatisation de la découverte scientifique, où les laboratoires "self-driving" combinent bras robotiques, instruments automatisés et modèles d'IA pour accélérer chimie et science des matériaux, un secteur où les incidents matériels coûtent cher et où la confiance des chercheurs reste un frein à l'adoption. Contrairement à des annonces de robots humanoïdes commerciaux où l'accent est mis sur la performance brute, LabRobFail adopte une approche inverse : construire un référentiel de sécurité et de diagnostic avant le déploiement à grande échelle. Le code et les données étant publiés en open source, cette initiative pourrait servir de base de comparaison pour d'autres équipes développant des VLM ou VLA spécialisés en robotique de laboratoire, avec pour prochaine étape probable l'extension du référentiel à d'autres types d'instruments ou de protocoles chimiques.

Recherche❖Paper

1 source

40

647arXiv cs.RO 

Modélisation sensible à la pose pour atténuer les artefacts liés à la posture dans les gants tactiles

Une équipe de recherche publie sur arXiv (2607.22964, soumis le 27 juillet) une méthode logicielle pour corriger un défaut connu des gants tactiles utilisés en robotique. Ces gants, volontairement conçus souples et flexibles pour préserver la dexterité de la main lors des interactions avec des objets, souffrent d'un effet de bord : leurs capteurs réagissent non seulement aux forces de contact mais aussi aux simples changements de posture, générant des artefacts dits liés à la pose (pose-related artifacts, PRA). Ce bruit est particulièrement problématique dans la plage des faibles forces, où il provoque des détections tardives ou manquées, ce qui dégrade la force minimale détectable (MDF) du gant. Plutôt que de redessiner le matériel, les chercheurs proposent un cadre algorithmique agnostique au type de gant : le modèle exploite les données de posture de la main, de plus en plus disponibles via les systèmes de capture de mouvement, pour estimer et soustraire la déformation du capteur induite par la posture, via une branche de prédiction résiduelle ajoutée au pipeline classique tactile vers force. Testée sur 3 modèles de gants différents et 15 utilisateurs, la méthode réduit la MDF de 10,4%, 12,2% et 18,3% selon le gant, avec des gains cohérents sur l'ensemble des métriques évaluées. L'enjeu dépasse le confort de laboratoire. Les gants tactiles sont un outil clé pour collecter des données de démonstration humaine (téléopération, apprentissage par imitation) destinées à entraîner des politiques de manipulation dexterous chez les robots, un maillon central des approches VLA actuelles. Une MDF plus basse signifie moins de contacts fins manqués lors de la capture, donc des jeux de données d'entraînement plus fidèles, sans changer de capteur ni de fournisseur. C'est un correctif purement logiciel et rétrocompatible, ce qui compte pour les équipes qui ont déjà investi dans du matériel de capture existant. Le travail s'inscrit dans la tension classique des capteurs tactiles souples : la flexibilité qui garantit le confort et la naturalité du geste dégrade la précision de mesure, un compromis bien documenté dans la littérature sur la robotique tactile. Le papier reste à ce stade un preprint arXiv, sans nom de laboratoire mis en avant dans le résumé ni partenariat industriel annoncé ; il ne précise pas non plus de calendrier d'intégration dans des pipelines commerciaux de téléopération ou de collecte de données pour l'entraînement de modèles robotiques.

Recherche❖Paper

1 source

40

648arXiv cs.RO 

MSG-Loc : appariement de graphes sémantiques multi-étiquettes basé sur la vraisemblance pour la localisation globale au niveau des objets

Une équipe de recherche en robotique a présenté MSG-Loc, un nouveau cadre de localisation globale pour robots basé sur l'appariement de graphes sémantiques à étiquettes multiples. Publié sur arXiv (version révisée, décembre 2025), le travail s'attaque à un problème concret : lorsqu'un robot cherche à se repérer dans un environnement dont il ne connaît pas à l'avance les classes d'objets, l'ambiguïté sémantique multiplie les erreurs de classification et les associations incorrectes entre objets détectés et carte de référence, ce qui dégrade fortement la précision de la pose estimée. Plutôt que de représenter chaque objet observé par une seule étiquette sémantique comme le font les approches existantes, MSG-Loc construit des représentations en graphe à étiquettes multiples, capturant le contexte sémantique complet de chaque observation. La méthode affine ensuite la correspondance entre graphes en combinant, pour chaque nœud, sa propre vraisemblance avec la vraisemblance maximale de ses voisins, via un mécanisme de propagation contextuelle. Les auteurs valident l'approche à la fois en configuration "closed-set" (catégories d'objets connues à l'avance) et "open-set" (catégories non anticipées), sur des scènes intérieures réelles et des environnements synthétiques, en testant la scalabilité à un grand vocabulaire d'objets. Pour l'industrie robotique, ce travail s'attaque à un vrai point de friction dans le déploiement de robots mobiles autonomes en environnement non structuré : la plupart des systèmes de localisation sémantique actuels supposent un ensemble fermé et connu de catégories d'objets, une hypothèse qui s'effondre dès qu'un robot rencontre un objet inattendu sur un site industriel ou logistique réel. En montrant qu'une représentation multi-étiquettes réduit les erreurs d'association même en configuration open-set, MSG-Loc pointe vers des systèmes de navigation plus robustes pour les AMR (robots mobiles autonomes) déployés hors des laboratoires contrôlés, un enjeu direct pour les intégrateurs qui doivent garantir une localisation fiable sans cartographie exhaustive préalable de chaque objet possible. Ce papier s'inscrit dans la lignée des méthodes de localisation par graphes sémantiques, une alternative aux approches purement géométriques (SLAM classique) qui gagne du terrain à mesure que la détection d'objets par vision profonde devient plus fiable et plus rapide. La démarche de validation croisée entre closed-set et open-set, ainsi que le test de scalabilité sur un vocabulaire large, suggère une comparaison implicite avec les méthodes de graphe sémantique à étiquette unique publiées ces dernières années. L'article ne mentionne pas de partenariat industriel ni de déploiement sur robot physique en conditions réelles au-delà des scènes intérieures testées, ce qui en fait pour l'instant une contribution de recherche plutôt qu'une brique prête à l'industrialisation.

Recherche❖Paper

1 source

40

649arXiv cs.RO 

IA incarnée dans GPT-5.1 : la preuve d'un modèle du monde ?

Une équipe de chercheurs publie une étude exploratoire sur arXiv (2607.23899) testant GPT-5.1 comme contrôleur haut niveau d'un robot mobile physique, sans qu'il ait reçu le moindre entraînement en simulation ni la moindre expérience sensorimotrice préalable. Le modèle ne dispose que d'images en première personne à basse résolution et d'un ensemble d'actions discrètes pour naviguer et accomplir des tâches orientées objet, comme localiser puis entrer en contact avec un jouet cible. Sur plusieurs essais, GPT-5.1 a montré des capacités émergentes inattendues: mémoire à court terme de la position d'objets sortis du champ de la caméra, inférence des conséquences physiques de ses propres déplacements, et exécution de séquences cohérentes comme percuter un objet puis reculer pour vérifier visuellement le résultat. Le modèle reste toutefois limité, avec des stratégies d'alignement imprécises et des erreurs d'identification sur des distracteurs éloignés. Ces résultats intéressent directement l'industrie robotique car ils questionnent l'idée reçue, ancrée en sciences cognitives et en robotique, selon laquelle un corps physique et un entraînement embarqué (simulation, données réelles massives) seraient des prérequis indispensables pour développer une forme de compréhension spatiale et physique. Si un modèle multimodal généraliste peut afficher un comportement proche d'un "modèle du monde" sans pipeline d'entraînement dédié à l'embodiment, cela ouvre la voie à des architectures de contrôle plus légères pour les intégrateurs, où un LLM prêt à l'emploi ferait office de cerveau haut niveau au-dessus d'une couche d'actions bas niveau, plutôt qu'une politique VLA entraînée spécifiquement. Le résultat s'inscrit en contraste avec la génération actuelle de modèles vision-langage-action (type Pi-0, GR00T N2 ou Helix) qui acquièrent leurs compétences physiques via de vastes corpus de démonstrations simulées ou réelles. L'étude reste exploratoire, à petite échelle et sans comparaison benchmarkée face à ces systèmes dédiés: les auteurs eux-mêmes appellent à des travaux complémentaires pour cerner l'ampleur, les limites et la robustesse de ces capacités émergentes avant d'en tirer des conclusions définitives.

IA physique❖Paper

1 source

40

650arXiv cs.RO 

RRTrack : suivi robuste et récupérable de la pose 6D d'objets pour scènes dynamiques

Des chercheurs ont présenté RRTrack, un système de suivi de pose 6D d'objets conçu pour les scènes robotiques dynamiques, dans un article publié sur arXiv fin juillet 2026. L'architecture repose sur une boucle fermée à deux niveaux : une branche 2D assure la localisation continue de la cible via un module de segmentation vidéo d'objets basé sur la mémoire (VOS), tandis qu'une branche 6D vérifie la cohérence géométrique avant chaque mise à jour de cette mémoire. Pour récupérer une cible perdue après une occlusion complète, les auteurs ajoutent un module d'appariement de templates à double banque, fondé sur DINOv2, qui combine des modèles synthétiques générés hors ligne avec des ancres d'observation captées en temps réel. Un nouveau benchmark RGB-D synthétique, couvrant trois scénarios robotiques à mouvement rapide et occlusion totale, a été introduit pour évaluer la méthode. Sur ce benchmark, RRTrack améliore le score ADD-S AR de 66,3 % et l'AUC ADD-S de 65,7 % par rapport à FoundationPose, tout en tournant à 55,2 images par seconde. Des essais en conditions réelles, avec capteurs bruités, confirment la robustesse du système. Ce travail s'attaque à une limite concrète des pipelines de manipulation robotique : les estimateurs de pose image par image sont précis mais trop lourds pour du temps réel, alors que les trackers existants décrochent dès qu'un objet disparaît brièvement du champ de vision, par exemple lors d'une prise rapide ou d'une occlusion par un bras ou un autre objet. Un suivi capable de récupérer automatiquement la cible sans relancer une détection complète réduit la latence et la fragilité des boucles de perception-action, un point critique pour les intégrateurs qui déploient des bras ou des AMR dans des environnements encombrés où la visibilité continue n'est jamais garantie. FoundationPose, utilisé ici comme référence de comparaison, s'est imposé ces deux dernières années comme une base solide pour l'estimation de pose 6D généralisable sans réentraînement par objet, mais reste coûteux à faire tourner en continu. RRTrack se positionne comme une alternative plus légère et récupérable, taillée pour la robotique embarquée. Le code et le benchmark sont publiés sur GitHub, ce qui laisse la porte ouverte à une adoption rapide par la communauté recherche avant d'éventuels transferts vers des systèmes industriels.

Recherche❖Paper

1 source