Actualités robotique — page 18

7 422 articles au fil, du plus récent au plus ancien.

32

851arXiv cs.RO 

Une mémoire récurrente linéaire suffit pour distiller une politique de modèle du monde pour le robot d'air hockey

Une étude publiée sur arXiv (v1, identifiant 2609.39151) examine si le contrôle dépendant d'une mémoire exige des dynamiques récurrentes non linéaires. Le cadre est une tâche simulée de défense au air hockey, où le suivi du palet est temporairement perdu. Les auteurs utilisent comme enseignant un agent DreamerV3 (modèle du monde). Celui-ci surpasse une politique sans mémoire lorsque le suivi est coupé. Réinitialiser son état récurrent dégrade fortement ses performances, ce qui montre que la tâche requiert bien de la mémoire. Cet enseignant est distillé en politiques récurrentes compactes, avec un état de 64 dimensions. Elles combinent une récurrence linéaire diagonale et une « innovation » non linéaire de rang k optionnelle, tout en conservant des encodeurs d'observation et des têtes d'action non linéaires. Sur cinq graines appariées, le modèle purement linéaire (k=0) égale à la fois la base GRU et l'enseignant sur toute la plage de pertes de suivi testée. Augmenter le rang de l'innovation non linéaire n'apporte aucun gain mesurable. Les résultats viennent d'un jeu de test neuf, ouvert seulement après le gel des modèles et des analyses. L'intérêt tient à l'économie de calcul. Le modèle linéaire exige moins de paramètres récurrents et moins de calcul qu'un GRU pour des performances comparables. Pour la robotique embarquée, où la latence et le budget énergétique contraignent les politiques temps réel, cela suggère qu'une partie de l'apprentissage de représentation non linéaire, placée autour d'un mémoire linéaire simple, peut suffire pour des tâches à occlusion ou perte de capteur. C'est cohérent avec l'intérêt récent pour les modèles à espace d'états linéaires. Le protocole, avec un jeu de test verrouillé et des graines appariées, est plus rigoureux que la moyenne du domaine. La portée reste étroite : une seule tâche simulée, un seul enseignant, un état de dimension 64, un horizon de coupure limité, cinq graines, et aucune validation sur robot réel, donc rien sur l'écart sim-to-real. Les auteurs précisent eux-mêmes que la conclusion ne vaut que pour des politiques dont l'encodeur et la tête d'action restent non linéaires. Ce n'est donc pas une preuve que la mémoire linéaire suffit en général. Le travail s'inscrit dans deux courants. Le premier est celui des modèles du monde de type Dreamer, qui servent ici d'enseignants performants mais coûteux. Le second est celui de la distillation vers des politiques légères et des architectures récurrentes linéaires, présentées comme alternatives aux GRU et aux LSTM. Le air hockey robotique est un banc d'essai classique pour le contrôle dynamique rapide sous contraintes de perception. Les suites naturelles sont des tests sur des tâches plus longues ou plus riches en mémoire, d'autres enseignants, des états plus grands, et surtout un transfert sur matériel réel. Il s'agit d'un préprint non évalué par des pairs, sans produit ni déploiement associé.

Recherche❖Paper

1 source

32

852arXiv cs.RO 

Persistance comportementale et transfert fonctionnel incomplet de la communication co-évoluée en robotique évolutionniste

Des chercheurs ont testé le transfert direct d'un protocole de communication co-évolué, passant d'une simulation 2D à un environnement physique 3D, sans réentraîner les poids du réseau. Deux robots de type e-puck, pilotés par un réseau GRU (réseau récurrent à portes) avec connexion résiduelle, effectuaient une tâche de recherche de nourriture avec signalisation sociale. La couche de traduction sensorielle et motrice a exigé trois corrections pour fonctionner de façon stable en conditions physiques, dont l'étalonnage d'un terme de « faim » fondé sur une asymétrie mesurable dans les poids résiduels entraînés. Le résultat reste très partiel et asymétrique : sur 30 graines (seeds) testées, un seul agent a atteint la source de nourriture, une seule fois, tandis que l'autre n'y est jamais parvenu. Le succès était défini par l'arrivée des deux agents dans la zone de nourriture, un critère que l'étude ne satisfait donc pas de manière convaincante. Une expérience complémentaire, ajoutant une information directionnelle explicite dans le canal social, a modifié la trajectoire de l'agent récepteur et amélioré quelques cas précis, sans permettre au second agent d'atteindre la cible. Pour l'industrie, ce travail documente un écart sim-to-real rarement chiffré dans le champ de la communication multi-agents émergente. Le protocole fonctionne en simulation, mais il ne survit pas au passage au monde physique, même après des corrections manuelles de l'interface. Les auteurs suggèrent que la limite ne tient pas seulement à la traduction du signal : la capacité de navigation sous les nouvelles contraintes physiques semble aussi en cause. Pour les intégrateurs et les équipes qui envisagent des flottes de robots coordonnés par des langages appris, le message est prudent : un protocole co-évolué n'est pas portable en l'état, et la conservation des conditions écologiques et navigationnelles dans lesquelles il a évolué paraît aussi importante que celle du mécanisme de signalisation. Il faut aussi relativiser la portée : le dispositif est minimal (deux robots, une tâche simple) et l'échantillon est limité, ce qui rend toute généralisation hasardeuse. Ce résultat s'inscrit dans la robotique évolutionniste, où les contrôleurs sont optimisés par évolution plutôt que programmés, et où l'écart entre simulation et réalité reste un problème ouvert depuis des décennies. Il contraste avec les approches actuelles de type VLA (vision-langage-action) à grande échelle, entraînées sur des volumes massifs de données, qui revendiquent un meilleur transfert. Aucune entreprise ni aucun pilote industriel n'est associé à cette étude, publiée en préprint sur arXiv (v1) et donc non évaluée par des pairs. Les suites logiques, que l'article n'annonce pas explicitement, consisteraient à faire évoluer le protocole avec des contraintes physiques plus proches du réel, ou à réentraîner partiellement le réseau, afin de vérifier si l'échec vient de la navigation ou de la communication.

Recherche❖Paper

1 source

31

853arXiv cs.RO 

Apprendre à construire : assemblage robotique autonome de structures stables sans plans prédéfinis

Des chercheurs proposent un cadre d'assemblage robotique autonome capable de construire des structures stables sans plan architectural prédéfini. Au lieu de suivre un plan figé, la tâche de construction est décrite par des cibles à atteindre et des obstacles à éviter. Le système décide donc lui-même de l'ordre et du placement des éléments. Le module de décision est une politique d'apprentissage par renforcement (RL), entraînée par deep Q-learning avec « successor features », une représentation qui découple la dynamique de l'environnement de la fonction de récompense. Cette approche vise à faciliter le transfert d'une tâche à l'autre. L'évaluation, présentée comme une preuve de concept, porte sur un banc d'essai de 15 tâches d'assemblage 2D en blocs discrets. Des expériences ont aussi été menées sur un montage robotique réel en boucle fermée. Elles indiquent que la méthode fonctionne et tolère le bruit de construction, c'est-à-dire les imprécisions de pose et d'exécution lors de la pose des blocs. Le résumé ne donne ni taux de réussite, ni temps de cycle, ni nombre d'essais réels, ni identification du robot utilisé. L'intérêt tient au déplacement du problème. L'assemblage robotique industriel repose presque toujours sur une séquence connue à l'avance, ce qui limite sa robustesse dès que le terrain ou les pièces s'écartent du modèle. Une politique qui raisonne à partir d'objectifs et de contraintes, et qui corrige en boucle fermée, répond à l'incertitude propre au chantier, à la construction modulaire ou à la préfabrication in situ. Les limites sont toutefois nettes. Les tâches sont en 2D, avec des blocs discrets, loin des charges, des tolérances et des matériaux d'un site réel. Aucune comparaison avec des planificateurs classiques n'est annoncée. Le résultat reste un signal de recherche, sans lien avec un produit, un déploiement ou une démonstration à l'échelle. Ces travaux s'inscrivent dans un mouvement plus large qui remplace les pipelines de planification symbolique par des politiques apprises, qu'il s'agisse de RL ou de modèles vision-langage-action (VLA) pour la manipulation. L'assemblage de structures y reste un terrain moins exploré que la saisie ou le tri. La suite logique est le passage à la 3D, à des éléments hétérogènes et à des géométries plus riches, avec une validation sur des tâches physiques plus nombreuses. Il s'agit de la version 2 d'un preprint arXiv (2602.23934), qui n'a pas encore été publié après relecture par les pairs. Aucun partenaire industriel ni calendrier de pilote n'est mentionné.

Recherche❖Paper

1 source

31

854arXiv cs.RO 

Contrôle passif de la raideur en manipulation aérienne suspendue par câbles grâce à des ancrages souples mobiles

Des chercheurs proposent une théorie quasi statique, prenant en compte la gravité, pour prédire et ajuster la raideur passive cartésienne d'une charge suspendue par des câbles à plusieurs drones. L'étude, publiée sur arXiv (2609.40102v1), considère chaque véhicule aérien comme un « ancrage compliant mobile ». Le modèle vaut pour un nombre quelconque de drones reliés à une charge ponctuelle par des câbles tendus, rectilignes et inextensibles. Autour d'un équilibre chargé par la gravité, la compliance de l'ancrage aérien et la compliance géométrique transversale du câble se combinent en série dans chaque branche. Les raideurs des branches s'additionnent ensuite en parallèle au niveau de la charge. Les auteurs ne donnent ni charge utile, ni nombre de drones testés, ni résultat expérimental chiffré dans ce résumé. Pour un comportement isotrope de l'ancrage aérien, chaque branche équivaut exactement à un câble élastique virtuel unilatéral. Cela fait apparaître une décomposition axiale/transversale de la raideur, gouvernée par la tension d'équilibre. L'ensemble définit une application non linéaire entre la configuration des ancrages commandés et la raideur passive de la charge. Sa différentielle permet de modifier localement cette raideur en repositionnant les drones, tout en préservant les contraintes. Pour les intégrateurs, l'intérêt est de traiter la raideur comme une variable de conception et de commande. Elle n'est plus un effet secondaire subi. La manipulation aérienne par câbles est légère et adaptée au transport coopératif et à l'interaction physique, par exemple le contact avec une structure ou la dépose précise d'une charge. Son comportement mécanique passif restait pourtant mal compris et peu exploité. Une formulation analytique ouvre la voie à une régulation de la compliance sans capteur d'effort supplémentaire. Ce point reste à démontrer, car il s'agit ici d'un travail théorique et de simulation, sans démonstrateur matériel annoncé. Les auteurs ont conscience des limites de leurs hypothèses (câbles inextensibles, régime quasi statique). Ils définissent donc un cadre de validation dynamique à corps rigides. Ce cadre inclut une commande non linéaire des véhicules, des tendons élastiques amortis et un contact avec l'environnement. Il sert à mesurer dans quelle mesure la raideur théorique reste prédictive hors du domaine du modèle. Cette étape décidera de la portée pratique des résultats. Les écarts dus à la dynamique des rotors, au mou des câbles ou aux perturbations aérodynamiques restent à quantifier. Le papier est une préimpression (v1), non relue par des pairs. Aucun calendrier d'essais en vol ni partenaire industriel n'est mentionné.

Recherche❖Paper

1 source

31

855arXiv cs.RO 

Estimation de pose 3D in situ par capteurs magnétiques et fusion IMU pour un robot continu modulaire souple à câbles

Une équipe de chercheurs propose, dans un preprint arXiv (2609.39950v1), une méthode de capteurs embarqués pour estimer la configuration 3D d'un robot continu souple à câbles (tendon-driven) et modulaire, sans caméra externe. Le système associe des centrales inertielles (IMU) et des champs magnétiques actifs. Les mesures angulaires des IMU sont fusionnées avec les références magnétiques afin d'affiner l'orientation locale de chaque segment et de limiter la dérive qui s'accumule en cours d'usage. L'estimation tourne à 16,7 Hz, une cadence suffisante pour un retour en temps réel. La validation repose sur une boucle fermée : la configuration estimée sert à maintenir l'effecteur à une position cible pendant qu'il interagit avec un objet. Le résumé ne donne ni précision de position, ni erreur angulaire, ni nombre de segments, ni comparaison chiffrée avec un système de capture de mouvement. Il s'agit d'un résultat de laboratoire, pas d'un produit ni d'un déploiement. L'enjeu est un verrou connu des robots continus : leur déformation continue rend la configuration difficile à reconstruire, et l'on compte d'ordinaire sur la vision externe, qui devient inutilisable dès que la scène est occultée. C'est le cas en chirurgie mini-invasive, en inspection de cavités ou en manipulation dans des espaces encombrés. Une proprioception intégrée au corps du robot, sans infrastructure de suivi, rapprocherait ces systèmes d'un usage hors laboratoire. La modularité compte aussi, car des capteurs répartis peuvent suivre l'ajout ou le retrait de segments. Deux réserves s'imposent. 16,7 Hz reste modeste pour des mouvements rapides ou des contacts dynamiques. Et les champs magnétiques actifs sont sensibles aux perturbations de leur environnement, notamment les pièces ferromagnétiques et les moteurs : c'est un point à vérifier hors d'un banc d'essai contrôlé, par exemple en atelier industriel ou en bloc opératoire. Ce travail s'inscrit dans une littérature déjà large sur l'estimation de forme des robots souples, qui s'appuie sur des fibres optiques à réseaux de Bragg (FBG), des capteurs résistifs ou capacitifs souples, des aimants avec magnétomètres, ou de la vision. Chaque approche a ses limites : coût et fragilité pour les fibres, dérive et hystérésis pour les capteurs souples, occultation pour la caméra. L'IMU seule dérive, notamment en lacet, et la référence magnétique sert précisément à corriger ce défaut. Les prochaines étapes à surveiller sont une validation chiffrée contre une référence externe, des essais sur des trajectoires plus rapides et sous perturbation magnétique, puis une intégration dans des applications médicales ou d'inspection. Aucun calendrier de pilote ni partenaire industriel n'est annoncé.

Recherche❖Paper

1 source

31

856arXiv cs.RO 

TO-mdiSPAs : optimisation topologique d'actionneurs pneumatiques souples multidirectionnels

Des chercheurs publient sur arXiv (identifiant 2609.39618, première version) une méthodologie d'optimisation topologique (TO) baptisée TO-mdiSPAs, consacrée à la conception d'actionneurs pneumatiques souples (SPA) multidirectionnels. Un tel actionneur fléchit sous l'effet d'une pression d'air et, dans sa version multi ou omnidirectionnelle, peut se courber dans n'importe quelle direction de l'espace 3D grâce à plusieurs degrés de liberté. La méthode repose sur une formulation TO à trois champs (design nominal, dilaté et érodé), destinée à garantir la robustesse vis-à-vis des tolérances de fabrication. La pression pneumatique, qui dépend de la géométrie elle-même, est modélisée par la loi de Darcy avec un terme de drainage. Le problème est posé en min-max sur des déformations cibles de l'unité d'actionnement, puis résolu par la méthode des asymptotes mobiles (MMA). Le résultat est une géométrie non conventionnelle, validée uniquement par simulation numérique, qui reproduit des mouvements multidirectionnels. Le résumé ne fournit ni valeur de force, ni angle de flexion, ni pression de service, ni prototype physique. L'intérêt est surtout méthodologique. Aujourd'hui, la plupart des actionneurs souples sont conçus de façon empirique, en s'inspirant de chambres en soufflet ou de géométries de type fibre renforcée, puis ajustés par essais successifs. Une conception pilotée par l'optimisation, qui intègre dès le départ la contrainte de fabricabilité par la formulation à trois champs, vise à réduire cet écart entre conception numérique et pièce réellement produite. Pour un intégrateur ou un fabricant de préhenseurs souples, la promesse est de pouvoir générer des doigts ou des modules de bras adaptés à une tâche précise plutôt que de copier des morphologies standard. Il faut toutefois rester prudent : sans validation expérimentale, on ne sait pas si la géométrie optimisée tient en pression cyclique, résiste à la fatigue du matériau ou reste usinable ou moulable à coût raisonnable. Le travail ne traite pas non plus de la commande de ces actionneurs, point dur de la robotique molle. L'optimisation topologique appliquée à la robotique souple s'appuie sur une littérature déjà établie, qui a traité la modélisation des charges dépendantes du design, notamment par la loi de Darcy, et les actionneurs pneumatiques mono-directionnels. Cette contribution étend l'approche au cas multidirectionnel, plus exigeant car il demande de satisfaire simultanément plusieurs déformations cibles. Elle s'inscrit en parallèle des approches concurrentes de conception d'actionneurs souples, qu'il s'agisse de l'impression 3D multimatériaux ou de l'apprentissage automatique appliqué à la conception. Les suites logiques seront la fabrication d'un prototype, par exemple en silicone moulé ou en impression 3D élastomère, et la comparaison des performances mesurées avec les prédictions numériques. Aucun calendrier ni partenaire industriel n'est annoncé, et aucun acteur français ou européen n'est cité dans le résumé.

Recherche❖Paper

1 source

31

857arXiv cs.RO 

BatSLAM 2.0 : reconnaissance de lieux par sonar vérifiée par séquences dans un graphe de poses robuste

Des chercheurs publient sur arXiv (v1, septembre 2026) BatSLAM 2.0, un système de SLAM (localisation et cartographie simultanées) qui n'utilise que du sonar. Il reprend le principe de BatSLAM, apparu il y a plus de dix ans. Un robot équipé d'un sonar binaural biomimétique, inspiré de l'écholocation des chauves-souris, y construisait une carte topologique en reconnaissant des lieux à partir des signaux acoustiques reçus. La nouvelle version repose sur trois blocs: un front-end acoustique mis à jour, un vérificateur de séquences qui suit et valide les candidats de fermeture de boucle, et un graphe de poses bâti sur un framework de graphes de facteurs haute performance. Le système est évalué en simulation et sur des enregistrements réels. Le résumé ne donne aucun chiffre (taux de précision, erreur de trajectoire, taille de carte, matériel, environnements précis), et il s'agit d'un préprint non évalué par les pairs, pas d'un produit. Le problème visé est connu: la reconnaissance de lieux par sonar est ambiguë par nature. Deux couloirs produisent des trains d'échos presque identiques, et une seule fermeture de boucle erronée peut faire s'effondrer la carte topologique. Plutôt que d'améliorer seulement la description acoustique, les auteurs déplacent la robustesse vers la vérification: une boucle n'est acceptée qu'après confirmation sur une séquence d'observations, puis intégrée dans un graphe robuste. Pour un intégrateur, l'intérêt est la navigation sans caméra ni LiDAR, utile dans le noir, la fumée ou la poussière. La portée reste à démontrer, faute de métriques publiées et de comparaison annoncée avec le SLAM visuel ou LiDAR. Les auteurs affirment une création de carte robuste, la résistance à l'effondrement et une bonne tenue à l'échelle, sans en quantifier la mesure. Cette approche s'inscrit dans la lignée des travaux bio-inspirés sur le sonar. Elle se place face au SLAM visuel et LiDAR, dominant en robotique mobile, et au sonar utilisé en milieu sous-marin. Le choix d'un graphe de facteurs suit la pratique courante de l'optimisation de poses, qui rend les fermetures de boucle plus faciles à vérifier ou à rejeter. Le résumé n'annonce ni code, ni jeu de données, ni pilote industriel. Les prochaines étapes à surveiller sont la publication des résultats chiffrés, une évaluation en environnements variés et d'éventuelles comparaisons avec des capteurs concurrents.

Recherche❖Paper

1 source

30

858Hackaday Robots Hacks 

Le robot sauteur Pogo-Bot passe en tout-terrain grâce à un pied souple

Des étudiants en ingénierie de l'Université de Toronto ont présenté un robot sauteur monopode qui combine la propulsion d'un quadricoptère et la mécanique d'un bâton sauteur (pogo stick). Quatre hélices fournissent l'énergie qui met l'engin en mouvement, mais le rebond lui-même repose uniquement sur une jambe unique à ressort, qui joue le rôle de train d'atterrissage. Le pied, doté de picots et monté sur pivot, est maintenu par ce qui ressemble à des bandes élastiques. Les premières versions se contentaient d'une pointe en bout de jambe, avec des échecs plutôt cocasses visibles dans la vidéo associée au projet. Le nouveau pied, plus large et plus adhérent, s'oriente selon le terrain. Le robot a été testé sur des surfaces allant du sable meuble à la glace dure, et il saute par-dessus des clôtures. Aucune donnée chiffrée n'a été publiée : ni masse, ni hauteur de saut, ni autonomie, ni taux de réussite. Il s'agit d'une démonstration de laboratoire étudiante, et non d'un produit ni d'un déploiement. L'intérêt tient à la question du contact avec le sol, souvent négligée dans la robotique aérienne hybride. Un drone qui se déplace uniquement en vol consomme beaucoup d'énergie pour de faibles distances. Un robot à pattes classique, lui, peine sur les surfaces glissantes ou déformables. Le saut propulsé tente de combiner les deux : les hélices apportent l'énergie et le contrôle d'attitude, et le ressort stocke et restitue l'énergie à chaque rebond. Ce travail montre surtout qu'un pied passif et adaptatif, sans capteurs ni actionneurs supplémentaires, peut résoudre une grande partie du problème de l'adhérence. C'est une piste à bas coût pour l'inspection ou l'exploration de terrains variés. Il faut toutefois rester prudent : sans mesures comparatives, avec des vidéos probablement sélectionnées, on ignore la robustesse réelle du système, et aucun intégrateur ne pourrait encore en tirer un cahier des charges. Le monopode n'est pas une nouveauté. On a déjà vu des robots à une jambe qui utilisent leur patte seule, ainsi que des versions ailées. Cette configuration quadricoptère à jambe unique serait, selon la source, la première observée à affronter un hiver canadien. Le modèle de référence reste celui des sauteurs à ressort développés dans les laboratoires universitaires depuis les années 1980, auxquels s'ajoutent des hybrides vol-marche plus récents. Aucune suite n'est annoncée. Les prochaines étapes logiques seraient la publication de mesures de performance, une étude de la consommation énergétique par rapport à un drone ou à un robot à roues, et un test sur terrain réellement accidenté.

Recherche❖Paper

1 source

36

859Interesting Engineering 

Une flotte de robots humanoïdes mise hors service : un saut spectaculaire dans l'acier en fusion, façon Terminator

Figure a détruit une grande partie de sa flotte de robots humanoïdes F.02 en les envoyant sauter, de façon autonome, dans un four à arc électrique de 75 tonnes dans une fonderie d'Imatra, en Finlande. Les images ont été relayées le 30 septembre 2026 par le PDG Brett Adcock, qui précise que la scène n'est pas générée numériquement : les robots ont bien été expédiés sur place et ont effectué eux-mêmes le saut. L'opération s'est déroulée sur une fenêtre de 24 heures, avec seulement six cycles de fusion, chacun offrant environ 20 minutes avant que l'acier ne forme une croûte solide. Caméras et électronique ont lâché sous la chaleur et les champs électromagnétiques, mais Figure affirme que les robots ont poursuivi l'exécution de leurs politiques de mouvement entraînées. Les barres de métal récupérées ont été renvoyées aux États-Unis pour être usinées en une série limitée d'objets commémoratifs. Quelques F.02 restent stockés au siège de San Jose. Pour un lecteur du secteur, l'intérêt tient moins au spectacle qu'à ce qu'il révèle. Figure présente l'épisode comme une démonstration de contrôle autonome en conditions extrêmes : une politique apprise en simulation, entraînée sur des sauts depuis un premier étage avec des airbags et des cascadeurs comme références de mouvement, qui doit amener le robot dans une zone d'atterrissage précise sur un site jamais testé avant l'expédition. C'est un cas de transfert sim-to-real plutôt convaincant, mais il faut le lire avec prudence : il s'agit d'un mouvement balistique unique et répété, sans manipulation, et Figure ne publie ni taux de réussite ni nombre d'essais. L'épisode illustre aussi un point rarement évoqué, celui de la fin de vie des flottes humanoïdes. Les batteries lithium-ion ont fait refuser le projet par des installations américaines et mexicaines, et le démontage de chaque unité aurait mobilisé des heures d'ingénierie nécessaires au futur F.04, tout en posant un risque pour la propriété intellectuelle des composants sur mesure. C'est aussi, à l'évidence, une opération de communication, que le soutien d'Arnold Schwarzenegger et l'aide d'anciens de MythBusters rendent très assumée. Côté contexte, Figure a présenté le F.03 en octobre 2025 comme plateforme de nouvelle génération, avec un système sensoriel et des mains repensés pour Helix, son modèle vision-langage-action propriétaire. Cette version ajoute des matériaux extérieurs plus souples, la recharge sans fil, un meilleur système audio et des améliorations de sécurité des batteries, des choix orientés vers l'usage domestique et le travail à proximité de personnes. Le F.02 est désormais remplacé par le F.03, et le F.04 est déjà en préparation, ce qui confirme le rythme de renouvellement rapide de la société. Face à elle, Tesla avec Optimus et d'autres acteurs américains et chinois poursuivent des cadences comparables, tandis que les acteurs européens, comme Wandercraft ou Enchanted Tools, avancent sur des trajectoires plus mesurées. Figure n'a pas indiqué combien d'unités F.02 ont été détruites, ni combien de robots ont été déployés chez des clients au cours de leur vie opérationnelle.

Humanoïdes⚡Actu

1 source

40

860Robotics & Automation News 

Comau développe un système robotisé de préparation de commandes pour l'e-commerce de Decathlon

Comau, groupe italien d'automatisation industrielle, a conçu et validé un système de préparation de commandes testé dans les opérations logistiques e-commerce de Decathlon. Les essais s'inscrivent dans MASTERLY, une initiative européenne qui vise à faire passer l'industrie de la production de masse classique à des systèmes flexibles et personnalisés. La solution repose sur le cobot MyCo de Comau, piloté par une architecture logicielle ROS2, et associe des capteurs intelligents à une couche de perception. Le communiqué disponible ne donne ni cadence, ni taux de prise réussie, ni nombre de références manipulées, ni durée ou site précis du test. Il s'agit donc d'un pilote validé en conditions d'essai, pas d'un déploiement commercial annoncé. L'intérêt est moins technologique que démonstratif. La préparation de commandes e-commerce, avec ses milliers de références hétérogènes et ses pics saisonniers, reste l'un des derniers maillons peu automatisés de l'entrepôt. Un cobot standard sur une pile logicielle ouverte ROS2 laisse espérer un coût d'intégration plus faible que des cellules propriétaires, un point à surveiller pour les intégrateurs. Sans métriques publiées, la question de l'écart entre démonstration et exploitation reste entière. Côté contexte, Comau s'appuie sur sa gamme de cobots et sur des programmes européens pour valider des cas d'usage hors de l'automobile. Decathlon, enseigne française, fournit un terrain logistique réel. Le segment du picking robotisé est déjà occupé par des acteurs comme Exotec (France, systèmes goods-to-person), RightHand Robotics ou Dexterity. La suite dépendra d'éventuels résultats chiffrés et d'un passage à l'échelle sur plusieurs sites, aucun n'étant annoncé à ce stade.

Industriel⚡Actu

1 source

36

861Interesting Engineering 

Un robot aérien bio-inspiré amerrit en douceur et se transforme en voilier autonome

Des chercheurs de la Singapore University of Technology and Design (SUTD) et du MIT ont présenté ALBATROSS (Airborne Lander with Buoyant AuToROtating Sailing Sensor), un robot hybride d'environ 1 kg qui descend du ciel en autorotation, se pose sur l'eau puis fonctionne comme un voilier autonome. Pendant la chute, deux ailes-voiles rigides tournent passivement, à la manière d'une samare d'érable, et ramènent la vitesse de descente à environ 7 m/s, soit une énergie d'impact divisée par 18. À l'amerrissage, le robot se redresse passivement et réutilise ces mêmes ailes comme voiles, sans mécanisme de morphing actif. Un gouvernail caudal inspiré de la nageoire de poisson prend le relais : il oscille pour propulser l'engin jusqu'à 0,4 m/s quand le vent tombe, et sert à remonter au vent dans le cas contraire. L'ensemble se limite à trois actionneurs et trois capteurs principaux, pour un taux d'utilisation effective de la masse de 91 % entre air et eau. Les essais de terrain ont eu lieu sur deux réservoirs de Singapour, avec des largages depuis 150 mètres d'altitude, suivis d'une navigation autonome pilotée par un contrôleur à règles (Rule-Based). Des simulations indiquent qu'un contrôleur par apprentissage par renforcement pourrait réaliser des missions à waypoints complexes, mais ce résultat n'a pas été démontré en conditions réelles. L'intérêt tient à l'économie de moyens. Les drones amphibies ou aéro-aquatiques classiques cumulent en général moteurs de sustentation et propulsion immergée, donc masse, complexité et coût. Ici, chaque organe remplit deux fonctions, ce qui ouvre la voie à des capteurs déployables à bas coût pour la surveillance climatique, la qualité de l'eau ou la réponse aux catastrophes, où l'on cherche à poser rapidement des points de mesure sur une zone étendue. Il faut néanmoins relativiser : il s'agit d'un prototype académique, sans chiffre de charge utile, d'autonomie, de tenue à la mer ni de coût unitaire. Les essais se sont déroulés sur des réservoirs abrités, bien loin des vagues et des vents du large, et la vitesse de 0,4 m/s montre que la propulsion de secours ne sert qu'à corriger, pas à tenir un cap contre un courant sérieux. La démonstration de l'apprentissage par renforcement reste purement simulée, ce qui laisse entière la question du transfert sim-to-real. Le résultat prouve la viabilité du concept, pas encore celle d'un produit. Ce travail s'inscrit dans la robotique multimodale, qui cherche à combiner plusieurs modes de locomotion dans une seule plateforme. Les auteurs, dans un commentaire d'accompagnement, défendent l'idée que la nature est une bibliothèque de mécanismes à recombiner plutôt qu'un plan à copier : ici la samare pour l'air, la nageoire pour l'eau, deux solutions que l'évolution n'a jamais réunies. Le positionnement concurrentiel est celui de la recherche, sans acteur industriel identifié, et aucun acteur français ou européen n'est cité. Les suites logiques seraient des essais en mer ouverte, un largage depuis un drone ou un ballon plutôt qu'une hauteur fixe, l'ajout de charges utiles de mesure et la validation en conditions réelles d'un pilotage appris. Aucun calendrier de pilote ni de commercialisation n'a été annoncé.

Recherche❖Paper

1 source

39

862Interesting Engineering 

Vidéo : un nouveau robot humanoïde vide le linge et plie des serviettes sans aide humaine

Dyna Robotics, start-up californienne, a présenté le 29 septembre 2026 Dyna-2.1, qu'elle qualifie d'« agent physique » capable d'enchaîner de très longs flux de travail avec l'ensemble du corps, sans intervention humaine. La démonstration, en vidéo non coupée selon l'entreprise, se déroule dans une laverie commerciale. Le robot charge et démarre lui-même lave-linge et sèche-linge, se penche pour extraire les serviettes du fond d'un sèche-linge et les transfère dans un panier. Il les secoue pour les mettre à plat, les plie, les trie par taille en piles, puis les range sur des étagères en s'accroupissant pour les niveaux bas ou en tendant les bras vers les niveaux hauts. Il récupère une serviette tombée au sol et, après une prise ratée, abandonne la tentative pour en refaire une. Côté matériel, la machine est un « semi-humanoïde » : un torse et deux bras montés sur une base à quatre roues directrices, avec pinces parallèles ou mains dextres au choix. Un orchestrateur vision-langage planifie le flux, un contrôleur du corps entier coordonne déplacement et mouvements des bras, et le tout repose sur Dyna-2, un « world action model » propriétaire entraîné, selon l'entreprise, sur un million d'heures de données humaines et robotiques. Dyna affirme déployer le robot dans des hôtels, des laveries et des restaurants, sans chiffrer le nombre d'unités, les sites ni le prix. L'intérêt tient moins à la dextérité, déjà montrée par d'autres, qu'au choix de mesure. Dyna met en avant le MTBI (Mean Time Between Interventions), c'est-à-dire la durée de fonctionnement avant qu'un humain doive intervenir, plutôt que le taux de réussite d'une tâche isolée. C'est l'indicateur qui compte pour un exploitant : un poste complet sans « baby-sitter », comme le dit le CEO Lindon Gao. Il déplace la discussion de la démo vers la fiabilité opérationnelle, là où se joue l'écart entre vidéo et réalité. Le choix d'une base à roues, qui évite le problème d'équilibre de la marche bipède, illustre aussi un pari pragmatique : pour la logistique, l'hôtellerie ou la blanchisserie, la forme humanoïde complète n'est pas nécessairement utile. Il faut toutefois rester prudent : Dyna ne publie aucune valeur de MTBI, ni durée de la séquence, ni taux d'interventions. Une vidéo unique en environnement contrôlé ne prouve pas la fiabilité sur un poste de huit heures, et les déploiements évoqués restent non documentés. Dyna Robotics s'inscrit dans la vague des modèles fondation pour la manipulation, aux côtés de Physical Intelligence (Pi-0), de Figure (Helix) ou de NVIDIA (GR00T), avec un positionnement plus commercial que la plupart : des tâches de service à valeur immédiate plutôt qu'un humanoïde généraliste. Sa stratégie rejoint celle des bases mobiles à deux bras, concurrentes directes des humanoïdes marchants pour les usages en intérieur. L'entreprise décrit une boucle d'amélioration continue : les traces de décision de l'orchestrateur et les charges articulaires du contrôleur sont réinjectées pour allonger le temps entre interventions. La suite se jugera sur des chiffres de MTBI vérifiables, des clients nommés et des volumes de déploiement, aucun de ces éléments n'étant encore public.

IA physique❧Opinion

1 source

32

863Robotics Business Review 

Innodata ouvre un laboratoire de capture de mouvement pour rendre les robots humanoïdes plus proches des gestes humains

Innodata, société new-yorkaise de data engineering fondée en 1988 et basée à Ridgefield Park (New Jersey), a annoncé l'ouverture d'un laboratoire de capture de mouvement destiné à produire des données d'entraînement pour l'IA physique. L'installation doit aussi valider de façon indépendante les données de performance que les robots génèrent en interne. Elle couvre des humanoïdes, du matériel téléopéré, des systèmes portables, des rigs de capteurs, des pinces UMI (Universal Manipulator Interface) et d'autres dispositifs de capture multimodaux. Selon Franklin Tanner, vice-président robotique et IA physique, Innodata capte le mouvement 3D directement sur les corps, humains ou mécaniques, plutôt que de l'inférer à partir de vidéos 2D comme le font d'autres fournisseurs. Les capteurs enregistrent chaque articulation, ce qui compte pour des humanoïdes pesant près de 90,7 kg (200 lb). Les données réelles servent ensuite d'amorce à des jumeaux numériques et à des simulations qui génèrent des cas limites. Le PDG Rahul Singhal parle d'une offre « de bout en bout », de la collecte à l'évaluation des modèles. Aucun volume de données, nombre de capteurs, tarif ni client n'a été communiqué. Le message adressé aux équipes robotiques est que la donnée est devenue le goulot d'étranglement, davantage que le matériel. Contrairement aux LLM, qui ont profité de l'immense corpus du web, l'IA physique manque de données d'interaction. Tanner résume : elle doit « gagner ses tokens une interaction à la fois ». L'exemple de la tasse le montre : saisir une tasse par l'anse ou par la base n'a pas la même conséquence si elle contient un liquide brûlant, et ce contexte est rarement encodé dans les jeux de données existants. L'offre de validation indépendante vise un autre point sensible du secteur, la difficulté de vérifier les métriques que les constructeurs publient eux-mêmes. Pour un intégrateur ou un décideur industriel, un tiers capable de mesurer la précision cinématique serait utile, à condition que la méthodologie soit publiée. Il faut par ailleurs relativiser : l'argument selon lequel la capture 3D directe surpasse l'inférence vidéo vient du prestataire lui-même, sans comparatif chiffré. Tanner reconnaît d'ailleurs que la collecte « en conditions réelles » reste très coûteuse et qu'il faut s'appuyer sur la simulation pour couvrir la variabilité. Ce lancement s'inscrit dans la montée d'un marché de la donnée robotique, où se positionnent aussi des spécialistes du téléopéré et de la capture égocentrique, tandis que les grands acteurs (Tesla avec Optimus, Figure, Nvidia avec GR00T, Physical Intelligence avec Pi-0) constituent leurs propres corpus en interne. Innodata, historiquement acteur de la donnée pour l'IA générative, cherche ici à transposer son savoir-faire d'annotation et d'évaluation vers la robotique. Il s'agit pour l'instant d'une ouverture de site : aucun client ni pilote n'est nommé, et la valeur réelle dépendra des contrats signés et de la qualité des jeux de données livrés. Le sujet de l'IA physique et des humanoïdes sera au programme de RoboBusiness, les 20 et 21 octobre 2026 à Santa Clara, en Californie.

Infrastructure⚡Actu

1 source

47

864Pandaily 

AgiBot livre son 20 000e robot, dont plus de 300 unités sont déployées au parc Chimelong Spaceship

AgiBot a livré le 24 septembre son 20 000e robot humanoïde polyvalent, un Expedition A3 Ultra remis à Chimelong Group lors de la réouverture du Chimelong Spaceship Park, à Hengqin (Zhuhai). Le même jour, plus de 300 robots du constructeur ont pris leur service régulier dans ce parc intérieur. Selon AgiBot, la cadence a nettement accéléré : six prototypes en 2023, production en volume lancée en août 2024, 1 000 unités en janvier 2025, 5 000 fin 2025, 10 000 en mars 2026 et 15 000 en juin (cette unité étant partie sur une ligne de production de Longcheer). Passer de 10 000 à 20 000 a pris environ six mois. L'A3 Ultra mesure 174 cm, avec un châssis en alliage de magnésium et nylon renforcé fibre de carbone, une perception à 360 degrés, un positionnement fusionnant UWB et RTK, une plateforme de calcul de 700 TOPS et des mains dextres à retour tactile omnidirectionnel de 20 degrés de liberté. Il cible la livraison, le portage, le tri et le réapprovisionnement. Dans le parc, les robots couvrent sept scénarios (spectacles, médiation scientifique, guidage, vente, compagnie, service hôtelier, sport) sur plus de 100 points d'interaction, en plusieurs langues et dialectes. Le modèle WITA relie langage, vision, parole et mouvement pour détecter les visiteurs qui approchent, tandis que la plateforme LinkSoul personnalise voix, expressions, personnalité, gestes et costume selon les personnages de Chimelong. China Mobile a fourni un réseau 5G-Advanced avec découpage en tranches (network slicing), équipements d'edge sur site et isolation de sécurité pour séparer le trafic des robots de celui des visiteurs. L'intérêt de l'annonce tient moins à la démonstration qu'au volume et à la nature du déploiement. Plus de 300 unités opérant ensemble dans un lieu recevant du public relèvent de la gestion de flotte, de la connectivité à faible latence et de la personnalisation à grande échelle, bien au-delà du pilote de quelques machines. Le chiffre de 20 000 livraisons place AgiBot parmi les rares acteurs à afficher des volumes à cinq chiffres, là où la plupart des concurrents occidentaux en sont à des séries pilotes. Il faut toutefois lire ces données avec prudence : ce sont des chiffres communiqués par l'entreprise, sans détail sur la part de robots effectivement en production continue, ni sur le taux de disponibilité, l'autonomie réelle ou le niveau de téléopération. Un parc d'attractions est aussi un environnement contrôlé, où l'interaction et le spectacle priment sur la manipulation exigeante. Les deux unités jalons, l'une en usine chez Longcheer, l'autre en divertissement, illustrent néanmoins une double thèse : le marché chinois absorbe des humanoïdes à la fois comme main-d'œuvre industrielle et comme vecteur d'expérience client. Ce résultat s'inscrit dans une montée en cadence rapide du secteur chinois, où AgiBot rivalise avec Unitree, UBTech et d'autres sur les volumes, quand Figure, Tesla (Optimus) et Agility misent sur des déploiements industriels plus ciblés et moins nombreux. Le partenariat avec Chimelong, signé en août, a donné lieu à un mois de livraisons concentrées, et les deux groupes créent un institut de recherche conjoint sur l'IA incarnée appliquée au tourisme, couvrant adaptation aux scénarios, algorithmes, création de contenu et validation commerciale. Le PDG Deng Taihua parle d'un simple point de départ pour dix ans de collaboration. Reste à voir si ce modèle, à base d'intégration réseau et de personnalisation des personnages, se réplique hors du tourisme et hors de Chine, notamment auprès d'opérateurs européens de loisirs et de sites industriels.

Chine/Asie⚡Actu

1 source

25

865Pandaily 

Simate présente le système d'IA physique Simate-beta et affirme dominer le benchmark RoboDojo

Simate, une startup d'IA embarquée fondée il y a environ trois mois, a publié Simate-beta, première version de ce qu'elle présente comme un « système rapide » physique généraliste. Selon un instantané du classement daté du 23 septembre, que l'entreprise a elle-même partagé, le modèle prend la première place du benchmark RoboDojo avec un score moyen de 33,95 et un taux de réussite de 27,96 %. RoboDojo évalue la manipulation robotique générale selon cinq axes : généralisation, mémoire, manipulation fine, exécution à long horizon et tâches ouvertes. Simate précise que le modèle de base soumis n'a pas été optimisé spécifiquement pour ce test, et que les résultats du classement sont distincts de ses démonstrations sur robot réel. Ce système rapide est conçu pour se placer sous un modèle de raisonnement plus lent. Quand ce dernier décompose une consigne comme « ranger la table », le système rapide perçoit une scène changeante et produit des actions en quelques millisecondes. L'entreprise revendique une perception physique 4D et une mémoire temporelle hiérarchique, censées permettre au robot de suivre ce qui vient de se passer sans être ralenti par de longs historiques. Les démonstrations couvrent l'adaptation à une tâche à partir d'exemples, la mémoire, des enchaînements comme la préparation du thé et la manipulation fine. L'architecture et la taille du modèle seront détaillées dans un rapport technique ultérieur. Le score le plus marquant est sans doute relatif : un taux de réussite inférieur à 28 % en tête d'un classement rappelle que la manipulation généraliste reste loin d'être résolue, et qu'un rang n'est pas un niveau de fiabilité exploitable en production. Le résultat reste auto-rapporté à partir d'un instantané fourni par l'entreprise, sans détail sur l'architecture, les paramètres ou les données, et il est impossible de le comparer à des modèles établis à ce stade. L'intérêt est ailleurs, dans la méthode. Simate parle d'« IA pour l'IA physique » : son cadre Sipai définit des frontières de modules, des interfaces et des étapes de validation assez nettes pour que des agents logiciels puissent les modifier, et prend déjà en charge les modèles du monde, les modèles monde-action, les VLA (vision-langage-action) et les VLM. Son moteur AutoResearch fusionne articles, notes internes, code, mélanges de données, journaux d'expériences et nouveaux résultats d'évaluation en un contexte de recherche mis à jour en continu. Les chercheurs humains fixent hypothèses, objectifs et contraintes, tandis que les agents décomposent, lancent et rapportent les expériences. L'infrastructure fait tourner des dizaines de pistes en parallèle, filtrées par des modèles du monde et de la simulation pour que seules les approches prometteuses atteignent les robots réels. Si cela fonctionne, le goulot d'étranglement de l'itération en robotique se déplacerait de la collecte de données sur robot vers la capacité de calcul et l'automatisation de la recherche. Côté contexte, Simate affirme que son équipe fondatrice a déjà mis en production de masse un modèle de conduite autonome de bout en bout, un parcours désormais courant chez les acteurs chinois de l'IA incarnée. Le site anglophone de la société cite Sinfra comme plateforme de développement, Sipai comme système de modèles et RoboScientist, un scientifique IA en préversion de recherche. Elle indique que des chercheurs du MIT, de Caltech, de l'université Tsinghua et de l'université de Pékin figurent parmi les testeurs internes de sa plateforme, sans que cela soit vérifiable. Le modèle arrive dans un champ déjà occupé par les architectures à double système, comme Helix de Figure ou GR00T de NVIDIA, et par des modèles généralistes comme Pi-0. La suite est annoncée : des résultats de généralisation zero-shot sur des tâches complexes d'ici la fin de l'année, puis des articles, des rapports techniques et une publication du code en open source par étapes. Aucun déploiement client, prix ni calendrier commercial n'a été communiqué. Il s'agit donc d'une annonce de modèle et de méthode, pas d'un produit livré.

IA physique⚡Actu

1 source

36

866Pandaily 

Sharpa dévoile le robot tactile D01, la main dextérique W02 et le gant haptique AE01 à l'IROS 2026

Sharpa, société spécialisée dans la manipulation dextre et fondée par trois cofondateurs de Hesai, a présenté trois produits le 28 septembre à l'IROS 2026 de Pittsburgh : D01, un robot intégré conçu pour la manipulation fine, W02, une main dextre compacte dotée d'un capteur tactile sur toute sa surface, et AE01, un gant exosquelette haptique destiné à la téléopération et à la collecte de données. D01 associe des mains Sharpa Wave, des bras à sept degrés de liberté (DOF) et une peau électronique répartie sur le corps. La presse chinoise le décrit comme un humanoïde généraliste. Le constructeur annonce un rapport charge utile/poids de bras d'environ 1:1, une vitesse d'effecteur supérieure à 10,5 m/s, une communication à 1 000 Hz, une répétabilité de 0,2 mm et des poignets sphériques à l'échelle humaine. La peau échantillonne à 100 Hz avec une résolution de 0,2 N. W02, qui succède à la W01, compte 21 DOF actifs pour moins de 750 g, soit environ 30 % de moins que la W01 selon Leiphone. Ses capteurs visuo-tactiles de bout de doigt couvrent 5 mN à 30 N avec 1 mm de résolution spatiale. La peau des doigts et de la paume couvre 0,1 à 20 N avec 5 mm de résolution. La main saisit des objets fins comme des baguettes ou des cordons, et son indice de protection est IP54. AE01 utilise 22 encodeurs pour 22 DOF, transmet le mouvement de l'opérateur au robot en temps réel et restitue 256 niveaux de retour vibrotactile par bout de doigt, avec une répétabilité de position inférieure à 1 mm et sans calibrage utilisateur. L'intérêt tient à la cohérence de l'ensemble : Sharpa couvre le corps, la main et l'outil de collecte de démonstrations humaines, or c'est cette dernière brique qui limite aujourd'hui l'entraînement des modèles VLA (vision-langage-action) pour la manipulation fine. Un gant qui résiste aux interférences électromagnétiques, lumineuses, d'humidité et de température vise à sortir la collecte de données du laboratoire, ce qui intéresse directement les intégrateurs qui veulent capturer des gestes en conditions réelles. La peau tactile sur tout le corps répond à une faiblesse connue des humanoïdes, aveugles au contact hors de leurs mains. Il faut toutefois lire ces chiffres avec prudence : il s'agit de spécifications constructeur, sans prix, sans calendrier de livraison ni tests indépendants, et les démonstrations du stand (attrape d'un bâton en chute, réaction aux touchers, préparation de boissons en téléopération via AE01, imitation de la main pour rattraper des jouets) ne disent rien de la fiabilité en cycles longs. Aucune autonomie de D01 n'a été démontrée à cette occasion, et le statut commercial des trois produits reste à confirmer. Sharpa s'appuie sur l'expérience industrielle de ses fondateurs issus de Hesai, spécialiste des lidars. Elle avait déjà présenté son robot North, qui jouait au tennis de table de manière autonome au CES 2026, et a fait tourner une routine de préparation de desserts en 55 étapes dans un magasin de Shanghai, l'un des rares indices d'un usage hors salon. Elle avance sur un terrain de la main dextre déjà occupé par MirrorMe avec la VIVA et par Unitree avec la Dex5-S, tandis que les humanoïdes généralistes de Tesla (Optimus) et de Figure misent aussi sur la dextérité. La suite dépendra de la publication de prix, de volumes et de pilotes clients. Aucun acteur français ou européen n'est cité dans cette annonce.

Humanoïdes⚡Actu

1 source

45

867arXiv cs.RO 

Rho : une base pour des modèles VLA facilement adaptables

Rho, une famille de modèles VLA (vision-langage-action) à poids ouverts pour la manipulation bimanuelle, fait l'objet d'un rapport technique publié sur arXiv. Elle est conçue pour s'adapter à de nouvelles tâches avec peu de données, sur trois plateformes à deux bras représentatives des laboratoires et de l'industrie : YAM Box, UR AI Trainer et FR3 Duo. Les auteurs ont testé l'architecture de l'« action expert » et la recette d'entraînement par ablations, en simulation contrôlée puis sur robots physiques. Ils rapportent que les variantes Rho pour chaque plateforme égalent ou dépassent les VLA à poids ouverts existants, avec les meilleures performances globales sur les tâches, plateformes et références évaluées dans le rapport. Le modèle de base et les checkpoints spécifiques à chaque plateforme sont publiés. Le rapport intègre aussi un mécanisme d'adaptation en ligne : une politique latente interne apprend à partir de corrections humaines à choisir des entrées de bruit, conditionnées par l'observation, pour l'action expert figé, basé sur le flow matching. Avec 15 épisodes corrigés seulement, ce module léger permet au modèle de gérer des situations situées à la périphérie de sa distribution de fine-tuning hors ligne. L'apport principal tient à la méthode, davantage qu'à un score. Le « midtraining » par plateforme, une étape intermédiaire entre le préentraînement général et le fine-tuning de la tâche, améliore l'adaptation en aval. Cela va dans le sens d'une hypothèse répandue dans le secteur : le goulot d'étranglement des VLA est le coût de déploiement sur un nouveau robot ou une nouvelle tâche, pas la capacité brute du modèle. Pour un intégrateur, la promesse est concrète : le nombre de démonstrations à collecter pèse directement sur le coût d'un projet. Le choix de plateformes commerciales déjà présentes en laboratoire et en usine (Universal Robots, Franka) rend l'approche plus transférable qu'un modèle lié à un humanoïde propriétaire. Des réserves s'imposent toutefois. Les comparaisons sont faites par les auteurs eux-mêmes, sur un ensemble de tâches qu'ils ont choisi, et le rapport ne donne aucun chiffre de taux de succès dans son résumé. Quant à l'adaptation en ligne, la démonstration porte sur des situations « en bordure » de distribution, ce qui reste loin d'une robustesse générale en production. Rho s'inscrit dans la course aux modèles fondation robotiques à poids ouverts, face à des références comme Pi-0 de Physical Intelligence ou GR00T de NVIDIA, tandis que des acteurs fermés comme Figure (Helix) misent sur des modèles propriétaires liés à leur matériel. Le rapport se positionne comme un point d'appui pour la recherche et pour des usages industriels, sans annoncer de pilote client, de calendrier ni de prix. La suite dépendra de la reproduction indépendante des résultats par d'autres équipes, et de la capacité des checkpoints publiés à tenir sur des tâches d'atelier réelles. Le rapport n'évoque aucun acteur européen dans son résumé.

IA physique⚡Actu

1 source

45

868arXiv cs.RO 

FineART : jeu de données de trajectoires robotiques annotées finement et modèle vision-langage-action (VLA) pour la manipulation bimanuelle

FineART est un jeu de données de manipulation bimanuelle annotée finement, présenté sur arXiv (2609.36416v1) avec un modèle associé, FineART-VLA. Le corpus compte 40 543 épisodes, soit 1 718 heures de démonstrations, couvrant 151 tâches et 533 913 sous-tâches annotées individuellement. FineART-VLA est une politique vision-langage-action (VLA) qui prédit elle-même sa prochaine sous-tâche avant d'agir. Selon les auteurs, ce pré-entraînement intermédiaire (mid-training) fait passer le taux de réussite d'une tâche de désambiguïsation spatiale de 32,0 % à 100,0 %. Avec un guidage humain sous-tâche par sous-tâche, une tâche longue jamais vue passe de 16,0 % à 76,0 %. Après un fine-tuning minimal sur un nouveau robot, la politique demande dix fois moins de données que des références sans mid-training et généralise en zéro-shot à des tâches inédites sur ce matériel. Le jeu de données, les poids du modèle et le code d'entraînement sont publiés en open source. L'enjeu tient à la granularité des annotations plus qu'au volume. Les grands corpus mono-bras atteignent des centaines de milliers de trajectoires, mais n'associent en général qu'une instruction de haut niveau à chaque épisode. Les rares efforts bimanuels qui annotent des sous-tâches n'en couvrent qu'une fraction des heures. Or les tâches d'assemblage, de logistique ou de préparation, qui intéressent intégrateurs et industriels, sont longues, à plusieurs étapes et exigent la coordination de deux bras. Si les résultats se confirment, l'apprentissage d'un raisonnement explicite sur les sous-tâches améliore la robustesse sur les longs horizons, point faible connu des VLA. Le gain d'un facteur dix en efficacité de données lors du transfert vers un nouveau robot compte aussi pour un intégrateur : il réduit le coût de collecte de démonstrations par site ou par plateforme. Il faut toutefois rester prudent. Les chiffres viennent d'un préprint non évalué par des pairs, les 100 % portent sur une seule tâche, et les tests d'inédit reposent sur des protocoles propres aux auteurs. La part du succès due au guidage humain, sur la tâche à 76 %, est significative. Ce travail s'inscrit dans la lignée des grands jeux de données de démonstrations et des politiques généralistes de type Pi-0 ou GR00T, qui ont surtout misé sur l'échelle et les instructions globales. La tendance actuelle va vers des architectures hiérarchiques, comme Helix chez Figure, où un niveau planifie et un autre exécute. FineART propose ici un équivalent ouvert, entraînable et reproductible, ce qui le distingue des systèmes propriétaires. La suite dépendra de la reprise du jeu de données par d'autres laboratoires, de validations sur davantage de plateformes et de tâches industrielles réelles, et d'une évaluation indépendante des résultats en zéro-shot.

Recherche⚡Actu

1 source

43

869arXiv cs.RO 

StructRL : apprentissage par renforcement structuré en ligne pour les tâches vision-langage-action à long horizon

Des chercheurs d'Amazon proposent StructRL, un cadre d'apprentissage par renforcement (RL) en ligne destiné à améliorer les modèles vision-langage-action (VLA) sur des tâches longues, c'est-à-dire celles qui exigent plusieurs manipulations dépendantes à partir d'une seule consigne. La méthode découpe chaque tâche en sous-tâches vérifiables. Elle n'accorde une récompense intermédiaire qu'une fois les sous-tâches prérequises accomplies, puis module cette récompense selon le rythme d'achèvement. Les tests portent sur deux bancs d'essai, RoboCasa365 et LIBERO-Long, avec deux modèles de base, GR00T-N1.5 de NVIDIA et pi 0.5 de Physical Intelligence. Selon les auteurs, StructRL dépasse de façon constante les méthodes de RL en ligne auxquelles il est comparé. Le résumé ne donne pas de taux de réussite chiffrés, et le code est publié sur le dépôt GitHub d'Amazon Science. Il s'agit d'un travail de recherche, sans produit ni déploiement associé. Ce résultat vise un point faible connu des VLA. Ces modèles fonctionnent correctement sur des manipulations courtes, mais leurs performances se dégradent quand les étapes s'enchaînent, car une erreur précoce compromet toute la suite. La plupart des approches de RL en ligne ne récompensent qu'à la réussite complète de la tâche. Ce signal est très rare et ne distingue pas un échec immédiat d'une séquence presque réussie. En structurant la supervision autour de sous-tâches dont l'accomplissement se vérifie, StructRL donne un gradient exploitable sans recourir à un modèle de récompense appris, plus fragile. Pour un intégrateur, l'enjeu est concret : les tâches utiles en cuisine, en logistique ou en assemblage sont presque toujours longues. Cela suggère aussi que le post-entraînement par RL, et pas seulement l'imitation, pourrait devenir l'étape qui fait passer un VLA de la démonstration à la fiabilité. Il faut toutefois rester prudent. Les évaluations se font en simulation, et le cadre suppose qu'on puisse définir et détecter automatiquement chaque sous-tâche. C'est simple dans un simulateur, beaucoup moins dans un atelier réel, où il faut des capteurs ou des vérificateurs fiables. Le passage au monde physique reste donc à démontrer. Le travail s'inscrit dans une tendance déjà visible : affiner des modèles généralistes comme GR00T ou la famille pi par RL, face à des approches concurrentes fondées sur des modèles de récompense appris ou sur des démonstrations supplémentaires. La suite logique sera de tester la méthode sur robot réel et sur d'autres architectures de VLA.

Recherche❖Paper

1 source

43

870arXiv cs.RO 

RoboCompiler : compilation native par graphes des robots à chaînes fermées pour une modélisation, un contrôle et une simulation cohérents

RoboCompiler, un framework publié sur arXiv (2609.35717, version 2), propose de compiler un graphe canonique de mécanisme en une interface mécanique partagée pour les robots à chaînes fermées. Le système part des corps, articulations, repères, inerties et ports d'actionneurs, puis construit les chemins de fermeture et les jacobiennes résiduelles analytiques. Il assemble ensuite les configurations admissibles par continuation et correction avec contrôle du rang. Un « relèvement tangent » convertit des vitesses indépendantes en mouvement du robot complet et des tâches. Des cartes appariées aux ports d'actionneurs préservent le travail virtuel. Une correction de courbure des contraintes étend la réduction aux accélérations et à la dynamique projetée de corps rigides, y compris les modes à base flottante et à appui. L'évaluation couvre une excavatrice industrielle, le Unitree Go2, le Franka Panda, Kangaroo et une plateforme de Stewart à six chaînes UPS. Sur Kangaroo, la compilation réduit de 96,7 % le temps d'évaluation des résidus et jacobiennes, et de 66,8 % le temps mural d'un rollout en boucle fermée, dynamique et commande étant maintenues identiques. L'enjeu est très concret pour quiconque intègre des robots à mécanismes parallèles ou à actionnement couplé. Ces architectures sont fréquentes en robotique humanoïde et à pattes (chevilles à bielles, genoux à quatre barres, actionneurs linéaires couplés), mais leurs modèles de configuration, de force et de dynamique sont souvent reconstruits séparément pour la commande et pour la simulation. Les écarts de fermeture ou d'actionnement qui en résultent alimentent le fossé sim-to-real et coûtent du temps d'ingénierie. Un modèle unique, dont le contrôleur et le simulateur héritent, réduit cette source d'incohérence. Les gains de 96,7 % et 66,8 % sont mesurés sur un seul robot, dans un cadre où le reste du pipeline est figé. Ils ne disent donc rien de la performance sur d'autres mécanismes ni sur matériel réel. Ce travail s'inscrit dans un problème ancien. Les logiciels de dynamique comme Pinocchio, utilisé ici comme référence indépendante, traitent surtout des arbres cinématiques, et les boucles fermées exigent des contraintes ajoutées à la main. Les validations combinent une dynamique contrainte haute précision, Pinocchio, MuJoCo et Isaac Sim/PhysX, ce qui montre une réutilisation du modèle sous contact natif dans plusieurs moteurs. Les résultats sont présentés en simulation et en calcul, sans déploiement industriel annoncé. Les prochaines étapes probables sont une diffusion en code ouvert, des essais sur robot physique et une intégration aux chaînes de commande des humanoïdes, où la concurrence se joue aussi sur la robustesse des modèles.

Recherche❖Paper

1 source

43

871arXiv cs.RO 

Plus rapide et meilleur ? Des bugs de benchmark et des limites de conception faussent l'évaluation de l'accélération des modèles vision-langage-action (VLA)

Une équipe de chercheurs a passé au crible sept benchmarks de manipulation simulée, dont RoboTwin, LIBERO-Plus et VLABench, utilisés pour évaluer les politiques vision-langage-action (VLA) et les méthodes qui réduisent leur latence d'inférence. Point de départ : plusieurs méthodes d'accélération « training-free », qui approximent le calcul de la politique de référence, affichaient des taux de succès supérieurs à ceux de la baseline elle-même. Les auteurs ont tracé les trajectoires d'objets face aux zones d'acceptation des checkers pour localiser les causes, et recensent 22 bugs, classés en trois familles (cohérence de la tâche, initialisation, reproductibilité), ainsi que 4 limitations de conception. Ils ont corrigé des checkers de succès trop permissifs, rectifié des masses d'objets irréalistes et ajouté un score sensible au mouvement, qui favorise les actions plus fluides. Les corrections peuvent inverser les classements : sur une tâche, la baseline passe de la dernière à la première place. Sur une autre, elle passe de 21 points de pourcentage derrière une méthode accélérée à 5 points devant. Les correctifs et les réglages révisés sont publiés. Ce travail touche à un point sensible pour quiconque prépare un déploiement de VLA sur robot réel. La latence d'inférence est un verrou majeur, et les méthodes d'accélération (élagage de tokens, mise en cache, approximations) sont souvent validées uniquement en simulation. Or un gain de vitesse accompagné d'un meilleur taux de succès est physiquement suspect : approximer le calcul devrait au mieux préserver la performance. Ici, ce « gain » provient d'artefacts, comme des critères de réussite trop lâches ou des objets trop légers, qui récompensent des mouvements brusques. Pour les intégrateurs et les décideurs, la leçon est claire : un taux de succès en simulation ne suffit pas à valider une optimisation. Il faut auditer le benchmark, examiner les trajectoires et, in fine, valider sur matériel. Ce constat alimente le débat sur l'écart entre résultats de démonstration et performance réelle, et sur la fiabilité des classements publiés. Ces benchmarks sont devenus la monnaie commune de la recherche sur les VLA, de sorte que leurs défauts se propagent aux comparaisons entre méthodes et aux revendications des laboratoires et des éditeurs de modèles. L'article n'identifie pas de modèle ou d'entreprise particulière comme fautif. Il s'agit d'une étude académique, publiée sur arXiv en préprint, sans relecture par les pairs à ce stade. Il ne s'agit ni d'un produit ni d'un déploiement, mais d'un outil de méthode. La suite dépendra de l'adoption des correctifs par les mainteneurs des benchmarks et par la communauté. On peut aussi s'attendre à ce que des évaluations en conditions réelles, plus coûteuses mais moins sujettes à ces biais, deviennent un complément attendu des résultats en simulation.

Recherche❖Paper

1 source

43

872arXiv cs.RO 

ComManip : surajuster les politiques de manipulation aux zones confortables

Des chercheurs proposent ComManip, une méthode d'apprentissage pour la manipulation robotique qui prend le contre-pied de la stratégie dominante de collecte de données. Au lieu de multiplier les positions d'objets, les points de vue et les configurations du robot pendant les démonstrations, l'approche concentre l'apprentissage sur une « région de manipulation confortable », c'est-à-dire une zone compacte, stable visuellement et cinématiquement. À l'inférence, le robot mobile déplace sa base jusqu'à ce que le centre de la cible détectée entre dans la plage d'image observée dans les démonstrations, puis exécute la même politique de manipulation. Les auteurs ont testé la méthode sur plusieurs tâches et budgets de démonstrations, avec cinq familles de politiques : ACT, π0.5, RDT, OpenVLA-OFT et SmolVLA. Dans de grands espaces de travail et avec peu de démonstrations, le taux de réussite gagne environ 20 points de pourcentage ou plus selon les architectures. Il s'agit de résultats de laboratoire publiés sur arXiv (v1), sans déploiement industriel annoncé. Ce travail remet en cause une hypothèse répandue : pour généraliser, il faudrait de la diversité visuelle à tout prix. Sous budget de démonstrations limité, cette diversité force la politique à modéliser des observations très variées avec trop peu de supervision par situation locale, donc à apprendre de moins bonnes correspondances observation-action. Les auteurs constatent que des politiques entraînées dans une zone stable réussissent mieux que celles entraînées sur des conditions variées. Pour les intégrateurs et les responsables de sites, l'enseignement est pratique : une partie de la généralisation peut être déléguée à la navigation de la base mobile plutôt qu'à la politique elle-même. Cela réduit le coût de collecte de données par tâche, qui reste le principal frein au passage à l'échelle des politiques apprises. Le gain est mesuré sur des politiques très différentes, ce qui suggère un effet lié à la stratégie de données plutôt qu'à un modèle particulier. Il faut toutefois rester prudent : le résumé ne précise ni les tâches, ni le nombre de démonstrations, ni les valeurs absolues de succès, et rien n'indique de validation en environnement non contrôlé. La méthode s'inscrit dans la course aux modèles VLA (vision-langage-action) généralistes, où π0.5, OpenVLA-OFT, RDT et SmolVLA sont souvent entraînés sur des jeux de données larges et hétérogènes, tandis qu'ACT reste une référence économe en données. ComManip adopte la logique inverse : spécialiser plutôt que généraliser, puis compenser par un recentrage de la base mobile. Ses limites probables sont la dépendance à un détecteur de cible fiable, la nécessité de pouvoir repositionner la base sans obstacle, et le temps ajouté par ces déplacements, que le résumé ne chiffre pas. La suite logique serait des tests sur robots mobiles manipulateurs réels, avec des scènes encombrées et des cibles multiples, et une comparaison à budget de données égal avec les approches de diversité à grande échelle.

Recherche❖Paper

1 source

43

873arXiv cs.RO 

EVO-WAM : faire évoluer les modèles d'action du monde grâce à la vérification vidéo-action

Des chercheurs proposent EVO-WAM, un cadre d'adaptation de « world action models » (WAM) à des tâches inédites, sans nouvelle démonstration d'expert et sans exécuter les actions candidates dans un environnement externe. Un WAM exploite des priors vidéo à grande échelle pour prédire conjointement les vidéos futures et les actions. Le système repose sur trois briques. D'abord, l'entraînement du WAM est enrichi d'une prédiction d'état et d'un contexte multi-images ancré, ce qui permet des déroulés autorégressifs complets sans retour d'exécution. Ensuite, un modèle vision-langage sélectionne les préfixes de trajectoires où la tâche est accomplie, puis un modèle de dynamique inverse vérifie la cohérence entre vidéo et actions. Enfin, le WAM est réentraîné de façon itérative sur ces préfixes vérifiés, et de nouveaux déroulés sont générés avec le modèle mis à jour. Sur sept tâches inédites de RoboTwin 2.0, le taux de succès moyen de Cosmos3 passe de 26,9 % à 68,0 % (environ 2,5 fois), et celui de DreamZero de 28,5 % à 46,4 % (environ 1,6 fois). Sur trois tâches composites à long horizon en conditions réelles, Cosmos3 passe de 20,0 % à 76,7 %, soit un gain de 56,7 points. L'enjeu porte sur le goulot d'étranglement des démonstrations. Collecter des données d'experts par téléopération reste la principale dépense pour déployer une politique sur une nouvelle tâche. Ici, le modèle génère lui-même sa supervision, filtrée par deux vérificateurs indépendants. Le filtre par dynamique inverse cible un mode d'échec connu des WAM : une vidéo qui semble réussie peut être associée à des actions incompatibles avec elle, ce qui produit un échec à l'exécution. Le résultat suggère que l'auto-amélioration sans interaction avec l'environnement devient praticable pour ces modèles, ce qui réduirait le coût d'adaptation par tâche pour les intégrateurs. Il faut toutefois nuancer. Les gains simulés sont mesurés sur sept tâches. Le test réel ne compte que trois tâches, et le papier ne détaille pas ici le nombre d'essais, ce qui rend l'écart de 56,7 points sensible au bruit statistique. Le point de départ de 20 % en réel est aussi bas. Le papier est un preprint arXiv, non évalué par les pairs, sans déploiement industriel. Ce travail s'inscrit dans la montée des modèles monde et des politiques vision-langage-action (VLA). Ces derniers prédisent des actions directement, tandis que les WAM ajoutent une prédiction vidéo issue de modèles génératifs pré-entraînés. Cosmos3 et DreamZero servent ici de bases, et la méthode s'applique donc à plusieurs architectures. Les approches concurrentes d'amélioration sans démonstration reposent surtout sur l'apprentissage par renforcement en environnement réel ou simulé, plus coûteux en temps robot ou en fidélité de simulation. Le benchmark RoboTwin 2.0, en simulation bimanuelle, sert de référence commune. Les prochaines étapes probables sont des tests sur davantage de tâches réelles, des embodiments variés et des vérificateurs plus fiables, car la qualité du modèle vision-langage et du modèle de dynamique inverse borne ce que la boucle peut apprendre. Une page projet est disponible, mais aucun calendrier de produit n'est annoncé.

Recherche❖Paper

1 source

42

874arXiv cs.RO 

Adaptation au moment du test des politiques de manipulation face à la dégradation des actionneurs

Des chercheurs proposent TeAR (Telemetry-Aware Action Rectification), une méthode publiée sur arXiv qui corrige à la volée les actions d'une politique de manipulation robotique lorsque les actionneurs se dégradent. Le principe est de ne pas toucher à la politique, qui reste gelée, mais d'intercaler entre elle et le contrôleur bas niveau un petit Transformer léger. Celui-ci reçoit l'action proposée et la télémétrie embarquée (température des articulations, courant moteur, tension d'alimentation), puis amplifie, amortit ou décale chaque composante de l'action. L'évaluation couvre 18 paires politique-tâche, réparties sur 8 familles de politiques et 5 tâches de manipulation. Dans un test apparié où le modèle de dégradation utilisé à l'entraînement ne correspond pas à la réalité, TeAR atteint 31,8 % de réussite, contre 25,6 % pour la politique de base et 30,6 % pour un inverse fondé sur un modèle supposé. Sur un bras physique, le gain atteint 10 à 15 % en situation d'échauffement, sans réglage fin sur le robot. L'intérêt tient à un problème que les démonstrations de laboratoire masquent : les politiques sont entraînées en supposant qu'une commande produit toujours le même mouvement. Or sur du matériel réel, après des heures de service, les moteurs chauffent, le courant sature près du contact et la tension chute sous charge. La même action donne alors un mouvement plus faible, retardé ou bruité. Pour un intégrateur ou un exploitant de site, c'est une source de dérive de performance très concrète, qui se traduit par des taux de réussite en baisse au fil des postes. La méthode est indépendante de la politique, donc applicable à des VLA ou à des politiques de diffusion déjà déployées sans les réentraîner. Elle exploite un signal déjà disponible, aujourd'hui surtout utilisé pour la journalisation et la sécurité. Il faut toutefois relativiser les ordres de grandeur. Le gain de 6 points dans le test avec écart de modèle reste modeste, et la validation physique porte sur un seul bras, avec un gain annoncé sous forme de fourchette et sans détail sur les tâches ni le nombre d'essais. Ce travail s'inscrit dans le champ de l'adaptation au moment du test et de la robustesse sim-to-real, où l'on traite habituellement le décalage visuel ou dynamique par la randomisation de domaine ou l'identification de système. TeAR déplace la question vers l'usure et l'échauffement, qui sont des enjeux de fiabilité longue durée pour les humanoïdes et les bras collaboratifs en production continue. Aucun pilote industriel ni calendrier n'est annoncé. Il s'agit d'un préprint non évalué par des pairs, et les prochaines étapes logiques seraient des tests sur des plateformes variées, avec des cycles de fonctionnement longs et des dégradations réelles plutôt que simulées.

Recherche❖Paper

1 source

42

875arXiv cs.RO 

CoRe-VLA : préserver la coordination entre vues dans les modèles VLA lors de changements de caméra

Des chercheurs proposent CoRe-VLA (arXiv 2609.37150), un cadre logiciel « plug-and-play » qui vise à corriger l'une des fragilités les mieux documentées des modèles vision-langage-action (VLA) : la chute de performance quand la caméra externe change de position. Le système reconstruit un nuage de points de la scène, puis re-rend l'observation depuis le point de vue utilisé à l'entraînement du VLA. Deux briques complètent le dispositif. Render-to-Camera (R2C) Restoration réduit les dégradations visuelles introduites par le rendu. Execution-Trajectory-Conditioned Alignment (ETCA) limite le temps d'inactivité du robot et les conflits de mouvement pendant l'exécution asynchrone. Les tests portent sur 5 tâches sur robot réel, ainsi que sur les benchmarks LIBERO-100 et LIBERO-Plus. Le résultat le plus cité : le taux de réussite de PI0.5 passe de 13,3 % à 83,3 % pour un décalage de caméra de 1,6 m en environnement réel. Les auteurs annoncent des gains substantiels sur plusieurs VLA courants. L'intérêt tient à la méthode autant qu'au chiffre. Les approches existantes exigent de collecter des observations appariées de la même scène sous plusieurs angles, puis de fine-tuner le VLA ou d'entraîner un module d'adaptation visuelle. CoRe-VLA n'exige ni nouvelles données multi-vues ni ré-entraînement, et peut se greffer sur des modèles déjà en place. Pour un intégrateur, c'est un point sensible : dans une cellule réelle, une caméra se déplace après une maintenance, un choc ou une reconfiguration de poste. La fragilité aux changements de caméra est donc un frein direct au déploiement fiable. L'analyse des auteurs est également instructive. Ils décrivent une « rupture de coordination inter-vues » : privé de vue globale exploitable, le robot s'appuie trop sur la caméra poignet et exécute les sous-tâches dans le mauvais ordre. Cela suggère que la robustesse des VLA dépend moins de la perception brute que de l'équilibre entre vues. Il faut toutefois rester prudent : il s'agit d'un preprint, sans relecture par les pairs, sur seulement 5 tâches réelles, et le chiffre phare correspond à un scénario précis. Ce travail s'inscrit dans le constat, répété par plusieurs études, que les VLA, devenus le paradigme dominant en intelligence incarnée, sont sensibles aux perturbations de point de vue. LIBERO-Plus a justement été conçu pour mesurer ce type de robustesse. Les solutions concurrentes reposent sur des données supplémentaires ou du fine-tuning, avec les coûts que cela implique. Le cadre reste à éprouver : la reconstruction de nuage de points ajoute une chaîne de calcul, et sa latence, son comportement en scène dynamique ou très encombrée et sa portabilité vers d'autres VLA devront être vérifiés. Le texte ne mentionne ni code publié, ni pilote industriel, ni calendrier de déploiement.

Recherche❖Paper

1 source

42

876arXiv cs.RO 

Ne jetez pas la queue : recycler les actions pour accélérer la politique

Des chercheurs proposent Action Upcycling, un algorithme sans entraînement qui réutilise les actions qu'une politique robotique de type « action chunking » jette d'ordinaire avant de replanifier. Les politiques modernes prédisent un bloc d'actions futures à partir d'une seule observation, n'en exécutent que le début (le préfixe) et écartent le reste. La longueur de ce préfixe, l'horizon d'exécution, oblige à arbitrer entre réactivité et efficacité. Un horizon court garde le robot réactif mais impose des appels fréquents à la politique. Selon les auteurs, Action Upcycling réduit ces appels d'un facteur 1,2 à 1,7 sans perte de taux de réussite. Les tests couvrent des tâches de manipulation simulées et réelles, plusieurs modèles Vision-Language-Action (VLA) et un World Action Model (WAM). Le travail est publié sur arXiv (2609.34911v2). L'abrégé ne précise ni les noms des modèles testés, ni les robots, ni les tâches. Le principe repose sur une observation : les actions écartées restent proches de leurs versions replanifiées tant que la vitesse de l'action évolue de façon lisse. L'algorithme allonge donc l'horizon d'exécution jusqu'au point où la vitesse commence à fluctuer. Il n'accède pas aux mécanismes internes du modèle et ne tire aucun échantillon supplémentaire. Les méthodes concurrentes de sélection adaptative de l'horizon en ont besoin : soit elles lisent des signaux internes, à choisir pour chaque architecture, soit elles multiplient les échantillons et donc le coût de calcul. Pour un intégrateur, l'intérêt est pratique. Le gain s'applique à toute politique à blocs d'actions, pour un surcoût négligeable, et se cumule avec d'autres accélérations comme l'échantillonnage en peu d'étapes ou le décodage d'actions en flux continu. Moins d'appels à un grand modèle signifie moins de latence, moins de charge GPU embarquée ou distante, et des mouvements potentiellement plus fluides sur le robot. Il faut lire ces résultats avec prudence. Le gain est mesuré en nombre d'appels à la politique, pas en temps de cycle ni en débit de production. L'absence de perte de succès est annoncée sur des benchmarks dont l'abrégé ne donne pas le détail. Le critère de lissage de la vitesse suppose aussi que les fluctuations signalent un besoin de replanification. Cela pourrait ne pas tenir dans des scènes très dynamiques ou avec des contacts brusques. Ce travail s'inscrit dans la course à l'inférence rapide pour les VLA de la famille Pi-0 ou GR00T, où l'action chunking est devenu standard. La latence de ces modèles pèse sur les déploiements réels, et plusieurs équipes explorent la distillation, le flow matching en peu d'étapes ou le streaming d'actions. Action Upcycling ouvre un axe complémentaire, celui de l'horizon d'exécution. La validation sur robots réels et sur des politiques industrielles, ainsi que l'éventuelle publication du code, diront si la méthode dépasse le stade académique.

Recherche❖Paper

1 source

42

877arXiv cs.RO 

Spotter : le modèle incarné mène, le VLM réfléchit pour lui

Des chercheurs proposent Spotter, un cadre logiciel qui donne à un modèle incarné (une politique VLA pilotant un robot) la capacité de corriger ses propres échecs grâce à un modèle vision-langage (VLM) qui tourne en parallèle. Les auteurs ont d'abord testé si les modèles actuels savent réparer une erreur connue. Arrêtés au moment d'un échec et autorisés à réessayer, ils y parviennent rarement, que ce soit par leur aléa interne ou à partir d'une description textuelle de l'erreur. La sélection « best-of-N » ne permet pas non plus d'identifier la bonne tentative après un échec. Avec GPT comme VLM, Spotter améliore Cosmos Policy de 5,6 points et π0.5 de 7,5 points sur le benchmark RoboCasa. Sur la configuration Hard de RoboTwin 2.0, π0.5 passe de 47,2 % à 57,0 %. Sur un robot réel, le taux de réussite grimpe de 53 % à 83 %. Le système a aussi été testé avec Qwen, avec des gains similaires selon les auteurs. Le code est publié sur GitHub. L'intérêt tient à l'architecture. Les approches existantes confient au VLM la planification de chaque étape, le modèle incarné n'étant qu'un outil appelé à la demande. Le VLM se retrouve alors sur le chemin critique, ce qui ajoute de la latence à chaque action. Spotter inverse les rôles : la politique motrice s'exécute en continu, un filtre local léger surveille le déroulement, et le VLM n'intervient que lorsqu'une erreur est détectée. Il l'analyse, propose une correction, puis rend la main. Avec Qwen, un épisode réussi n'est ralenti que de 13 à 16 secondes par rapport à la politique seule, et dddure environ 70 % de moins qu'avec une base de référence pilotée par le VLM, à modèle identique. Pour un intégrateur, c'est un argument concret : la robustesse par raisonnement de haut niveau devient compatible avec des contraintes de temps de cycle. Les résultats contredisent aussi l'idée que l'aléa ou le simple retour textuel suffisent à récupérer d'un échec. Le contexte est celui de politiques comme π0.5 (Physical Intelligence) ou Cosmos Policy (NVIDIA), entraînées presque uniquement sur des démonstrations réussies. Les auteurs y voient la cause de leur incapacité à se corriger : elles n'ont jamais vu d'échec, et leurs entrées sont trop étroites pour montrer ce qui a mal tourné. Des précautions s'imposent. Il s'agit d'un préprint (arXiv, v1), non relu par des pairs. Les gains les plus nets viennent de GPT, un modèle propriétaire, ce qui soulève des questions de coût et de dépendance au cloud. Le résultat sur robot réel, plus marqué que ceux des simulations, ne précise pas dans le résumé le nombre d'essais ni les tâches. Les suites logiques sont des validations sur davantage de tâches et de plateformes, et une intégration dans les piles VLA industrielles. Aucun acteur français ou européen n'est mentionné dans ce travail.

Recherche❖Paper

1 source

42

878arXiv cs.RO 

Politiques de flux réactives en temps réel par alignement asynchrone des distributions

Des chercheurs publient sur arXiv (préprint 2609.36540) une méthode pour rendre réactives les politiques robotiques généralistes de type vision-langage-action (VLA) exécutées en mode asynchrone. Cette exécution consiste à prédire le prochain segment d'actions (action chunk) pendant que le robot termine le précédent, ce qui supprime les pauses dues à la latence d'inférence. Les auteurs montrent que, pour des démonstrations non markoviennes, cette approche ne reproduit pas la distribution d'actions du VLA d'origine, ce qui limite la réactivité de la politique. Leur correctif repose sur deux mécanismes. Le premier, Recursive Flow-Field Distillation, entraîne la politique asynchrone à partir du champ de flux de génération d'actions du VLA. Le second, Propose-Resolve, prépare plusieurs séquences d'actions en avance, puis choisit entre elles avec la dernière observation, grâce à une approximation légère de leur vraisemblance sous la distribution du VLA. Sur LIBERO, la méthode égale le taux de succès du VLA original. Sur RoboMimic, elle en conserve environ 80 %, soit près de 30 points de pourcentage de plus que les méthodes asynchrones existantes. L'enjeu est très concret pour quiconque déploie des VLA sur du matériel réel. Ces modèles sont lourds, et l'asynchronie est aujourd'hui le moyen courant de tenir une boucle de contrôle fluide. Ce travail indique qu'elle a un coût caché : la politique exécutée n'est plus celle qui a été entraînée, et elle perd la capacité de couvrir toute la palette de comportements du modèle. Un gain de latence peut donc masquer une dégradation de la réactivité, que les benchmarks classiques mesurent mal. Pour un intégrateur, cela plaide pour évaluer les politiques dans leur configuration d'exécution réelle et pas seulement en mode synchrone. Le contexte est celui des VLA à génération par flux, dont Pi-0 est l'exemple le mieux connu. Ils produisent des segments d'actions coûteux à calculer, et plusieurs travaux ont cherché à masquer cette latence par des exécutions asynchrones ou par un lissage entre segments. Cette étude s'en distingue en caractérisant théoriquement la distribution apprise, mais les résultats présentés ici restent limités à deux benchmarks de simulation. Le résumé ne mentionne ni validation sur robot physique, ni mesure de temps de cycle, ni expérience sur des tâches industrielles. Il s'agit d'un préprint sans relecture par les pairs. La suite logique sera de tester la méthode sur des VLA plus grands et sur des tâches dynamiques réelles, où la réactivité compte le plus.

Recherche❖Paper

1 source

42

879arXiv cs.RO 

Curricula de sécurité prédictifs pour une locomotion à pattes robuste

Des chercheurs proposent les Predictive Safety Curricula (PSC), un cadre d'entraînement pour les politiques de locomotion de robots à pattes, décrit dans un preprint arXiv (2609.37070v1) qui n'a pas encore été évalué par des pairs. Le système entraîne un critique de sécurité distributionnel à partir des rollouts de la politique. Ce critique prédit le coût de sécurité futur. Ces prédictions servent à prioriser deux éléments : les contextes de terrain et les événements aléatoires déjà rencontrés pendant l'entraînement. La récompense de la tâche et la fonction de perte d'optimisation de la politique restent inchangées, et seule la distribution des données d'entraînement est modifiée. Les auteurs comparent PSC à la progression standard de terrain, au replay basé sur l'avantage et aux curricula fondés sur le learning progress. Les tests couvrent de la locomotion en terrain accidenté contrôlé et deux piles de locomotion de production. Sur le robot ANYmal-D, PSC réduit de 63 % l'incidence des collisions de tibia par rapport au curriculum learning-progress, sur trois seeds d'entraînement appariées, avec une baisse dans chacune. Sur une plateforme de montée d'escaliers de production, non nommée dans le résumé, les auteurs n'observent aucune collision de tibia lors des essais matériels évalués. Le résultat s'attaque à un écart bien connu des intégrateurs : une politique apprise peut afficher de bonnes performances moyennes tout en gardant des défaillances rares mais coûteuses, comme un choc ou une chute. Les curricula usuels ajustent la difficulté de la tâche, sans cibler la distribution des expériences critiques pour la sécurité. Un allocateur d'expérience qui n'exige ni nouvelle récompense ni modification de l'algorithme d'optimisation est facile à intégrer dans une chaîne d'entraînement existante. C'est un argument pour les équipes qui visent la fiabilité en exploitation plutôt que la démonstration. Le transfert vers deux piles de production distinctes suggère que le principe n'est pas lié à un seul contrôleur. Les gains sont les plus marqués sur terrain difficile et avec des observations dégradées, ce qui correspond aux conditions de chantier ou d'inspection industrielle. Il faut toutefois relativiser. Le résumé ne donne ni taux absolus de collision, ni nombre d'essais matériels, ni intervalles de confiance. Trois seeds et des essais matériels en nombre non précisé donnent une puissance statistique limitée. La mention « aucune collision observée » sur la plateforme d'escaliers ne prouve pas l'absence de risque. Le travail s'inscrit dans la lignée de l'apprentissage par renforcement sim-to-real sur ANYmal, du ccadre de l'apprentissage sûr par critique distributionnel et des curricula automatiques. Il reste à voir si les résultats se reproduisent sur d'autres morphologies, dont les humanoïdes, et si le coût de calcul du critique reste raisonnable à grande échelle.

Recherche❖Paper

1 source

41

880arXiv cs.RO 

EquivDP3 : un encodeur de nuages de points invariant SIM(3) pour la loco-manipulation humanoïde à faible besoin de données

Des chercheurs proposent EquivDP3, une politique visuomotrice hiérarchique pour la loco-manipulation du humanoïde Unitree G1 (43 articulations), décrite dans un preprint arXiv (2609.36575v1). Le système est en deux étages. Un planificateur de haut niveau, basé sur une diffusion, utilise un encodeur de nuages de points équivariant SIM(3) de type Vector Neuron Network (VNN). Il émet des blocs de commandes corps entier à 6 Hz. Ces commandes sont exécutées à 50 Hz par une politique de locomotion pré-entraînée par apprentissage par renforcement, gelée, et par un module de cinématique inverse différentielle pour les bras. L'ensemble est entraîné de bout en bout par clonage comportemental. SIM(3) désigne le groupe des rotations, translations et changements d'échelle. Les tests couvrent deux benchmarks simulés sous IsaacLab et quatre références non équivariantes, avec 5 à 100 démonstrations, en distribution et hors distribution. Avec 5 à 10 démonstrations, EquivDP3 atteint 67,1 % de succès, contre 38,2 à 52,4 % pour les références. À 50-100 démonstrations, tous les encodeurs convergent (74,3 à 85,2 %). Le surcoût est de 0,8 ms par bloc d'actions par rapport à l'encodeur PointNet remplacé. L'intérêt tient à la rareté des données. Collecter des démonstrations de loco-manipulation humanoïde par téléopération coûte cher, et un gain de robustesse avec 5 à 10 exemples est un levier concret pour les équipes qui déploient des humanoïdes sur des tâches variables. Les auteurs ajoutent un contrôle utile : en retirant le nuage de points, le succès tombe à 31 % contre 60 % pour EquivDP3 avec 5 démonstrations, et à 78 % contre 99 % avec 10. L'écart est donc bien d'origine perceptive et ne vient pas de la seule proprioception. Le plateau à forte quantité de données traduit selon eux un plafond du benchmark, pas cinq encodeurs qui apprendraient la même invariance. Il faut donc relativiser : les résultats sont uniquement simulés, aucun test sur robot réel n'est rapporté, et l'ordre des méthodes n'a plus de sens au-delà de 50 démonstrations. Le résultat suggère toutefois que injecter la symétrie géométrique dans le backbone de perception est presque gratuit en calcul. Ce travail prolonge deux lignes existantes. 3D Diffusion Policy (DP3) conditionne un générateur d'actions par diffusion sur des caractéristiques de nuages de points, mais son encodeur de type PointNet n'a pas d'équivariance intégrée aux transformations SIM(3). EquiBot avait comblé cette lacune avec un encodeur VNN équivariant, mais seulement pour des manipulateurs mobiles à roues. EquivDP3 transpose l'approche à un humanoïde bien plus complexe, en s'appuyant sur une architecture hiérarchique qui sépare planification lente et contrôle rapide. Les prochaines étapes évidentes sont le transfert sim-to-real sur un G1 physique, des benchmarks moins saturés et une comparaison avec les politiques VLA généralistes, qui misent sur l'échelle des données plutôt que sur les priors géométriques.

Recherche❖Paper

1 source

41

881arXiv cs.RO 

RoboChrono : un banc d'essai sur robot réel pour la compréhension de tâches en flux continu

Des chercheurs publient sur arXiv RoboChrono, un benchmark qui mesure la compréhension de tâches en flux continu (streaming) pendant la manipulation robotique. Il compte 39 scénarios et 34 713 instances d'évaluation, tirées d'exécutions sur robot réel et complétées par des enregistrements de mains humaines nues. Sept tâches sont réparties en trois familles : reconnaissance, alignement et ancrage temporel. Elles couvrent la compréhension et l'anticipation d'actions, la correspondance visuelle, l'ordonnancement temporel et la localisation d'actions. Dix-huit modèles vision-langage ont été évalués en zero-shot. GPT-6-Astra atteint 98,3 % de précision sur l'appariement d'images (Frame Matching), mais seulement 68,3 % sur leur mise en ordre chronologique (Frame Ordering). RynnBrain1.1-122B-A10B montre un écart plus net encore : 95,4 % contre 32,9 %. L'intérêt tient à ce que l'étude dissocie des capacités que les scores agrégés confondent. Une ablation sur cinq modèles open-weight montre que retirer les observations visuelles fait chuter la reconnaissance de l'action en cours de 22,1 points, mais la prédiction de l'action suivante de seulement 0,7 point. Une bonne anticipation peut donc venir de priors sur la tâche et les gestes typiques plutôt que d'une lecture de la scène. Pour un intégrateur ou un responsable industriel, un modèle qui reconnaît bien les images n'est pas forcément fiable pour suivre l'avancement d'une tâche, détecter un échec ou décider d'une reprise. Ces usages exigent une vraie logique temporelle. Le contexte est celui des modèles VLA (Pi-0, GR00T, Helix), qui reposent sur des backbones vision-langage évalués surtout par des taux de réussite de tâche ou des questions-réponses statiques. RoboChrono est un outil de diagnostic : il ne s'agit ni d'un produit ni d'un déploiement, et l'évaluation n'est pas en boucle fermée sur robot. Le résumé ne cite aucun acteur français ou européen, ni de plateforme robotique précise. La suite logique serait de tester des modèles affinés sur des données temporelles robotiques, puis de vérifier si ces écarts se retrouvent dans le succès réel des tâches.

Recherche❖Paper

1 source

41

882arXiv cs.RO 

Évitement réactif d'obstacles sans apprentissage préalable pour les politiques génératives de robots

Des chercheurs proposent NUDGE (Nudge Update via Differentiable GEometry), une méthode d'évitement d'obstacles qui ne demande aucun réentraînement. Elle s'ajoute à toute politique robotique générative fondée sur la diffusion ou le flow matching, y compris les diffusion policies et les modèles vision-langage-action (VLA). À l'inférence, elle injecte dans la politique les gradients d'un champ de distance signée (SDF), une fonction qui donne la distance de chaque point à l'obstacle le plus proche, pour écarter la trajectoire générée des obstacles. Elle accepte les paramétrisations d'action usuelles (poses articulaires absolues ou relatives, poses de l'effecteur) grâce à un décodeur de trajectoire articulaire différentiable. Les auteurs affirment que la distribution de tâche de la politique est préservée et que le calcul tourne en temps réel. Il s'agit d'un preprint arXiv (version 2), et le résumé ne donne ni taux de succès, ni temps de calcul, ni liste de robots testés. Le point important est que l'évitement d'obstacles n'exige plus de redémonstrations ni de fine-tuning. Les politiques imitées sont bonnes sur la tâche mais mal armées face à un objet imprévu, surtout dans une cellule partagée avec des opérateurs. Si le procédé tient hors laboratoire, un intégrateur pourrait ajouter une couche de sécurité géométrique à une politique existante sans toucher à ses poids. Reste à vérifier la robustesse face aux obstacles dynamiques, la qualité du SDF fourni par la perception, et le compromis entre évitement et réussite de la tâche. Cette approche prolonge les techniques de guidage par gradient issues des modèles de diffusion, appliquées à un domaine où les VLA à flow matching, comme Pi-0, se multiplient sans garantie de collision. Elle concurrence les filtres de sécurité et les planificateurs de mouvement classiques, plus prévisibles mais moins intégrés à la politique. Aucune démonstration industrielle ni calendrier n'est annoncé.

Recherche❖Paper

1 source

41

883arXiv cs.RO 

OTRetarget : retargeting conjoint du mouvement du robot et de l'objet par transport optimal

Des chercheurs publient sur arXiv (2609.36602) OTRetarget, une méthode qui transfère des démonstrations humaines vers un humanoïde en retargetant conjointement le mouvement du robot et celui des objets manipulés. Elle représente les interactions de surface par trois quantités : distances signées, points les plus proches sur la surface et directions relatives. Un transport optimal entropique projette ces grandeurs entre les géométries de l'humain, du robot et des objets. Les cibles obtenues alimentent une cinématique inverse sous contraintes, qui arbitre à chaque frame entre préservation des contacts et style du mouvement, en optimisant simultanément les poses du robot et des objets. Sur le jeu de données OMOMO, les auteurs annoncent un score de Jaccard d'interaction robot-objet de 87 % et une erreur de profondeur de 8,7 mm, contre 28 % et 29,3 mm pour OmniRetarget. La validation physique porte sur un humanoïde Unitree G1, avec des politiques corps entier entraînées par apprentissage par renforcement sur les références retargetées. Les mouvements testés incluent la dépose à deux mains d'une boîte sur une table. Le retargeting est un goulot d'étranglement peu visible de la chaîne qui va de la capture humaine aux politiques de loco-manipulation. Quand les proportions du robot diffèrent de celles de l'opérateur, les contacts avec le sol et les objets dérivent, et les politiques apprennent alors sur des références physiquement incohérentes. La plupart des approches figent la trajectoire de l'objet ou remettent à l'échelle la scène et la démonstration. OTRetarget laisse l'objet libre de s'adapter à la morphologie du robot, sans changer l'échelle de la scène. Le gain annoncé face à OmniRetarget est important, mais il vient d'un benchmark sur données de capture, avec une métrique de contact définie par les auteurs. Il ne dit pas encore quel taux de réussite on obtiendrait sur des tâches longues ou contraintes en cadence. La démonstration matérielle se limite à un G1 de petite taille et à des tâches simples. Aucun temps de cycle, aucune charge utile ni aucun taux d'échec n'est mentionné dans le résumé. Ces travaux s'inscrivent dans la vague de pipelines « humain vers humanoïde » qui cherchent à produire des données d'entraînement à grande échelle sans téléopération coûteuse. OmniRetarget en est la référence directe, et OTRetarget se positionne explicitement contre lui. Le G1 est devenu la plateforme de recherche par défaut, car elle est abordable et largement répandue dans les laboratoires. Les VLA généralistes comme Pi-0, GR00T N2 ou Helix ont besoin de données cohérentes en contacts, ce qui donne à cette brique un intérêt direct. Les prochaines étapes à surveiller sont la diffusion du code, la validation sur des humanoïdes plus grands et sur des objets déformables ou articulés, ainsi qu'une évaluation sur des scènes multi-objets plus encombrées.

Recherche❖Paper

1 source

40

884arXiv cs.RO 

TaRL : apprendre des récompenses générales et physiques à partir de démonstrations tactiles

Des chercheurs de l'équipe EmbodiedAI de la NTU (Nanyang Technological University) proposent TaRL (Tactile Reward Learning), un cadre qui apprend des fonctions de récompense à partir de démonstrations tactiles, pour l'apprentissage par renforcement (RL) de tâches de manipulation riches en contacts. Le système prend en entrée une séquence de cartes de déformation tactile et régresse un indice d'avancement de la tâche, en s'entraînant à la fois sur des démonstrations réussies et sur des échecs. Il a été évalué sur quatre tâches en simulation et deux en conditions réelles. Utilisé comme récompense de guidage (reward shaping), il améliore l'efficacité d'échantillonnage et le taux de succès final : sur l'enfilage d'écrou (nut threading), le succès passe de 34 % à 56 % en simulation, et sur le ramassage d'un cube, de 37 % à 97 % sur robot réel. Combiner récompenses tactiles et visuelles améliore encore les résultats. Un modèle entraîné sur le placement de boîtes a aussi été déployé directement sur le placement de canettes, avec un gain notable sur l'apprentissage de cette nouvelle tâche. L'intérêt tient à un verrou bien connu du RL : les récompenses éparses ralentissent l'apprentissage, et les récompenses denses sont difficiles à spécifier à la main. Les approches par récompense visuelle, apprises à partir de démonstrations sans actions, contournent le problème, mais elles ne voient que les objectifs visibles. Or beaucoup de tâches de manipulation dépendent de ce que la caméra ne capte pas : fermeté d'une prise, direction et intensité des forces appliquées. Le signal tactile décrit l'interaction locale entre robot et objet, ce qui le rend aussi robuste aux changements de disposition de la scène, comme la position de l'objet. Pour les intégrateurs, c'est une piste pour réduire l'ingénierie de récompenses sur des tâches d'assemblage ou d'insertion. Le saut de 37 % à 97 % est frappant, mais il porte sur une tâche simple, un seul cube, et ne dit rien de la tenue sur des pièces industrielles variées. Les résultats restent ceux d'un article préprint, sans validation indépendante ni test en cadence de production. Ce travail s'inscrit dans la montée des capteurs tactiles à base de déformation (type GelSight) et de l'apprentissage de récompenses à partir de vidéos, où la vision domine encore. Il complète les politiques vision-langage-action (VLA), majoritairement visuelles, qui peinent sur les tâches où la force compte. Le gain en généralisation d'un objet à l'autre reste à confirmer sur des catégories plus éloignées. Les prochaines étapes probables sont des tâches à plus fort contact, des capteurs différents et une intégration avec des modèles de fondation. Le code et la page projet sont annoncés, ce qui permettra à d'autres laboratoires de reproduire les chiffres.

Recherche❖Paper

1 source

40

885arXiv cs.RO 

MotorMind : structurer des modèles vision-langage généralistes pour la manipulation robotique sans apprentissage préalable

Des chercheurs présentent MotorMind, un « harness » de manipulation robotique (arXiv 2609.38078, première version) qui permet à un modèle vision-langage (VLM) généraliste de piloter directement un bras, sans entraînement spécifique à la tâche. Le système ne recourt ni à un expert d'actions appris, ni à un agent de codage, ni à un outil de grounding comme SAM3. Le VLM propose des actions de niveau intermédiaire, exécutées par un contrôle robotique déterministe qui renvoie un retour d'exécution. Un suivi asynchrone et des mises à jour de mémoire en arrière-plan complètent l'ensemble. Sur la suite LIBERO-PRO de base, MotorMind atteint 66,7 % de réussite, et 53,8 % sous perturbations. Les méthodes zéro-shot antérieures évaluées plafonnent à 13,3 % et 19,2 %. Sur un robot xArm6 réel, la même interface affiche 95 % de réussite moyenne, en manipulation directe comme en présence de perturbations humaines. Les auteurs n'indiquent ici ni le VLM utilisé, ni le nombre de tâches, ni le nombre d'essais réels. Il s'agit d'un résultat de laboratoire, sans déploiement industriel. L'intérêt tient à la voie proposée. Les modèles VLA (vision-langage-action) généralisent encore mal, hors distribution, à de nouvelles tâches et de nouveaux environnements. Leur entraînement spécialisé les coupe aussi des progrès rapides des VLM généralistes. MotorMind suggère qu'une bonne représentation d'actions intermédiaires, associée à une exécution asynchrone, permet d'exploiter ces VLM tels quels, comme un téléopérateur humain qui regarde, agit et corrige. Les auteurs constatent que remplacer le VLM par un modèle plus puissant améliore les scores. Les échecs restants viennent surtout du grounding visuel, du raisonnement incarné et de la connaissance des actions, et ils diminuent avec la capacité du modèle. Pour les intégrateurs, cela laisse entrevoir des robots qui bénéficient mécaniquement des mises à jour des modèles de fondation, sans réentraînement. La prudence reste de mise : LIBERO-PRO est un benchmark en simulation, l'écart avec les baselines est calculé sur des méthodes zéro-shot choisies par les auteurs, et rien n'est dit sur le temps de cycle, la latence ni le coût d'inférence, décisifs en production. Ce travail s'inscrit dans deux courants. Les VLA généralistes de type Pi-0 ou GR00T comptent sur de vastes données robotiques. Les systèmes « agentiques » utilisent des VLM pour le raisonnement de haut niveau, ou des agents de codage pour générer le contrôle, au prix d'une chaîne d'outils lourde et coûteuse. MotorMind cherche un compromis plus simple, avec un seul modèle. La suite dépendra de sa reproductibilité sur d'autres bras, de sa robustesse sur des tâches longues et de sa comparaison avec des VLA entraînés. Aucun pilote ni calendrier n'est annoncé.

Recherche❖Paper

1 source

40

886arXiv cs.RO 

Maîtriser les VLA face aux erreurs d'exécution du robot : autocompensation et tests de résistance

Des chercheurs proposent une méthode d'adaptation au déploiement, baptisée « self-compensating VLA », qui vise un défaut récurrent des politiques vision-langage-action (VLA) : elles échouent quand le mouvement réellement exécuté par le robot s'écarte de l'action commandée. Ces erreurs d'exécution viennent de la mécanique et des conditions d'usage, comme l'usure ou les changements de charge utile. La méthode met à jour la politique en ligne, sans récompense de tâche ni étiquette. Elle exploite uniquement le résidu entre l'action commandée par le VLA et le mouvement mesuré, ce qui permet à la politique de pré-compenser l'écart lorsqu'elle génère ses commandes. L'équipe publie aussi RoboStress, un banc d'essai en simulation qui combine des modèles articulaires établis de frottement, de jeu mécanique (backlash), de compliance et d'erreur de compensation de gravité. Il en tire sept scénarios de déploiement où l'erreur dépend de l'état du robot et de son historique de mouvement. Sur RoboStress, la méthode dépasse les politiques de base et les approches qui intègrent la robustesse à l'entraînement. Sur deux bras physiques aux historiques d'usage différents, le taux de réussite moyen gagne plus de 30 points de pourcentage sur chacun, y compris sur des objets absents des démonstrations. L'enjeu touche un angle mort de la commercialisation. Les VLA sont surtout évalués sur des robots neufs, bien calibrés et proches de ceux qui ont servi à collecter les données. Une flotte en production est différente : les articulations s'usent, les réducteurs prennent du jeu, les outils changent la charge. Ces travaux suggèrent qu'une part des échecs attribués à la « généralisation » des modèles relève en réalité d'un décalage mécanique, ce qui élargit l'écart entre démonstration et réalité. Pour un intégrateur ou un COO industriel, une adaptation sans supervision, sans reprise de collecte de données ni réentraînement, est intéressante : elle pourrait réduire le coût de maintien d'une flotte hétérogène. Des réserves s'imposent. Les résultats physiques portent sur seulement deux bras, l'ampleur des gains dépend des politiques de base testées, et le banc de simulation reste une approximation de la dégradation réelle. Il s'agit d'un résultat de recherche, pas d'un produit ni d'un déploiement. Ce travail s'inscrit dans un courant qui cherche à rendre les VLA robustes après l'entraînement, alors que la course aux modèles généralistes, avec Pi-0 de Physical Intelligence, GR00T de NVIDIA ou Helix de Figure, se concentre surtout sur les données, l'échelle et la généralisation sémantique. Jusqu'ici, la réponse dominante à l'erreur d'exécution consistait à randomiser la dynamique en simulation ou à enrichir les données, ce que l'article prend justement pour référence. L'approche proposée relève plutôt du contrôle adaptatif classique, transposé aux politiques apprises. La suite logique serait de la tester sur davantage de plateformes, de la coupler à des modèles plus grands et de la valider sur des cycles longs, où l'usure évolue réellement. Le préprint (arXiv, v1) n'annonce ni code ni partenaire industriel.

Recherche❖Paper

1 source

40

887arXiv cs.RO 

DRHeC : rendu différentiable pour l'étalonnage main-œil à partir de gradients RGB

Des chercheurs proposent DRHeC, un cadre de calibration œil-main (hand-eye calibration) fondé sur le rendu différentiable, qui exploite cette fois l'image RGB complète plutôt que de simples masques binaires. La calibration œil-main consiste à déterminer la transformation géométrique entre une caméra et la base ou l'effecteur d'un bras robotique, condition indispensable à toute manipulation de précision. L'équipe valide l'approche en simulation et sur un bras UR5e réel. Sur des tâches physiques, elle obtient un taux de réussite de préhension de 88,9 % et un taux de réussite d'insertion de 57,4 %. Ces résultats dépassent de 46,3 et 48,1 points de pourcentage ceux d'EasyHeC, la méthode de rendu différentiable qui fait aujourd'hui référence. Les auteurs ajoutent une méthode de traduction image-à-image guidée par masque, censée préserver explicitement la cohérence des couleurs et de la géométrie pendant la conversion entre images rendues et images réelles. L'enjeu est très concret pour les intégrateurs. Les méthodes classiques reposent sur des marqueurs dont la précision et la visibilité limitent celle de la calibration, et elles imposent une intervention humaine à chaque recalibrage. Les approches par apprentissage profond se passent de marqueurs et estiment la transformation depuis une seule image, mais leur fonctionnement reste opaque. Le rendu différentiable comble en partie ce manque : il s'appuie sur un modèle physique du robot et offre une optimisation interprétable, sans mire de calibration. Les masques binaires écrasent toutefois les détails de profil interne du robot et conduisent à des optimisations instables ou piégées dans des minima locaux. L'écart de 48 points sur l'insertion, tâche la plus exigeante en précision, suggère qu'une part importante des erreurs de manipulation venait de la calibration elle-même. Une réserve s'impose : ces chiffres proviennent d'un seul type de robot et d'un protocole défini par les auteurs. Même avec la méthode proposée, l'insertion ne réussit qu'un peu plus d'une fois sur deux, ce qui reste loin d'un niveau industriel. Ce travail s'inscrit dans une évolution en trois temps. Les marqueurs ont d'abord dominé, puis sont venues les méthodes de keypoints et de features apprises. Les méthodes par rendu différentiable, dont EasyHeC est l'exemple le plus abouti, sont apparues plus récemment. DRHeC prolonge cette dernière lignée en enrichissant le signal de comparaison avec la couleur et des caractéristiques géométriques issues des masques. L'article, publié sur arXiv (2609.36779v1), est une prépublication qui n'a pas encore été évaluée par des pairs. Aucun code, calendrier de déploiement ni partenaire industriel n'est mentionné dans le résumé. La suite dépendra de la généralisation à d'autres bras, à d'autres caméras et à des scènes moins contrôlées, et de la robustesse face aux occlusions et aux variations d'éclairage.

Recherche❖Paper

1 source

40

888arXiv cs.RO 

AeroManip-VLA : apprentissage vision-langage-action (VLA) à grande échelle pour la manipulation aérienne, avec des démonstrations générées par apprentissage par renforcement

Des chercheurs publient sur arXiv (2609.36915v1) AeroManip-VLA, un benchmark pour générer des données d'entraînement et évaluer des modèles Vision-Language-Action (VLA) sur des manipulateurs aériens, c'est-à-dire des drones équipés de bras ou de préhenseurs. L'ensemble repose sur un simulateur accéléré par GPU, avec un contrôle bas niveau du vol et de la manipulation qui tient compte de la charge utile (payload), et sur des environnements massivement parallèles. Les démonstrations ne sont pas collectées par téléopération. Elles sont produites automatiquement en combinant des politiques d'apprentissage par renforcement réutilisables et des règles de tâche définies par des experts, avec des objets, des environnements et des conditions initiales randomisés. Le jeu de données couvre des compétences de base (saisir, déposer) et des tâches longues qui associent navigation et manipulation. Les auteurs ajoutent un étiquetage automatique des événements et une catégorisation des trajectoires pour filtrer les démonstrations. Plusieurs références d'imitation learning et de VLA sont évaluées selon différents réglages de tâche, avec une analyse de leurs performances et de leurs modes de défaillance. Le résumé ne donne aucun chiffre : ni taille du jeu de données, ni taux de réussite, ni nom des modèles testés. Aucun essai sur drone réel n'y est mentionné. L'intérêt tient à un verrou concret. Les VLA ont progressé sur les bras fixes et les humanoïdes, mais le drone manipulateur pose des problèmes propres : le vol et la manipulation sont fortement couplés, les observations changent en continu et les interactions physiques sont critiques pour la sécurité. Collecter des démonstrations ou tester des politiques directement sur des plateformes aériennes coûte cher, passe mal à l'échelle et se répète difficilement dans des conditions contrôlées. Un pipeline entièrement simulé, sans téléopérateur, vise à lever ce goulot. L'étiquetage des échecs liés à la sécurité (collisions, perte de stabilité) est utile aux intégrateurs, qui doivent qualifier un comportement avant de le déployer. La réserve est classique : tant que le transfert simulation-réel n'est pas démontré, la valeur du benchmark reste conditionnée à la fidélité de la simulation. Le résumé parle d'évaluation « avant déploiement réel », pas de déploiement réel. Ce travail s'inscrit dans la vague de recherche qui étend les VLA au-delà de la manipulation au sol, avec des jeux de données synthétiques générés par apprentissage par renforcement en substitut à la téléopération, démarche déjà répandue pour les bras et les humanoïdes. La manipulation aérienne intéresse l'inspection et la maintenance d'infrastructures en hauteur, où l'accès pour les robots au sol est difficile. Il s'agit d'une publication de recherche et non d'un produit : aucun partenaire industriel, calendrier de pilote ou prix n'est annoncé. La suite logique serait la publication du code et des données, puis des validations sur plateformes physiques. Ce sont elles qui diront si les écarts observés en simulation se retrouvent en vol.

Recherche❖Paper

1 source

40

889arXiv cs.RO 

Politique en escalier : inférence en flux continu pour les modèles monde-action à grands blocs d'actions

Des chercheurs proposent Staircase Policy, un cadre d'inférence et d'entraînement en flux continu (streaming) qui transforme une politique VLA (vision-langage-action) à flow matching en un « World-Action Model » (WAM) de type JEPA. L'article, publié sur arXiv (2609.36471v1), découpe un grand bloc d'actions (action chunk) en sous-blocs placés à des stades de débruitage décalés. Les actions les plus proches sont exécutées dès qu'elles sont disponibles, pendant que les suivantes continuent d'être affinées. À chaque frontière de sous-bloc, l'état latent futur est re-prédit à partir de la dernière observation et sert à mettre à jour toutes les actions non exécutées, sans relancer une inférence complète. Le modèle, nommé S-WAM, atteint 97,7 % sur LIBERO et 87,9 % sur LIBERO-Plus. Il produit 292,7 actions exécutées par seconde, soit 3,62 fois le débit d'une exécution conventionnelle à précision comparable, et ramène le délai avant la première action de 123,6 à 73,3 ms. Avec des optimisations d'inférence supplémentaires, le débit monte à 642,9 actions par seconde. Les auteurs revendiquent aussi des gains sur plusieurs architectures de politiques et sur des tâches en robot réel, sans que le résumé en précise le nombre, la nature ni les taux de réussite. L'enjeu est d'abord économique. Les WAM, qui conditionnent la génération d'actions sur des observations futures prédites, améliorent la manipulation, mais ajoutent un coût de calcul à une génération d'actions déjà itérative et coûteuse. L'action chunking amortit ce coût, au prix d'une dégradation sur les longs horizons, car les dernières actions du bloc reposent sur des observations périmées. Staircase Policy vise à lever ce compromis entre latence et réactivité, ce qui compte pour les intégrateurs qui veulent embarquer de gros modèles sur des robots à budget de calcul limité. L'erreur de prédiction du futur peut en outre servir de signal pour un chunking adaptatif, c'est-à-dire une confiance mesurable dans le plan en cours. Ces résultats restent toutefois des benchmarks en simulation. LIBERO est proche de la saturation, et un débit en actions par seconde ne dit rien de la robustesse en production. Les mesures en robot réel devront être détaillées pour juger du transfert. Ce travail s'inscrit dans la montée des modèles fondations de robotique fondés sur des VLA à flow matching, dans la lignée de Pi-0, et dans l'intérêt croissant pour les architectures prédictives de type JEPA, qui prédisent dans un espace latent plutôt qu'en pixels. Les WAM concurrencent les VLA purs en injectant une anticipation du monde, mais leur latence freine leur déploiement. D'autres approches d'exécution asynchrone ou de chunking en temps réel traitent le même problème, sans forcément coupler prédiction du futur et débruitage échelonné. La suite dépendra de la publication du code, de validations indépendantes et de tests sur des plateformes industrielles, aucun pilote n'étant annoncé.

Recherche❖Paper

1 source

40

890arXiv cs.RO 

LIBERO-MAX : les politiques robotiques s'adaptent-elles quand le monde change ?

LIBERO-MAX est un nouveau benchmark de simulation, présenté sur arXiv, qui teste ce que les politiques robotiques font lorsque la scène change en plein milieu d'une tâche. Il comprend 8 000 cas appariés couvrant huit types de changements: géométrie, observations, apparence, encombrement et trajectoires. Chaque paire compare l'exécution d'une même tâche avec et sans événement en cours de route, en gardant identiques la tâche, l'état initial, la graine de la politique et la séquence d'actions précédant l'événement. Quatorze politiques récentes ont été évaluées, de type VLA (vision-langage-action), hybrides et « world-action ». L'événement fait chuter leur taux de succès de 11,0 à 25,7 points de pourcentage. Les auteurs testent aussi des contrôles de caméra et une variation de la cadence de requête à la politique, et aucun des deux ne supprime l'écart. Le protocole apparié isole les régressions réellement causées par l'événement des échecs qui existeraient de toute façon sans changement. Pour un intégrateur ou un responsable industriel, c'est un point de méthode important. Beaucoup de benchmarks de robustesse en simulation fixent les conditions externes au moment du reset, alors qu'en atelier une cible se déplace, une caméra est décalée ou un obstacle apparaît pendant l'exécution. Les résultats montrent des vulnérabilités communes face aux changements de géométrie et d'observation, tandis que les classements par famille de politiques s'entremêlent. Aucune architecture ne domine donc clairement. Les contrôles de caméra indiquent que la robustesse dépend à la fois de la compétence dans les nouvelles conditions et de la trajectoire suivie jusque-là, puisque les actions déjà engagées reflètent l'ancienne scène. Réduire l'intervalle entre les requêtes ne règle pas le problème. Il s'agit d'un résultat en simulation uniquement, sans validation sur robot réel, et les valeurs par modèle ne figurent pas dans le résumé. LIBERO-MAX prolonge la famille de benchmarks LIBERO, devenue une référence pour comparer les VLA en manipulation. Ces benchmarks évaluent le plus souvent des scènes statiques après le reset, et les scores élevés qui en résultent peuvent masquer une fragilité temporelle. Le travail s'inscrit dans un mouvement plus large de mesure de la robustesse des modèles de type Pi-0, GR00T ou Helix, dont les démonstrations sont rarement accompagnées de perturbations en cours de tâche. Les auteurs le présentent comme un banc d'essai reproductible pour diagnostiquer ces échecs et mesurer les progrès. La suite logique sera son adoption par d'autres laboratoires, puis des versions physiques ou des entraînements ciblés sur ces perturbations, mais aucune échéance n'est annoncée.

Recherche❖Paper

1 source

40

891arXiv cs.RO 

Cinétostatique directe cartésienne en forme fermée pour robots continus multi-segments à câbles dans l'espace

Des chercheurs proposent un modèle de cinétostatique directe en forme fermée pour les robots continus spatiaux multi-segments actionnés par tendons. Il fait passer directement des efforts appliqués aux tendons à la configuration cartésienne, sans résolution itérative de l'équilibre. Le squelette central cartésien du robot et la torsion matérielle cumulée servent de coordonnées généralisées, dont on déduit les mesures de déformation et la géométrie des tendons. Un équilibre variationnel donne des relations explicites pour l'extension axiale et la flexion. Les auteurs en tirent une torsion matérielle d'équilibre nulle, à condition que le routage des tendons soit longitudinal et non hélicoïdal. La solution s'exprime en quadratures et se propage segment par segment. Le modèle conserve la déformation axiale, les raideurs axiales et de flexion variables le long du robot, le diamètre de routage des tendons et une participation des tendons propre à chaque segment. Il a été comparé à un modèle géométrique à déformation variable complète (GVS) sur un robot à un segment et un robot à trois segments. L'écart maximal de position de l'extrémité, normalisé par la longueur, est de 8,91 x 10^-6 pour le premier et de 1,01 x 10^-5 pour le second. Les temps d'évaluation moyens sont de 1,52 µs et de 2,94 µs, soit des accélérations d'environ 1864 fois et 3348 fois par rapport à la référence. Pour les robots continus, la cinétostatique directe reste un goulot d'étranglement. Chaque commande de tendon exige aujourd'hui de résoudre un système d'équilibre non linéaire. Cela pèse sur la commande en boucle fermée, la planification de trajectoire, l'estimation d'état et l'entraînement de politiques apprises. Une évaluation de l'ordre de la microseconde rend ces usages possibles à haute fréquence, y compris sur du calcul embarqué modeste. Ce point est utile pour la chirurgie mini-invasive et l'inspection en espace confiné, où ces architectures sont les plus étudiées. La précision compte autant que la vitesse, car les écarts de l'ordre de 10^-5 face au modèle GVS restent très faibles. Il faut toutefois lire ces chiffres avec prudence. Ils viennent d'une comparaison numérique entre deux modèles, sans validation sur un prototype physique. Les gains de vitesse sont mesurés sur un seul benchmark, et ils dépendent de l'implémentation de la référence. Le modèle ne prend pas non plus en compte les effets réels comme le frottement des tendons, le jeu ou l'hystérésis. Ces travaux prolongent deux courants de la modélisation des robots continus. Le premier regroupe les modèles à courbure constante par morceaux, rapides mais approximatifs. Le second regroupe les modèles de tiges de Cosserat et les approches GVS, plus fidèles mais qui exigent des résolveurs itératifs coûteux. La publication se situe sur arXiv (2609.36495v1) et n'a pas de produit ni de déploiement associé. Les suites logiques seraient une validation expérimentale sur plateforme physique et une intégration dans des contrôleurs temps réel. On peut aussi attendre des extensions à des routages hélicoïdaux ou à des chargements extérieurs, que le cadre actuel exclut.

Recherche❖Paper

1 source

40

892arXiv cs.RO 

Pensées modifiées, actions modifiées : la chaîne de raisonnement comme levier de contrôle d'une politique vision-langage-action

Des chercheurs ont testé ce qui arrive aux actions motrices d'un robot lorsqu'on modifie le raisonnement textuel d'une politique VLA (vision-language-action), c'est-à-dire un modèle qui convertit images de caméra et instructions en langage naturel en commandes moteur. Certaines de ces politiques « réfléchissent » d'abord en texte, produisent une chaîne de raisonnement, puis décodent les actions conditionnées par cette chaîne. Les travaux qui ont introduit cette architecture la présentent comme une interface de supervision : un opérateur peut lire et éditer le texte pour corriger le robot. L'étude mesure les deux sens, réparation et corruption, avec un échange déterministe d'entités appliqué à l'instruction et à la chaîne générée. Sur quarante tâches réparties dans les quatre suites de simulation LIBERO, le coût d'une chaîne corrompue se concentre là où le langage seul détermine le but. Sur LIBERO-Goal, avec DeepThinkVLA (retenu car son raisonnement est exposé en clair), une instruction corrompue accompagnée de la chaîne générée à partir de l'instruction saine récupère 47,8 points de pourcentage de succès perdu. Ce test confirmatoire était préenregistré, et les 10 tâches évoluent dans le sens prédit. L'enjeu dépasse l'académique. Si la chaîne n'avait fait que reformuler ce que l'image détermine déjà, l'injection n'aurait rien changé. Or le texte écrit dans ce raisonnement pilote réellement le robot : il répare le comportement quand il est juste et le dégrade quand il est faux. Pour les intégrateurs et les responsables de déploiement, cela signifie que l'interface de supervision vantée pour les VLA à raisonnement est bien un levier de contrôle, mais aussi une surface d'attaque ou d'erreur. Un opérateur qui corrige un raisonnement fautif peut sauver une tâche ; une édition erronée, ou une injection malveillante, peut la faire échouer. Le compromis entre transparence, contrôlabilité et robustesse cesse d'être une intuition et devient une grandeur mesurable, ce qui manquait aux discussions de sécurité sur ces architectures. Il faut toutefois relativiser la portée. Les résultats viennent de simulation (benchmark LIBERO), et la démonstration causale décisive repose sur un seul modèle, DeepThinkVLA, et une seule suite, LIBERO-Goal, où le langage suffit à définir le but. La récupération est substantielle mais partielle (47,8 points), et rien n'indique encore que l'effet se transpose tel quel à des robots physiques ou à des tâches où la vision domine. Ce travail s'inscrit dans la vague des VLA dotés de chaînes de raisonnement explicites, dont les promoteurs mettent en avant la lisibilité humaine. La suite logique est de tester d'autres politiques, d'autres benchmarks et des environnements réels, puis de définir des garde-fous, comme la validation ou l'authentification des éditions du raisonnement, avant d'exposer cette interface en production.

Recherche❖Paper

1 source

40

893arXiv cs.RO 

WorldLine : simulation visuelle pilotée par les actions pour la manipulation robotique

WorldLine, un simulateur visuel piloté par l'action, est présenté dans un preprint arXiv (2609.38059) pour la manipulation robotique. Il s'agit d'un résultat de recherche, sans produit ni déploiement industriel annoncé. Le système apprend la dynamique de manipulation à partir de plus de 10 000 heures de vidéos de robots sans annotation d'actions. Il l'ancre ensuite dans le contrôle avec plus de 2 000 heures de trajectoires actionnées, réparties sur plus de dix morphologies de robots. Une représentation des actions dans l'espace image sert d'interface de contrôle commune, ce qui évite de traduire entre espaces de commande incompatibles. L'entraînement combine plusieurs points de vue, des trajectoires d'échec et une régularisation relationnelle pour mieux prédire les interactions. Une distillation en quelques étapes centrée sur le robot permet un déroulé causal rapide, en conservant les mouvements utiles à l'action. Sur des trajectoires échouées, le score d'IoU des masques du robot gagne 0,1626 face à la meilleure référence. La réussite d'une trajectoire est prédite avec 74 % de précision moyenne sur RoboTwin et AgiBot, soit un point de plus que la meilleure base de comparaison. Sans entraînement ni adaptation sur RoboTwin, les déroulés du simulateur améliorent le taux de succès de tâche jusqu'à 21,4 points par rapport à l'exécution directe de la politique. L'enjeu est le coût de l'évaluation et de la collecte d'expérience sur robot réel, principal frein à l'apprentissage en conditions réelles. Un simulateur capable de prédire l'issue d'une action avant son exécution permet de trier des politiques ou de planifier sans mobiliser de matériel. Le résultat le plus parlant concerne les échecs : les modèles vidéo génératifs tendent à produire des scènes plausibles mais peu fidèles à l'action commandée, et à «réussir» visuellement des gestes ratés. Or un simulateur inutilisable pour détecter l'échec ne sert pas à l'évaluation. Il faut toutefois relativiser : 74 % de précision sur la réussite reste modeste pour de la validation avant déploiement, et l'avance sur la meilleure référence n'est que d'un point. Le gain de 21,4 points est un maximum, non une moyenne, et les benchmarks (RoboTwin est surtout simulé) ne garantissent pas la robustesse en atelier. L'approche montre néanmoins qu'un jeu de données vidéo massif sans actions peut compenser la rareté des données actionnées. Ces travaux s'inscrivent dans la vague des modèles du monde et des simulateurs vidéo pour la robotique, qui visent à réduire la dépendance aux données téléopérées, coûteuses et propres à chaque robot. Leur point de friction est l'hétérogénéité des espaces d'action entre plateformes, que WorldLine traite par sa représentation image partagée. Il se place face aux modèles vidéo généralistes et aux simulateurs conditionnés par l'action, limités par des données rares. La suite logique passe par la validation sur robots physiques, la mesure de la corrélation entre succès prédit et succès réel, et l'intégration à des boucles de planification ou d'évaluation de politiques. Une page projet publie des résultats supplémentaires, mais aucune date de publication du code ou des modèles n'est mentionnée.

Recherche❖Paper

1 source

40

894arXiv cs.RO 

Une mémoire simple à base d'agents pour les politiques robotiques généralistes

Des chercheurs proposent SimpleARM (Simple Agentic Robot Memory), une couche de mémoire sans entraînement pour politiques robotiques généralistes gelées, décrite dans un preprint arXiv (v1). Le système fonctionne en quatre temps : à partir de l'instruction de la tâche, il détermine ce qu'il faut surveiller ; des outils perceptifs gelés maintiennent en ligne un état compact et typé ; un accès structuré ne récupère cet état que lorsqu'un sous-objectif proposé dépend de l'historique ; enfin, un ancrage dans la vue courante résout les entités rappelées avant l'exécution. L'évaluation porte sur RoboMME, un benchmark de 16 tâches de manipulation dont la réussite exige des informations qui ne sont plus visibles dans l'observation actuelle. Sur les 16 tâches et trois graines de politique, SimpleARM atteint 67,17 % de réussite moyenne, contre 44,51 % pour la meilleure base de comparaison non oracle. Des ablations appariées montrent que retirer l'état de relation, de référence, de progression ou d'itinéraire provoque de fortes chutes là où cet état est mobilisé, et épargne largement les autres tâches. L'enjeu dépasse le gain chiffré, soit environ 22,7 points. Les systèmes de mémoire visuelle actuels conservent ou compressent des observations passées, en supposant que l'historique utile se retrouve dans les images. Or le contrôle robotique dépend aussi d'un état issu de l'interaction, qu'aucune image ne représente explicitement : quel objet est lequel après avoir été déplacé, où en est la tâche, dans quel ordre exécuter une procédure. Les résultats plaident pour une mémoire conçue comme un état compact et pertinent pour la tâche, plutôt que comme un historique visuel étendu. Pour les intégrateurs et les équipes qui déploient des politiques VLA gelées, l'intérêt pratique est réel : la couche s'ajoute sans réentraînement, donc sans coût de collecte de données ni de fine-tuning. La spécificité des ablations renforce la crédibilité du mécanisme. Des réserves s'imposent toutefois : les résultats proviennent d'un benchmark, avec des tâches vraisemblablement simulées, sans preuve de déploiement réel, et l'écart avec les approches plus complexes reste à vérifier hors de RoboMME. Ce travail s'inscrit dans la montée des modèles généralistes gelés, de type VLA, qui excellent en réactivité mais restent faibles sur les tâches à longue portée dépendant du passé. Les approches concurrentes se répartissent entre conservation brute de trames, compression de contexte visuel et mémoires apprises de bout en bout, toutes exposées au même défaut : ne pas capter l'état implicite. SimpleARM adopte une orientation « agentique », où des outils spécialisés remplissent l'état plutôt que la politique elle-même. Les suites logiques seraient des tests sur robot physique, d'autres benchmarks de mémoire et une comparaison avec des politiques entraînées avec mémoire native. Le preprint n'annonce ni code, ni pilote, ni calendrier, et n'a pas encore été évalué par des pairs.

Recherche❖Paper

1 source

39

895arXiv cs.RO 

Guidage dynamique inspiré de la marche passive pour une locomotion humanoïde économe en énergie

Des chercheurs proposent un cadre d'apprentissage par renforcement inspiré de la marche dynamique passive (PDW) pour réduire le coût énergétique de la locomotion humanoïde. Pendant les premières phases d'entraînement, un champ de gravité incliné crée des conditions équivalentes à une pente et facilite la progression sagittale sur un sol pourtant plat, avec des termes de récompense couplés à un curriculum. Toute aide spécifique à la PDW est ensuite retirée avant l'optimisation sous dynamique nominale. Le cœur de la méthode n'exige ni trajectoire de référence, ni phases de marche, ni calendrier de contacts. Testé sur un Unitree G1 à 29 DOF, avec cinq graines d'entraînement en marche avant, le cadre réduit le coût de transport mécanique de 6,8 à 15,2 % pour des vitesses commandées de 0,5 à 2,0 m/s, sans dégrader le suivi de vitesse. La décomposition du travail mécanique attribue ce gain au travail positif des actionneurs. Sur le matériel réel, le coût de transport en marche avant baisse de 16,3 % avec un a priori de mouvement dédié à la marche, et de 4,5 % sans lui. Ce résultat déplace la question de l'efficacité énergétique, qui n'est plus seulement une affaire de pénalités d'effort dans la récompense. Ces pénalités n'orientent que indirectement la mécanique pas à pas, alors que le guidage par la dynamique agit sur la coordination de la démarche elle-même. Pour les intégrateurs et les décideurs B2B, l'autonomie est un facteur limitant du déploiement des humanoïdes : un coût de transport plus bas prolonge le temps de service par charge et allège les contraintes thermiques. Le gain est aussi obtenu sans données de mouvement propriétaires. Les auteurs distinguent l'accélération de l'apprentissage de la marche, apportée par le régime guidé, du bénéfice supplémentaire de l'inclinaison sur l'économie finale. Il faut toutefois nuancer : sur robot réel, le gain de 4,5 % sans a priori de mouvement reste dans la dispersion d'un essai à l'autre, donc statistiquement fragile. Le travail s'inscrit dans le courant dominant de la locomotion humanoïde par apprentissage par renforcement en simulation, où la marche est généralement obtenue par mise en forme de la récompense, imitation de références ou contraintes de contacts. Le G1 d'Unitree sert de plateforme de recherche répandue, ce qui facilite la reproduction. Le cadre s'étend à la locomotion omnidirectionnelle sans assistance : le bénéfice persiste lorsqu'un a priori de mouvement spécifique à la marche fournit la coordination cinématique, et l'association réduit alors le coût de transport à vitesse égale de 18,7 %. Aucun pilote industriel ni calendrier de déploiement n'est annoncé, et les résultats matériels portent sur un seul type de robot, en marche avant. La suite logique consiste à valider ces gains sur d'autres morphologies, en charge utile et sur terrains variés, avant tout transfert vers des produits commerciaux.

Recherche❖Paper

1 source

39

896arXiv cs.RO 

SkillWeaver : exploration à base d'agents de compétences d'interaction neuronales pour la génération de données robotiques à grande échelle

SkillWeaver, un framework publié sur arXiv (2609.36171), propose de générer automatiquement des données robotiques en simulation grâce à un agent de raisonnement. Le système repose sur des « Neural Interaction Skills » (NIS), des politiques paramétrables, réutilisables et en boucle fermée, entraînées par apprentissage par renforcement pour la manipulation riche en contacts. Étant donné une tâche et un environnement simulé, un agent VLM (modèle vision-langage) décide de la prochaine action, invoque et paramètre une NIS, observe le résultat, puis produit des étapes de vérification, de réflexion et de mémoire. L'exploration prend la forme d'une recherche arborescente guidée par un vérificateur. Le système a généré 39,1 K démonstrations sur 14,1 K scènes, ensuite distillées en politiques visuomotrices. Il s'agit d'un travail de recherche, sans produit ni déploiement industriel associé. L'enjeu porte sur le goulot d'étranglement de la donnée. La téléopération reste coûteuse et difficilement extensible à des environnements variés ou à des tâches longues. Les pipelines de simulation actuels dépendent souvent de contrôleurs en boucle ouverte, de séquences de compétences scriptées ou de programmes propres à chaque tâche, ce qui limite leur généralité. SkillWeaver déplace la logique : le savoir-faire physique est encapsulé dans des primitives apprises, et l'agent découvre lui-même les enchaînements gagnants. Les auteurs affirment une meilleure généralisation à de nouveaux objets, configurations spatiales, tâches et environnements, ainsi qu'un transfert sim-to-sim et sim-to-real en zéro ou few-shot. Ces résultats viennent du résumé de l'article. Le résumé ne donne aucun taux de réussite, aucun modèle de référence ni aucun protocole. Le volume de manipulation réelle testé est aussi inconnu, alors que c'est là que se joue l'écart entre démonstration et réalité. La revendication d'une alternative « scalable » reste donc à confirmer par les tableaux détaillés. Le travail s'inscrit dans la recherche sur la génération de données synthétiques pour les modèles VLA (vision-langage-action), qui alimentent aujourd'hui les efforts autour de Pi-0, GR00T ou Helix. Elle vise à réduire la dépendance à la collecte humaine. Les approches concurrentes combinent LLM et code généré, ou augmentent un petit nombre de démonstrations humaines en simulation. L'originalité ici est de placer des politiques RL fermées, et non du code ou des trajectoires scriptées, comme briques de l'exploration. La suite dépendra de la publication du code et des données, de la reproduction par d'autres laboratoires et de la mesure du coût de calcul de la recherche arborescente. Aucun acteur français ou européen n'est cité dans le résumé.

Recherche❖Paper

1 source

39

897arXiv cs.RO 

RLE-Bench : un examen de qualification pour les agents de code en ingénieurs d'apprentissage robotique

RLE-Bench est un nouveau benchmark, publié sur arXiv (v2 en septembre 2026), qui évalue des agents de code comme ingénieurs en robot learning plutôt que comme simples producteurs de politiques de contrôle. Il regroupe des tâches réparties sur quatre flux de développement robotique : contrôle interactif, apprentissage de politiques, perception et estimation, et conception mécanique. Chaque tâche a ses propres métriques : taux de succès obtenu par l'agent, performance de la politique qu'il a entraînée, qualité du harnais logiciel qu'il a construit, ou structures mécaniques conçues. Ces scores sont agrégés dans un « RLE Index » global, complété par des profils de capacités par flux de travail. Les auteurs ajoutent des études de cas qualitatives sur le comportement des agents. Le résumé ne donne ni le nombre de tâches, ni les modèles testés, ni les scores, ni le classement : ces éléments restent à vérifier dans l'article complet. L'intérêt est de déplacer la mesure de l'artefact isolé vers le processus d'ingénierie. La plupart des benchmarks robotiques notent une politique ou un contrôleur. Or le travail réel consiste à construire, intégrer, diagnostiquer et améliorer des composants hétérogènes sous contraintes de ressources, en raisonnant à partir de retours multimodaux. Pour un intégrateur ou un COO qui envisage de confier des tâches d'ingénierie à des agents de code, un profil par flux est plus exploitable qu'une note unique. Il montre où l'agent est fiable et où il faut garder un humain. L'inclusion de la conception mécanique est notable : elle teste des capacités très éloignées du code pur. Sans chiffres publiés dans le résumé, on ne peut toutefois pas dire si les agents actuels sont proches d'un niveau utilisable ou loin du compte. Ce travail s'inscrit dans la montée des agents de code hors des tâches purement numériques, vers le monde physique. Il prolonge des benchmarks centrés sur les politiques, qui mesurent surtout la manipulation ou la locomotion et non l'ingénierie qui les produit. Le titre parle d'un « examen de qualification », ce qui suggère un seuil minimal de compétence plutôt qu'un plafond. Les auteurs affirment que les tâches robotiques pourraient aussi servir de signal d'entraînement pour de futurs agents. La suite dépendra de l'adoption du benchmark par les laboratoires d'agents et de la publication de résultats comparables entre modèles.

Recherche❖Paper

1 source

39

898arXiv cs.RO 

Se souvenir de ses actions : mémoire de l'historique d'actions et débruitage à double expert pour les politiques VLA à long horizon

Des chercheurs proposent ActMem-VLA, une architecture qui ajoute une mémoire de l'historique des actions à un modèle vision-langage-action (VLA) déjà entraîné, sans le ré-entraîner. Le système greffe sur une politique de base figée (fine-tunée puis gelée) un plugin composé d'un module mémoire basé sur Mamba, un modèle à espace d'états, et d'un expert léger baptisé PreAction Expert (PAE). Mamba encode les actions déjà exécutées, et cette mémoire conditionne le PAE avec le contexte courant. Pendant les premières étapes de débruitage, à fort bruit, le PAE oriente la progression de la tâche. Il transmet ensuite l'action partiellement débruitée à l'Action Expert (AE) figé, qui affine les détails sur les étapes restantes à faible bruit. Seuls Mamba et le PAE sont optimisés. Sur le benchmark LIBERO-Mem, ActMem-VLA atteint 80,8 % de réussite moyenne sur les dix tâches, contre 65,2 % pour π0.5 et 49,5 % pour MemoryVLA, pour seulement 3,45 % de paramètres supplémentaires. Sur quatre tâches réelles, le gain moyen sur π0.5 est de 28,8 %. L'article ne précise pas s'il s'agit de points de pourcentage ou d'un gain relatif. L'enjeu est le « perceptual aliasing » : à deux étapes différentes d'une tâche longue, l'observation et l'état du robot peuvent être quasi identiques, alors que l'action correcte diffère. Sans accès à l'historique, la politique hésite ou répète une étape déjà faite. Le résultat compte pour les intégrateurs, car la mémoire est ici un module ajouté à un VLA existant, sans repartir d'un entraînement complet. Un modèle de base validé en production pourrait ainsi gagner en fiabilité sur les séquences longues (assemblage multi-étapes, kitting, tri) pour un surcoût de calcul modeste. Le score de 80,8 % montre aussi qu'il reste près d'une tentative sur cinq en échec. LIBERO-Mem est de plus un benchmark de simulation conçu pour tester la mémoire, et l'évaluation réelle ne porte que sur quatre tâches, sans détail public dans le résumé sur le nombre d'essais. Le travail s'inscrit dans une série de méthodes qui injectent des indices temporels ou de progression dans les VLA, par conditionnement de features, modification de l'a priori d'action ou guidage de l'échantillonnage. MemoryVLA, comparé ici, fait partie de cette famille. Le coût de ces approches, qui entraînent conjointement la mémoire et le VLA de base, motive la séparation choisie par les auteurs entre pilotage conditionné par l'historique et raffinement par la politique figée. Le point de comparaison principal reste π0.5 de Physical Intelligence. Il s'agit d'une prépublication arXiv (v1), non évaluée par des pairs. Aucun déploiement industriel ni code n'est mentionné dans le résumé, et les prochaines étapes probables sont une validation sur d'autres bases VLA et sur des tâches réelles plus longues.

Recherche❖Paper

1 source

39

899arXiv cs.RO 

ProAct-VLM : replanification de tâches vision-langage avant l'échec, avec retour de perception continu

Une équipe de chercheurs publie sur arXiv ProAct-VLM, un cadre de planification de tâches pour la manipulation robotique. Il intègre un modèle vision-langage (VLM) dans une boucle de perception en temps réel. Le code et la page projet sont hébergés sur GitHub (moured/ProAct-VLM). Le système surveille l'environnement en continu pendant l'exécution d'une tâche longue et replanifie dès qu'un changement pertinent apparaît, avant que l'action en cours n'échoue. Les auteurs l'ont comparé à plusieurs approches de référence et l'ont testé avec différents VLM comme backbone. Ils rapportent de meilleurs taux de succès et une meilleure efficacité sur des tâches de manipulation dynamiques à long horizon. Le résumé publié ne donne ni chiffres précis, ni nom de robot, ni liste des baselines. Le gain reste donc à vérifier dans le texte complet. Le problème visé est courant en déploiement : une pièce déplacée, un objet tombé ou un opérateur qui passe suffisent à rendre un plan périmé ou dangereux. Les pipelines à règles, réglés à la main pour des scénarios précis, se généralisent mal en milieu ouvert. Les cadres à base de VLM existants replanifient surtout de façon réactive, après un échec d'exécution ou lors d'un contrôle en fin de tâche. Certains vérifient des conditions avant chaque action, mais ces contrôles ponctuels ne voient pas ce qui change pendant le mouvement. ProAct-VLM propose de passer d'une correction après l'échec à une anticipation pendant l'exécution. Pour un intégrateur, l'enjeu est de réduire les arrêts, les reprises et les risques de collision dans les environnements semi-structurés, comme la logistique ou l'assemblage avec présence humaine. Il faut toutefois rester prudent. Une boucle de perception continue couplée à un VLM pose des questions de latence, de coût de calcul et de fausses alertes qui déclenchent des replanifications inutiles. Le résumé n'en dit rien. Ce travail s'inscrit dans le mouvement qui utilise les modèles vision-langage comme planificateurs de haut niveau, en complément des politiques VLA (vision-langage-action) qui pilotent directement les actionneurs. Les cadres de replanification réactifs et les vérifications de préconditions constituent les références directes. Ils sont cités comme les limites que ProAct-VLM cherche à dépasser. Il s'agit d'une prépublication (v1) non évaluée par des pairs. On ne sait pas encore si les résultats ont été obtenus en simulation ou sur robot réel, ni sur quelles plateformes. Les prochaines étapes à surveiller sont la publication du code, la reproduction indépendante et des tests sur matériel avec des perturbations réelles.

Recherche❖Paper

1 source

39

900arXiv cs.RO 

VidAct : apprendre la manipulation à partir de vidéos réelles grâce à une perception 3D centrée sur les objets

VidAct est un framework « vidéo vers robot » décrit dans un préprint arXiv (2609.36870v1) qui apprend des politiques de manipulation à partir d'une seule vidéo monoculaire par tâche, puis les déploie sur un robot réel en zero-shot. Le système repose sur trois briques. La première reconstruit le maillage des objets et leur mouvement à partir de vidéos quelconques, puis exprime ce mouvement dans le repère statique de l'objet. Cela évite tout retargeting spécifique à l'embodiment (le passage d'une main humaine à une pince) et accepte des points de vue de caméra variés. La deuxième brique, un transfert de trajectoire résiduel, adapte le mouvement reconstruit à de nouvelles configurations d'objets en conservant la forme de la trajectoire. La troisième, au cœur de l'apprentissage, demande à la politique de prédire à chaque image le nuage de points complet de l'objet, fourni en privilège par la simulation, comme tâche auxiliaire. Le déploiement reste en RGB seul. Les expériences couvrent des vidéos humaines, robotiques, générées et issues d'internet. Le résumé ne donne aucun chiffre de taux de réussite, de nombre de tâches ni de plateforme robotique. Pour les intégrateurs et les équipes R&D, l'intérêt tient à la réduction du coût de la donnée. La téléopération reste l'étalon de la collecte de démonstrations, mais elle est chère et peu extensible. Apprendre à partir d'une vidéo par tâche, y compris générée, déplace le goulot d'étranglement de la collecte vers la reconstruction 3D. L'approche traite aussi deux limites connues des méthodes de reconstruction : la dépendance à des caméras contraintes et la déformation des trajectoires face à un nouvel agencement d'objets. La supervision par nuage de points complet par image suggère que la conscience de la géométrie 3D des objets, souvent absente des politiques RGB, améliore la généralisation et le transfert simulation-réel. Ces conclusions restent à confirmer : les auteurs affirment des gains, mais l'abstract ne les quantifie pas. Les résultats viennent de tâches de laboratoire, sans indication de robustesse en environnement industriel ni de comparaison publiée avec des VLA généralistes. Ce travail s'inscrit dans une lignée qui cherche à remplacer la démonstration robotique par de la vidéo, en concurrence avec la collecte téléopérée à grande échelle et les modèles fondation type VLA, qui misent sur le volume de données plutôt que sur la reconstruction explicite. Il s'agit d'un préprint en première version, sans code, produit ni déploiement annoncé à ce stade. Les prochaines étapes à surveiller sont la publication des taux de réussite détaillés, la diffusion du code et, surtout, une validation sur des tâches longues, contraintes ou déformables, où la reconstruction monoculaire est la plus fragile.

Recherche❖Paper

1 source