Actualités robotique — page 23

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

39

1101arXiv cs.RO 

Régulation de force en temps réel pour la préhension dextérique de la main entière

Une équipe de chercheurs publie le 25 septembre 2026 une prépublication sur arXiv (arXiv:2609.30082v1) décrivant un système de régulation de force en temps réel pour la préhension dextre impliquant l'ensemble de la main robotique, et non les seuls bouts des doigts. Le problème ciblé est concret : une répartition de force calculée à l'avance échoue dès que l'objet bouge, que le modèle géométrique est imprécis, ou qu'une perturbation externe survient. La méthode estime géométriquement les points de contact sur tous les liens de la main à partir d'un modèle suivi de l'objet et de la proprioception, sans capteur tactile dédié à ces zones de contact. Elle recalcule en continu la distribution de force souhaitée sous contraintes de frottement, de limites d'actionneurs, et une contrainte de cohérence d'actionnement inspirée de l'analyse classique de force en membre entier. Ce contrôleur est couplé à un module d'atteinte réactive, permettant à la main de saisir un objet, de maintenir la prise sous perturbation, puis de re-saisir après une perte de contact. Des essais en simulation sans gravité montrent une meilleure rétention de prise que deux méthodes de référence, une allocation fixe et une exécution limitée aux bouts des doigts, sous perturbations contrôlées. Des tests réels sur un système bras-main à 27 degrés de liberté confirment le maintien et la récupération de prise sous perturbations appliquées à la main par un opérateur humain, alors que les contacts évoluent sur toute la surface de la main. Ce travail s'attaque à un verrou classique de la manipulation dextre : la plupart des mains robotiques reposent soit sur une planification de force figée avant contact, soit sur des réseaux de capteurs tactiles denses et coûteux répartis sur chaque phalange, ce qui alourdit le coût matériel et la calibration. Démontrer qu'une estimation géométrique des contacts suffit à maintenir une prise robuste, sans instrumentation tactile supplémentaire, ouvre une piste pour réduire le coût des mains à haut nombre de degrés de liberté, un enjeu direct pour les intégrateurs visant la manipulation fine en environnement non structuré. Pour les acteurs qui misent sur les modèles vision-langage-action pour piloter des mains humanoïdes, ce résultat rappelle que la couche bas niveau de contrôle de force reste un goulot d'étranglement séparé de la décision haut niveau : savoir quoi saisir ne garantit pas de tenir la prise quand l'objet glisse. Le papier s'inscrit dans la recherche en contrôle de force multi-doigts, un champ dominé jusqu'ici par la planification hors ligne ou par des architectures tactiles denses, ce qui explique le choix des auteurs de comparer leur méthode à ces deux approches plutôt qu'à un produit commercial. La validation sur une plateforme à 27 DoF situe l'expérimentation au niveau des systèmes de recherche avancés en manipulation dextre. Les auteurs mettent à disposition une page de projet avec des démonstrations vidéo, mais ne communiquent aucun calendrier de transfert industriel ni partenariat : il s'agit à ce stade d'une contribution académique en prépublication, non d'un produit déployé.

Recherche❖Paper

1 source

39

1102arXiv cs.RO 

Streaming-WAM : modèle monde-action conditionné par l'action pour la manipulation robotique asynchrone

Un modèle de recherche baptisé Streaming-WAM (World-Action Model), décrit dans un article publié sur arXiv le 25 septembre 2026 (arXiv:2609.28927v1), s'attaque au coût de calcul des modèles qui prédisent l'image future pour piloter un bras robotique. Ces modèles, dits world-action models, génèrent habituellement une prédiction visuelle avant de produire l'action suivante, ce qui immobilise le robot pendant l'inférence. Streaming-WAM fonctionne en mode asynchrone : à chaque mise à jour, il conditionne sa prédiction visuelle non seulement sur la dernière observation caméra, mais aussi sur les actions déjà engagées, c'est-à-dire le segment fixe du prochain lot de mouvements en cours d'exécution par le robot. Les caractéristiques visuelles ainsi anticipées servent ensuite à générer, dans la même passe, les actions restantes du lot. Sur le benchmark de simulation LIBERO, le système atteint un taux de succès moyen de 98,35 % tout en divisant par 2,93 le temps moyen par épisode par rapport à une variante appelée Fast-WAM. Sur une tâche en conditions réelles consistant à tamponner une feuille de papier, le temps d'épisode passe de 90 secondes avec un modèle synchrone classique (Joint-WAM) à 38 secondes avec Streaming-WAM. L'enjeu dépasse la simple accélération : les world-action models sont perçus comme un moyen de rendre la manipulation robotique plus robuste en anticipant les conséquences visuelles d'une action avant de l'exécuter, mais leur latence de génération les rendait jusqu'ici difficiles à déployer en temps réel. En montrant qu'il est possible de conserver un taux de succès élevé tout en réduisant fortement le temps de cycle grâce à l'asynchronie, ce travail répond directement à l'un des reproches récurrents faits aux architectures de prédiction du monde en robotique : leur écart entre performance en simulation et viabilité pratique. Pour les intégrateurs et laboratoires qui évaluent ces approches face aux politiques vision-langage-action plus légères, ce type de résultat suggère qu'il n'est plus nécessaire de sacrifier la vitesse pour garder les bénéfices de la prédiction visuelle. Le travail se positionne comme une amélioration incrémentale par rapport à deux approches de référence citées dans l'article, Fast-WAM et Joint-WAM, qui servent de points de comparaison directs plutôt que de produits commerciaux. Il s'agit à ce stade d'un résultat de recherche publié sur arXiv, validé sur un seul benchmark simulé et une unique tâche physique réalisée en laboratoire, sans indication de partenariat industriel, de déploiement en usine ni de calendrier de commercialisation. La prochaine étape logique, non détaillée dans l'article, consisterait à étendre l'évaluation à un éventail plus large de tâches manuelles réelles et à des plateformes robotiques variées.

Recherche❖Paper

1 source

39

1103arXiv cs.RO 

De la sélection de cible au creusement : un cadre par apprentissage pour l'excavation autonome continue

Un article publié en septembre 2026 sur arXiv (2609.29750) présente un système d'excavation autonome continue combinant apprentissage par renforcement et apprentissage par imitation. Une politique RL partagée pilote l'approche guidée par points de passage (waypoints) et le transport de charge, tandis qu'une politique IL, entraînée sur des démonstrations expertes, gère le creusement et le levage à partir de données visuelles. Les cibles de creusement sont extraites de cartes d'élévation LiDAR et converties en trajectoires pour la pointe du godet. Testé sur un excavateur hydraulique à échelle réduite équipé de capteurs multimodaux, le système atteint une charge utile moyenne de 6,52 kg par cycle complet, contre 2,68 kg pour la méthode de référence "Fixed Dig", sur trois séries de cinq pelletées consécutives. Ce travail cible une limite fréquente des démonstrations d'excavation autonome, généralement testées sur un cycle isolé et un tas figé, loin de la réalité d'un chantier où la géométrie du terrain change à chaque pelletée. En séparant la navigation et le transport, confiés au RL plus robuste aux variations, du geste de creusement fin, confié à l'IL plus fidèle au savoir-faire expert, l'approche répond à l'écart classique entre démonstration ponctuelle et usage répété en conditions changeantes. Le gain de charge utile, plus du double de la baseline, constitue un indicateur économique parlant pour les intégrateurs de machines de BTP et de mines, secteurs où la productivité se mesure en tonnes déplacées par heure. Les chiffres restent toutefois issus d'un banc d'essai réduit en laboratoire, pas d'un engin grandeur nature en conditions de chantier réelles. Le projet s'inscrit dans une évolution académique de l'excavation autonome, qui remplace progressivement les commandes scriptées rigides des premiers systèmes par des politiques apprises combinant RL, IL et, plus récemment, des approches vision-langage-action. Il se distingue d'acteurs industriels comme Built Robotics ou SafeAI, qui automatisent des engins de chantier grandeur nature en conditions réelles : ce travail reste au stade de la recherche, validé sur une plateforme réduite en environnement contrôlé. L'article ne mentionne ni partenaire industriel ni calendrier de commercialisation. La suite logique, non précisée dans le résumé, serait un passage à l'échelle sur un excavateur de taille réelle et des essais en conditions de chantier non contrôlées, où la variabilité du sol et des matériaux dépasse largement celle reproduite en laboratoire.

Recherche❖Paper

1 source

39

1104arXiv cs.RO 

OCC4M : mémoire 4D centrée objet pour le raisonnement spatiotemporel en manipulation à long horizon

OCC4M, surnommé « Occam », est une mémoire 4D centrée sur les objets pour robots manipulateurs, présentée en septembre 2026 par ses auteurs (arXiv:2609.28798) pour les tâches longues nécessitant de raisonner sur un état absent du champ de vision actuel. Le système maintient des pistes persistantes dans un référentiel monde partagé et encode explicitement les relations temporelles, de mouvement et de contenance, par exemple pour localiser un objet sorti du champ de vision ou identifier le contenu d'un conteneur mélangé. Un modèle vision-langage interroge cette mémoire structurée pour désigner des cibles, ensuite traitées par un exécuteur bas niveau sans avoir besoin de l'historique complet des observations. Sur sept conditions de simulation et 350 épisodes, OCC4M obtient 96,6% de réussite mémoire et 88,9% de réussite de bout en bout, contre 54,6% et 57,7% pour FrameSamp, une référence utilisant Gemini 3.7 Flash avec l'historique brut complet et le même exécuteur. Après un changement de point de vue caméra, OCC4M conserve 100% et 98% de réussite, contre un score proche de zéro pour FrameSamp. Sur 20 épisodes réels avec un bras Franka et caméra fixe, OCC4M atteint 85% de précision mémoire contre 30% au maximum pour FrameSamp, et achève 45% des tâches complètes en deux étapes. Ce résultat cible une faiblesse connue des architectures vision-langage-action actuelles, qui raisonnent souvent sur une fenêtre d'observations récentes ou sur tout l'historique brut, une approche coûteuse et peu fiable dès qu'une tâche s'étire dans le temps ou que le point de vue change, un cas fréquent en usine ou en logistique. En séparant la mémoire structurée de l'exécution bas niveau, OCC4M évite de faire porter tout le raisonnement long terme au modèle vision-langage, ce qui limite la dérive de contexte observée avec les approches par historique brut. L'effondrement quasi total de FrameSamp lors du changement de caméra illustre concrètement l'écart entre démonstrations en conditions contrôlées et robustesse réelle, un signal utile pour les intégrateurs qui évaluent des piles VLA pour des cellules robotiques à tâches longues et multi-étapes. OCC4M s'inscrit dans la recherche sur la mémoire persistante pour la manipulation robotique, un axe distinct des architectures vision-langage-action généralistes qui gèrent surtout le contexte via une fenêtre d'observations glissante plutôt qu'une mémoire dédiée. Les auteurs situent leur contribution face à une référence bâtie sur Gemini 3.7 Flash de Google DeepMind, posant le débat entre mémoire structurée et simple élargissement du contexte des grands modèles multimodaux. Les tests, menés en simulation puis validés sur un bras Franka Emika réel, restent limités en échelle, avec seulement 20 épisodes physiques sur un seul type de bras, ce qui en fait une preuve de concept académique plutôt qu'un système prêt pour un déploiement industriel. Des vidéos qualitatives supplémentaires sont publiées sur occ4m-sup.github.io, sans calendrier annoncé de transfert vers un robot commercial.

Recherche❖Paper

1 source

39

1105arXiv cs.RO 

RAPID : programmation à base d'agents pour robots à partir de démonstrations

Une équipe de recherche présente RAPID (Robot Agentic Programming from Demonstrations) dans un preprint publié sur arXiv le 25 septembre 2026 (arXiv:2609.30249) : un système qui génère, vérifie et affine automatiquement un programme robotique complet à partir d'une seule démonstration visuelle humaine, sans corpus d'entraînement massif. La boucle agentique itérative infère elle-même, depuis cette démonstration, trois ingrédients clés : une spécification de tâche testable, des primitives d'action exécutables par le robot, et un environnement interactif pour exécuter et vérifier le programme. Pour rendre le résultat réutilisable au-delà du contexte filmé, RAPID exprime les primitives comme des programmes d'optimisation de trajectoire reproduisant l'effet de mouvement au niveau de l'objet, assemblés par des contraintes relationnelles qui capturent la géométrie de la scène au moment de l'exécution. Les chercheurs ont testé le système en simulation sur huit tâches de manipulation non préhensile riches en contacts (pousser, pivoter, basculer des objets) et sur des tâches préhensiles classiques du benchmark LIBERO-Pro, puis l'ont déployé sur un bras robotique Franka réel pour l'ensemble des huit tâches non préhensiles ; le projet est documenté sur yuyaoliu.me/projects/rapid. L'intérêt de RAPID tient à la difficulté qu'il attaque : transformer une démonstration unique en un programme réutilisable et généralisable, là où les politiques d'apprentissage par imitation ou les modèles vision-langage-action (VLA) exigent généralement des corpus de démonstrations massifs. En appliquant à la manipulation robotique la logique des agents de codage logiciel, capables d'itérer, tester et corriger leur propre production, RAPID parie que la synthèse de programmes symboliques explicites généralise mieux que des politiques paramétriques apprises, en particulier sur les tâches non préhensiles où la dynamique de contact et le frottement rendent la généralisation notoirement difficile. Les auteurs revendiquent une généralisation à la pose, la forme, le matériau et l'environnement des objets, une affirmation émanant pour l'instant d'une seule équipe sur un périmètre de tâches limité et non validée indépendamment ; le déploiement réel se cantonne d'ailleurs à un unique bras Franka et aux tâches non préhensiles, les tâches préhensiles de LIBERO-Pro n'ayant été testées qu'en simulation. Il s'agit donc d'un résultat de recherche prometteur mais encore au stade du preprint, pas d'un produit ou d'un pipeline prêt pour l'intégration industrielle. Le travail s'inscrit dans un mouvement plus large visant à transposer aux robots le paradigme des agents de codage popularisé en génie logiciel, plutôt que d'empiler les données pour entraîner des politiques de bout en bout. Il se positionne ainsi en alternative aux approches VLA dominantes du secteur, comme Pi-0 de Physical Intelligence, GR00T N2 de NVIDIA ou Helix de Figure, qui apprennent des politiques directement à partir de grands ensembles de démonstrations plutôt que de synthétiser un programme symbolique explicite à partir d'un seul exemple ; aucun acteur français ou européen n'apparaît dans cette publication. À ce stade, RAPID reste un résultat académique diffusé via un preprint arXiv et un site de projet présentant des matériaux complémentaires, sans partenariat industriel, pilote de déploiement ni calendrier de commercialisation annoncés par les auteurs.

Recherche❖Paper

1 source

39

1106arXiv cs.RO 

Décomposition direction-échelle dans la représentation d'action : repenser ce qu'il faut tokeniser pour les modèles vision-langage-action

Un nouveau papier publié sur arXiv (2609.28865) propose Direction-Scale Decomposition (DSD), une méthode pour améliorer la représentation des actions dans les modèles vision-langage-action (VLA) à tokens discrets, en partant du constat que les représentations classiques par incréments de pose produisent des tokens sensibles à la vitesse d'exécution et aux normalisations propres à chaque dataset, ce qui brouille la structure géométrique commune aux démonstrations. DSD décompose les incréments de translation et de rotation en une composante direction et une composante échelle avant la tokenisation, isolant le sens du mouvement tout en conservant les amplitudes dans des canaux séparés. Testée avec deux tokenizers, un binning uniforme (BIN) et BEAST, un tokenizer basé sur des B-splines, en simulation comme sur robot réel et en entraînement mono comme multi-datasets, la méthode améliore le taux de succès moyen sur le benchmark LIBERO avec les deux tokenizers, et fait gagner 10,3 points de pourcentage à DSD-BIN par rapport à BIN sur SimplerEnv en entraînement multi-datasets. Les expériences sur robot réel confirment des gains, avec et sans pré-entraînement robotique. Pour les équipes qui entraînent des VLA sur des mélanges hétérogènes de datasets, ce résultat cible un point de friction concret : la dégradation de performance observée quand on combine des démonstrations collectées à des vitesses, fréquences ou conventions de normalisation différentes. En isolant la direction du mouvement des variations d'amplitude liées au dataset, DSD s'attaque à ce qui limite le passage à l'échelle des politiques de manipulation entraînées sur de grands corpus agrégés, un enjeu central alors que le secteur cherche à reproduire pour la robotique le scaling qui a fonctionné pour les modèles de langage. Le gain observé sur SimplerEnv en régime multi-datasets suggère, s'il se confirme sur d'autres benchmarks, que le choix de représentation d'action, souvent traité comme un détail d'implémentation, pèse autant que l'architecture du modèle ou la taille du dataset dans la qualité finale d'une politique VLA. Ce travail s'inscrit dans un champ encore jeune consacré à la tokenisation des actions pour les VLA à sortie discrète, un terrain qui coexiste avec des architectures propriétaires à sortie continue comme Pi-0 de Physical Intelligence, GR00T N2 de NVIDIA ou Helix de Figure AI. DSD se positionne comme une amélioration compatible avec des tokenizers existants tels que le binning uniforme ou BEAST, plutôt que comme un tokenizer concurrent supplémentaire, et l'abstract ne précise ni la plateforme robotique utilisée pour les essais réels ni le laboratoire à l'origine des travaux. Une page de projet (vla-dsd.github.io) met à disposition du code et des ressources additionnelles, en vue d'une validation attendue sur des architectures VLA plus larges et des jeux de données de manipulation plus diversifiés.

IA physique❧Opinion

1 source

39

1107arXiv cs.RO 

FlyCNS : organisation de l'information fondée sur le connectome pour le contrôle incarné à communication limitée

FlyCNS est un nouveau cadre de contrôle robotique décrit dans un article publié sur arXiv (arXiv:2609.28816) et inspiré du connectome de la drosophile, c'est-à-dire la cartographie complète des connexions neuronales entre le cerveau et le cordon nerveux ventral de la mouche. Le système conserve le calcul sensorimoteur au niveau local de chaque membre du robot et n'autorise la communication longue distance qu'à travers deux voies distinctes, l'une ascendante et l'autre descendante, à l'image de l'organisation biologique observée chez l'insecte. La structure directionnelle réelle de ces deux voies, extraite du connectome, sert de simple indication de départ pour répartir la communication, tandis que le contenu des messages, leur moment d'envoi et les politiques de locomotion restent adaptés à la tâche et appris par apprentissage par renforcement. Testé en simulation sur le quadrupède Unitree Go1, FlyCNS dégrade ses performances de façon plus progressive que les architectures classiques à mesure que le budget de communication se réduit. Dans le scénario le plus restrictif, il ne consomme qu'environ 21 à 22 % du volume de communication d'une référence à communication complète, tout en conservant un score de suivi de trajectoire d'environ 0,882, soit un écart maximal de 6,1 % par rapport à cette référence, et ce sous deux protocoles de commande différents. Ce résultat touche un point structurel du contrôle robotique appris : la plupart des architectures actuelles centralisent le traitement de l'information alors que le corps d'un robot est physiquement distribué en capteurs et actionneurs répartis sur chaque membre. Pour les concepteurs de robots à ressources de calcul ou de communication limitées, qu'il s'agisse de systèmes modulaires, de robots souples ou d'essaims multi-agents, l'enjeu est de savoir combien d'information doit réellement circuler pour maintenir une coordination corps entier efficace. FlyCNS suggère qu'une large part du calcul peut rester locale sans sacrifier la performance globale, ce qui contredit l'idée reçue selon laquelle un contrôle whole-body performant exige un flux d'information centralisé et complet. La démarche s'inscrit dans une tendance plus large de bio-inspiration en robotique, où des données de neurosciences computationnelles, ici le mappage du système nerveux de la drosophile, viennent guider la conception d'architectures de contrôle artificiel plutôt qu'un réseau générique appris de zéro. Le travail se distingue des approches dominantes de contrôle centralisé par apprentissage par renforcement pour la locomotion en ciblant spécifiquement la contrainte de bande passante entre membres. À ce stade, il s'agit d'une validation en simulation sur un seul robot quadrupède, sans démonstration sur matériel physique ni indication de portage vers d'autres morphologies ou d'un calendrier de suite.

Recherche❖Paper

1 source

38

1108arXiv cs.RO 

Pince à granulaire renforcée par support pour la préhension par apprentissage par renforcement avec des manipulateurs continuum

Un article publié le 25 septembre 2026 sur arXiv sous la référence 2609.29093 décrit un gripper à jamming granulaire renforcé par une structure de support, conçu spécifiquement pour les manipulateurs continuum, ces bras robotiques souples capables de se faufiler dans des espaces confinés. Le dispositif reste compliant tant que le jamming, durcissement obtenu par mise sous vide d'une membrane remplie de particules, n'est pas activé, puis transmet directement les efforts jusqu'à l'extrémité du bras une fois durci. Les auteurs ont testé matériaux de membrane, types de particules, taux de remplissage et structures de support internes, puis cartographié les limites de préhension selon le décalage de contact et la forme des objets. Ils ont assemblé un système complet associant manipulateur continuum, gripper, retour visuel, actionnement par câbles et contrôle pneumatique, puis déployé sur ce système réel un contrôleur d'atteinte entraîné par apprentissage par renforcement en simulation randomisée, pour une tâche de saisie et relâchement d'objets. Aucun chiffre de charge utile, de degrés de liberté ou de cadence n'est communiqué : c'est une démonstration de faisabilité en laboratoire, non un produit. L'enjeu dépasse l'exercice académique. Les manipulateurs continuum intéressent l'inspection en espace confiné et la chirurgie mini-invasive, mais leur souplesse génère hystérésis et déformations dépendantes de la charge qui compromettent le contact fiable avec des pinces rigides classiques. En rendant le gripper lui-même adaptatif, souple avant serrage puis rigide après, les auteurs déplacent une partie de la difficulté de modélisation et de contrôle de position vers la mécanique. C'est une illustration du principe d'intelligence incarnée : la structure physique compense les imperfections du positionnement plutôt que d'exiger un apprentissage capable de combler entièrement l'écart simulation-réel, une piste pour rendre les bras continuum exploitables sans précision submillimétrique. Les pinces à jamming granulaire ne sont pas nouvelles : popularisées au début des années 2010 par des travaux universitaires américains puis commercialisées sous le nom Versaball par Empire Robotics, elles sont connues pour saisir des objets de formes irrégulières sans planification fine. La nouveauté tient à l'adaptation de ce principe, via une structure de support interne, à l'extrémité d'un manipulateur continuum, couplée à un contrôle appris par renforcement plutôt que programmé. Soumis comme nouvel article arXiv, le travail n'a pas encore été relu par les pairs, ne cite aucune entreprise partenaire et ne fixe aucun calendrier de transfert produit.

Recherche❖Paper

1 source

38

1109arXiv cs.RO 

C3-JEPA sous-marin : un modèle du monde à vues croisées centré objet pour le sauvetage par ROV

Une équipe de recherche présente, dans une prépublication arXiv de septembre 2026, Underwater C³-JEPA, un modèle du monde prédictif et multi-caméras pour le renflouage sous-marin par ROV à courte distance et charge lourde. Sans capteur de contact, il prédit en espace latent l'évolution de l'objet cible pendant l'interaction physique et sous le retard hydrodynamique du véhicule, à partir de vues RGB synchronisées et des commandes du ROV. L'architecture encode chaque caméra en jetons "objet" et "contexte", fusionne les vues par attention sur une caméra masquée et prédit les états futurs conditionnés par la commande ; une "liaison faible" ancre cible et préhenseur à faible coût d'annotation, et une régularisation géométrique nommée SIGReg affine la représentation. Testé sur des vidéos réelles, le modèle reconstitue l'état d'un objet à partir d'une caméra exclue de l'entraînement. Le résultat s'attaque à un point dur de la robotique sous-marine : l'absence de retour de contact exploitable sous l'eau et la traînée hydrodynamique qui brouille toute prédiction de mouvement. Les auteurs montrent que leur représentation transfère plus d'information utile aux tâches en aval qu'une architecture latente sans reconstruction, tout en gardant le prédicteur léger, un argument pour les architectures JEPA hors des benchmarks académiques ; l'interface sert à évaluer des commandes candidates en contrôle prédictif (MPC) et à entraîner des agents par simulation imaginée, une brique utile pour l'autonomie partielle des ROV en offshore ou en renflouage d'épaves. Fonctionner sur vidéo réelle, pas seulement en simulation, répond à la critique récurrente du secteur sur l'écart entre simulation et réalité. Le travail prolonge la famille des architectures JEPA, popularisée par Yann LeCun chez Meta avec I-JEPA et V-JEPA, ici étendue à un cadre multi-caméras conditionné par la commande d'un véhicule, une combinaison inédite pour l'exploitation sous-marine. Il s'agit pour l'instant d'une publication de recherche : l'article ne mentionne ni déploiement, ni partenaire industriel, ni calendrier de mise en service. Le renflouage et la manipulation sous-marine à fort enjeu, épaves, maintenance offshore, interventions de défense, restent un segment où les grands noms de la robotique humanoïde sont absents, laissant le terrain à des laboratoires spécialisés et à l'industrie parapétrolière ; aucun acteur français ou européen n'est cité dans cette étude.

Recherche❖Paper

1 source

38

1110arXiv cs.RO 

Recherche de mouvement sensible au résultat pour une préhension dextérique consciente de l'impact

Un preprint publié sur arXiv sous la référence 2609.29020 fin septembre 2026 présente une méthode nommée Outcome-Sensitive Motion Search, conçue pour apprendre à un bras robotique à attraper des objets lancés à grande vitesse sans les briser ni endommager l'effecteur. Le principe repose sur un enseignant entraîné par apprentissage par renforcement (RL), disposant d'un accès privilégié à l'état complet de la scène, dont le comportement sert à distiller une politique élève entraînée par apprentissage par imitation (IL), seule déployable en pratique puisqu'elle n'a pas cet accès privilégié. Les auteurs définissent une "fenêtre sensible au résultat" (outcome-sensitive window) marquant les instants où de faibles variations du geste avant contact changent radicalement l'issue de la prise et de l'impact, puis corrigent par recherche géodésique locale les trajectoires de l'enseignant, y compris ses échecs, avant de valider chaque candidat via un modèle calibré d'erreur d'action de l'élève. En simulation, la politique IL obtenue dépasse l'enseignant RL privilégié à la fois en taux de réussite de capture et en atténuation de l'impact, sans que l'abstract ne fournisse de chiffres précis de performance. Le résultat cible un point faible connu de la manipulation dynamique en robotique : la distillation d'un enseignant RL performant vers une politique déployable échoue souvent précisément près de l'instant de contact, où de minimes écarts d'action entre élève et maître se traduisent par des prises ratées ou des chocs mal absorbés. Le papier montre que cette sensibilité doit être caractérisée et réparée activement dans les démonstrations plutôt que traitée comme du simple bruit, ce qui nuance l'idée reçue qu'un enseignant RL capable fournit automatiquement de bonnes démonstrations pour l'imitation. Pour les équipes travaillant sur des bras collaboratifs ou des mains robotiques amenées à réceptionner des objets en mouvement, en logistique ou sur ligne d'assemblage, le message pratique est que l'imitation de trajectoires enseignantes réussies ne suffit pas à garantir un comportement robuste une fois l'accès aux informations privilégiées retiré au moment du déploiement. La méthode s'inscrit dans la lignée classique des architectures enseignant privilégié puis élève par imitation, largement utilisées en robotique pour transférer des comportements appris en simulation vers des politiques compactes exploitables sur du matériel réel. L'article ne cite aucune entreprise, plateforme commerciale ni acteur français ou européen : il s'agit d'un travail académique validé uniquement par des expériences en simulation étendue, sans essai sur robot physique ni calendrier de déploiement annoncé. La suite logique, non couverte par cet abstract, serait une validation sur un bras ou une main robotique réels pour vérifier si les gains observés en simulation sur le taux de capture et l'atténuation d'impact se maintiennent lors du transfert sim-to-réel.

Recherche❖Paper

1 source

38

1111arXiv cs.RO 

Alignement torque-observation simple pour la préhension sim-vers-réel en zero-shot avec une pince à entraînement direct

Un preprint publié sur arXiv en septembre 2026 (arXiv:2609.29031v1) présente une méthode d'alignement des observations de couple pour l'apprentissage par renforcement sur des préhenseurs à entraînement direct (direct-drive, DD), dont le courant moteur est lié au couple articulaire par une constante Ktau. Celle-ci est d'abord étalonnée au dynamomètre pour corriger l'écart d'échelle entre simulation et réel, puis le couple brut est remplacé par sa variation deltatau(t) = tau(t) tau(t-1) afin de supprimer le biais constant, et un bruit gaussien mesuré au dynamomètre est injecté pendant l'entraînement. Une politique teacher-student, entraînée en simulation puis distillée, est déployée sur un préhenseur multi-doigts DD qui saisit des objets à partir des seules positions articulaires et variations de couple, sans vision ni capteur tactile. Sur neuf objets en distribution, l'étude d'ablation comparant la méthode à plusieurs variantes d'alignement rapporte 100% de réussite de préhension. Le transfert simulation-réel des signaux de couple constitue un obstacle récurrent en manipulation robotique fondée sur la force, le décalage d'échelle, de biais et de bruit entre capteurs simulés et réels imposant habituellement un réglage sur robot physique. Un transfert "zero-shot" purement proprioceptif intéresse donc les intégrateurs qui conçoivent des mains ou pinces sans caméra ni peau tactile, solution moins coûteuse et plus robuste aux occlusions et à l'éclairage que la vision, et conforte l'usage des actionneurs à entraînement direct, appréciés pour leur transparence mécanique dans les mains de robots humanoïdes, dès lors que l'écart de mesure de couple est traité correctement. Le score de 100% reste toutefois à relativiser: il porte sur neuf objets connus, en conditions de laboratoire, sans indication de généralisation à des objets ou tâches plus complexes. La méthode s'appuie sur la distillation teacher-student et la randomisation de domaine, des techniques désormais courantes pour combler l'écart simulation-réel en robotique d'apprentissage, notamment dans la recherche sur les mains dextres humanoïdes. La simplicité des actionneurs à entraînement direct, sans réducteur, facilite l'étalonnage courant-couple par rapport aux transmissions à engrenages ou à câbles, mais laisse subsister des artefacts électroniques que l'étude cible spécifiquement. Publiée comme preprint non encore évalué par des pairs, la recherche valide une méthode sur un banc d'essai en laboratoire plutôt qu'un produit déployé, sans calendrier d'industrialisation annoncé; les suites attendues portent sur des objets hors distribution, davantage de degrés de liberté et une combinaison avec d'autres modalités sensorielles comme la vision ou le toucher.

Recherche❖Paper

1 source

38

1112arXiv cs.RO 

ActGaze : apprendre un regard ancré dans l'action via des interventions visuelles contrefactuelles pour une manipulation de haute précision

Des chercheurs ont mis en ligne le 25 septembre 2026 sur arXiv (arXiv:2609.28955) une méthode baptisée ActGaze, destinée à améliorer la précision des modèles vision-langage-action (VLA) utilisés en manipulation robotique. Le constat de départ est que les VLA actuels échouent souvent sur les tâches fines parce que leur attention visuelle se disperse sur des zones de l'image sans rapport avec la tâche à accomplir. ActGaze entraîne la politique VLA à concentrer son regard sur les régions pertinentes, à l'image d'un humain qui fixe les indices visuels critiques lors d'un geste précis. Contrairement aux approches antérieures qui s'appuient sur des annotations externes de regard fournies manuellement, ActGaze dérive sa supervision spatiale directement de l'objectif d'action du modèle lui-même, en utilisant des interventions visuelles contrefactuelles pour identifier quelles régions de l'image sont réellement déterminantes dans la prédiction du geste. Les auteurs rapportent des expériences menées sur robot réel, et non en simulation, portant sur quatre tâches de manipulation à haute précision; le résumé ne précise ni payload, ni degrés de liberté, ni temps de cycle des plateformes testées. Pour l'industrie robotique, ce travail s'attaque à un point de friction précis: l'écart entre les démonstrations spectaculaires de VLA généralistes et leur fiabilité réelle sur des gestes fins comme l'insertion de précision ou la préhension d'objets fragiles, un écart souvent pointé par les intégrateurs comme le principal obstacle à la mise en production. En montrant qu'un signal d'attention utile peut être extrait de l'objectif d'action lui-même plutôt que d'annotations humaines coûteuses, ActGaze propose une piste pour fiabiliser les politiques VLA sans alourdir les pipelines de collecte de données, un enjeu direct pour tout acteur cherchant à déployer ces modèles au-delà du laboratoire. Ce papier s'inscrit dans la vague de recherche récente sur les modèles VLA (dans la lignée de familles comme Pi-0 ou GR00T N2, largement discutées dans le secteur), où la robustesse de la perception reste un sujet ouvert malgré les progrès sur l'échelle des données et des modèles. L'article ne mentionne ni partenaire industriel, ni plateforme robotique commerciale précise, ni calendrier de transfert vers un produit: il s'agit d'une contribution méthodologique publiée en preprint, dont la reproductibilité et l'adoption par d'autres équipes de recherche resteront à observer dans les mois suivant sa publication.

Recherche⚡Actu

1 source

38

1113arXiv cs.RO 

Connaître son corps : une méthode pour un contrôle robotique direct et auto-améliorant avec des VLM

Une équipe de recherche présente KnowBody, un harnais logiciel qui vient se greffer sur un modèle vision-langage (VLM) déjà entraîné, sans toucher à ses poids, pour lui apprendre concrètement comment le corps d'un robot donné produit un effet. Le système part d'une seule trajectoire hors tâche pour construire un modèle partiel du corps du robot, qui guide ensuite le choix des actions et l'interprétation des interactions passées ; ce modèle est révisé au fil des nouvelles observations, et toute connaissance qui en dépendait est revérifiée avant d'être réutilisée. Sur 32 essais à budget fixe répartis sur quatre tâches confiées à un robot réel, la version initialisée de KnowBody atteint 75% de complétion contre 25% pour le harnais natif du même VLM, avec moins de cycles de planification nécessaires sur les tâches réussies par les deux approches. Lorsque les mises à jour persistantes du modèle de corps sont activées, le nombre de cycles de planification chute de 29 à 53% entre le premier et le cinquième succès enregistré. Le résultat touche un point de friction central pour l'industrie des modèles vision-langage-action (VLA) : un VLM générique comprend sémantiquement l'objectif d'une tâche, mais ignore par défaut comment les degrés de liberté et les organes effecteurs spécifiques d'un robot donné traduisent cette intention en mouvement. Les approches dominantes comme Pi-0, GR00T N2 ou Helix misent sur l'apprentissage de bout en bout, souvent au prix d'un réentraînement ou d'un fine-tuning par plateforme. KnowBody propose l'inverse : garder le modèle figé et ajouter une couche intermédiaire explicite, interrogeable et corrigible, qui capitalise l'expérience physique du robot. Pour les intégrateurs, l'intérêt est la promesse d'un déploiement d'un même VLM générique sur des corps robotiques différents sans coût de réentraînement, si l'approche tient sur des flottes plus larges. Ces résultats restent toutefois un travail de recherche préliminaire, publié en preprint sur arXiv (arXiv:2609.28530v1), validé sur seulement quatre tâches et 32 essais en environnement contrôlé, loin d'un déploiement industriel. Aucun nom d'entreprise, de robot commercial ni de site de production n'est associé à ces expériences. La démonstration se positionne néanmoins explicitement en alternative aux stratégies VLA propriétaires actuelles, et la suite logique attendue serait une extension à davantage de tâches, de plateformes robotiques et de conditions réelles pour confirmer la généralisation du mécanisme.

Recherche❖Paper

1 source

38

1114arXiv cs.RO 

OREN-X : réseau octree résiduel pour la cartographie multimodale en temps réel

Publié en septembre 2026 sur arXiv (2609.29157), OREN-X est un système de cartographie 3D temps réel pour robots qui réunit dans un même octree trois informations traitées jusque-là séparément : la géométrie pour la planification, la radiance pour le rendu et la relocalisation, et des features vision-langage pour la reconnaissance d'objets en vocabulaire ouvert. Un apprentissage de dictionnaire en ligne comprime ces features jusqu'à 3,7 fois tout en améliorant la précision des requêtes. Sur le benchmark Replica, OREN-X cartographie à plus de 80 images par seconde pour le SDF (distance signée) seul et plus de 30 images par seconde pour les quatre modalités combinées, avec une précision SDF améliorée de 33% et un score mIoU en vocabulaire ouvert en hausse de 71% par rapport à la meilleure méthode antérieure. L'intérêt tient à la mutualisation : plutôt que de faire tourner des pipelines séparés pour la géométrie, le rendu et la compréhension sémantique, ce qui multiplie mémoire et calcul embarqués, OREN-X fait cohabiter ces représentations et en tire une synergie mesurée, les estimations SDF étant affinées par les données d'occupation et de radiance. Pour l'autonomie longue durée des robots mobiles, cela répond à un frein concret à la mise en production : exécuter navigation, rendu visuel et compréhension de scène en langage naturel sans faire exploser la charge de calcul embarquée. Les gains en vocabulaire ouvert suggèrent un ancrage sémantique plus fiable sans sacrifier la vitesse, même si ces résultats restent obtenus en simulation sur Replica et non sur un robot physique en conditions réelles. Ce travail s'inscrit dans une recherche où la cartographie robotique traitait jusqu'ici séparément les représentations SDF/TSDF pour la géométrie, les champs de radiance neuronaux ou le splatting gaussien pour le rendu, et des embeddings type CLIP pour l'ancrage sémantique, chacun avec son propre coût mémoire. OREN-X se positionne comme une alternative unifiée, appuyée sur un octree partagé et un parcours de rayons accéléré par GPU pour le rendu temps réel. Publié en preprint sur arXiv sans évaluation par les pairs à ce stade, l'article ne précise ni les auteurs ni de calendrier de tests sur robot réel ; il reste, pour l'instant, une contribution validée en simulation plutôt qu'un système prêt à l'intégration industrielle.

Recherche❖Paper

1 source

38

1115arXiv cs.RO 

Apprentissage accéléré de politiques visuomotrices sur variétés d'action via Riemannian MeanFlow

Une équipe de recherche publie sur arXiv (2609.30127v1) une méthode baptisée Riemannian MeanFlow Policy (RMFP), destinée a accélérer l'apprentissage des politiques visuomotrices en robotique de manipulation. Ces politiques associent des observations sensorielles brutes a des séquences d'actions robotiques ; les approches actuelles par diffusion ou flow matching capturent bien la diversité des trajectoires possibles, mais exigent une intégration numérique en plusieurs étapes, couteuse en temps et incompatible avec les cadences de contrôle rapides. RMFP apprend directement la carte de flot de la trajectoire de probabilité sur la variété géométrique de l'espace d'actions, ancrée par une méthode de Riemannian Conditional Flow Matching, ce qui ramené la génération a une seule évaluation du réseau. La méthode est testée sur LASA sphérique, Push-T, les taches Tool Hang et Transport de Robomimic, Franka Kitchen, puis sur une manipulation réelle avec capteurs imparfaits. Cette capacité a générer une action valide en une seule passe réseau, plutôt qu'en dizaines d'étapes d'intégration, s'attaque directement au goulot d'étranglement qui empêche les politiques de type diffusion ou flow matching de tourner aux fréquences de contrôle exigées par la manipulation fine en temps réel. Pour les intégrateurs et les équipes de recherche en robotique, ce résultat suggère qu'il est possible de conserver l'expressivité des modèles génératifs multimodaux, utiles pour représenter plusieurs stratégies de saisie ou de manipulation possibles, sans sacrifier la latence d'inférence. Le test en conditions réelles avec des mesures sensorielles bruitées répond en partie a la critique fréquente adressée a ce type de travaux, a savoir un écart entre résultats en simulation et robustesse effective sur robot physique, même si la portée de ce test unique reste limitée. RMFP s'inscrit dans la lignée des politiques de diffusion popularisées en robotique depuis 2023 et de leurs variantes en flow matching, dont s'inspirent aussi certains modèles vision-langage-action commerciaux qui génèrent des séquences d'actions continues, a l'image de Pi-0 de Physical Intelligence ou des architectures d'action de la famille GR00T de NVIDIA. La technique MeanFlow, empruntée a la génération d'images en une étape, est ici adaptée pour la première fois aux variétés géométriques propres aux espaces d'actions robotiques. Il s'agit d'une contribution académique publiée en preprint, sans acteur industriel associe ni déploiement annonce ; les auteurs évoquent comme suite logique l'extension a des architectures VLA de plus grande échelle et a davantage de plateformes robotiques réelles.

Recherche❖Paper

1 source

38

1116arXiv cs.RO 

Modélisation par séries de Fourier des erreurs de transmission des réducteurs cycloïdaux selon charge, vitesse et température

Des chercheurs proposent un modèle des erreurs de transmission des réducteurs cycloïdaux équipant les articulations de robots industriels, construit à partir d'une série de Fourier dont l'amplitude et la phase sont exprimées comme des fonctions polynomiales des trois principaux facteurs d'influence : le couple de charge, la vitesse et la température. Les mesures ont été réalisées sur un banc d'essai représentant une articulation robotique unique. L'analyse des données a permis de relier les fréquences harmoniques observées aux propriétés mécaniques internes du réducteur cycloïdal, ces fréquences servant ensuite à identifier les paramètres du modèle polynomial. Comparé à des mesures de validation indépendantes, le modèle obtenu affiche une erreur quadratique moyenne de 0,026 milliradian en moyenne, un résultat que les auteurs jugent suffisant pour une exploitation en commande. Cette précision importe parce que les robots industriels classiques sont aujourd'hui rarement employés pour des tâches d'usinage, leur précision de trajectoire étant limitée avant tout par la compliance et les erreurs de transmission des chaînes d'entraînement au niveau des articulations. Les réducteurs à onde de déformation (strain wave gears) ont déjà fait l'objet de nombreuses études sur ce type d'erreur, mais les réducteurs cycloïdaux, pourtant très répandus dans les articulations dimensionnées pour des charges moyennes à lourdes, restaient jusqu'ici peu documentés sur ce plan. Disposer d'un modèle prédictif fiable ouvre la voie à une compensation en boucle ouverte (feedforward) de ces erreurs, ce qui pourrait rapprocher la précision de robots industriels standards de celle de machines-outils dédiées, et élargir leur usage à des opérations de fraisage, perçage ou ébavurage aujourd'hui réservées à des équipements spécialisés, sans changement matériel côté intégrateur. L'étude s'inscrit dans un travail plus large de caractérisation des chaînes cinématiques robotiques, où les réducteurs à onde de déformation et les réducteurs cycloïdaux constituent les deux familles technologiques dominantes, la seconde étant privilégiée pour les charges plus élevées. En s'appuyant sur une analyse harmonique reliant erreurs mesurées et géométrie interne du réducteur, les auteurs comblent un manque de modélisation identifié par rapport aux travaux existants sur les onde de déformation. Publié sur arXiv fin septembre 2026, l'article se limite pour l'instant à un banc d'essai reproduisant une seule articulation ; il ne présente pas encore de validation sur un bras robotique complet en conditions industrielles, ce qui constitue l'étape logique suivante avant une éventuelle intégration en commande dans des robots commerciaux.

Recherche❖Paper

1 source

38

1117arXiv cs.RO 

CALM : manipulation de liaison alignée sur le courant pour soulever des objets surdimensionnés à bras unique

Une équipe de recherche présente CALM (Current-Aligned Link Manipulation), un framework publié sur arXiv en septembre 2026 sous la référence 2609.29017v1, qui permet à un bras robotique unique de soulever des objets surdimensionnés en mobilisant tout le bras, avant-bras et coude compris, et pas seulement son effecteur terminal. La méthode combine trois politiques entraînées en simulation avec des informations privilégiées, couvrant le repositionnement, la préhension et le levage, qu'un routeur de stade enchaîne pour produire des démonstrations complètes de la tâche. Le transfert vers le matériel réel repose sur un "causal current mapper", un module qui prédit le courant moteur physique à partir des historiques articulaires simulés, afin d'aligner l'observation du courant entre simulation et robot réel. Une politique étudiante unique apprend ensuite à partir de ces démonstrations en n'utilisant que des capteurs réellement déployables, puis est affinée par DAgger. Résultat annoncé: 76,2% de réussite en simulation (762 essais sur 1000) et 73,3% sur robot physique (22 essais sur 30) pour la tâche complète de levage séquentiel d'objets surdimensionnés. Ce travail cible un angle mort de la manipulation robotique actuelle: la plupart des bras industriels et humanoïdes ne saisissent qu'avec leur pince ou effecteur, ce qui limite la taille et le poids des objets manipulables, contrairement à l'humain qui cale un objet encombrant contre l'avant-bras ou l'épaule. En utilisant le courant moteur comme substitut à un retour tactile coûteux pour estimer la charge de contact le long du bras, CALM propose une piste pour réduire l'écart sim-to-real sur la dynamique de contact et des actionneurs, un obstacle classique qui fait échouer en conditions réelles des politiques pourtant efficaces en simulation. Le taux de 73,3% sur seulement 30 essais physiques reste un résultat de laboratoire préliminaire, à confirmer sur un échantillon plus large avant toute extrapolation vers un usage industriel en logistique ou en entrepôt. L'abstract ne précise ni les auteurs, ni leur affiliation, ni le type de bras utilisé pour les essais physiques, et ne mentionne aucun acteur français ou européen du secteur. Le papier s'inscrit dans la lignée des méthodes de distillation de politique enseignant-élève, déjà répandues en locomotion pour robots quadrupèdes et humanoïdes, appliquées ici à la manipulation de contact riche sur horizon long. Aucun calendrier de déploiement, partenariat industriel ou suite commerciale n'est annoncé à ce stade: il s'agit d'une contribution de recherche académique, non d'un produit ni d'un pilote en conditions réelles.

Recherche❖Paper

1 source

38

1118arXiv cs.RO 

M3GD : une diffusion géométrique multimodale et multi-vue pour la synthèse de nouvelles vues caméra-LiDAR

M3GD (Multi-Modal Multi-View Geometric Diffusion), publié sur arXiv le 25 septembre 2026, est une méthode de synthèse de nouvelles vues combinant caméra et LiDAR, là où la plupart des approches génératives existantes reposent uniquement sur l'image. Le système assemble des modèles de fondation 2D et 3D pré-entraînés séparément, sans traducteur cross-modal dédié : après projection caméra, les features LiDAR et image figées partagent déjà une structure spatiale commune exploitable. Des statistiques géométriques et des descripteurs de nuages de points, regroupés en paquets alignés sur la vue, sont injectés via un adaptateur résiduel léger dans un générateur multi-vues par flow-matching, sans modifier son espace latent, ses décodeurs ni son objectif d'entraînement. Sur le jeu de données GrandTour, M3GD améliore la synthèse RGB et de profondeur par rapport à une version image seule du même modèle, et a été déployé sur un robot terrestre, avec un compromis qualité/coût réglable via le nombre d'étapes d'intégration d'Euler. L'enjeu dépasse la curiosité académique : les rendus génératifs de synthèse de vues purement image peuvent paraître réalistes tout en étant géométriquement faux, un défaut rédhibitoire quand ces vues nourrissent l'entraînement, la simulation ou la navigation d'un robot. En démontrant que des features LiDAR et image pré-entraînées séparément partagent déjà une structure spatiale exploitable sans réentraînement lourd, M3GD ouvre une voie économique pour fusionner des capteurs hétérogènes dans des pipelines génératifs existants plutôt que de reconstruire des architectures dédiées, un argument qui parle directement aux équipes de perception multi-capteurs en robotique industrielle. Le travail s'inscrit dans la lignée des générateurs multi-vues par flow-matching, famille de modèles de diffusion déjà utilisée pour la synthèse de vues en robotique, jusque-là cantonnée aux données caméra. Le papier ne cite aucun concurrent commercial et reste une contribution de recherche académique, sans produit ni pilote industriel annoncé. Sa validation se limite au jeu de données GrandTour et à un unique déploiement sur robot terrestre, sans calendrier d'intégration commerciale communiqué, ce qui situe M3GD au stade de preuve de concept plutôt que de solution prête à l'industrialisation.

Recherche❖Paper

1 source

38

1119arXiv cs.RO 

RoboLDA : un modèle génératif probabiliste pour révéler les structures hiérarchiques incarnées des robots souples à voxels

Des chercheurs présentent RoboLDA, un modèle probabiliste bayésien qui extrait automatiquement les principes hiérarchiques de conception des robots souples à base de voxels (VSR), jusqu'ici tributaires de l'expertise humaine. Entraîné par inférence variationnelle, il décompose la morphologie en quatre niveaux, tâche, robot, organe, voxel, appris à partir de designs performants existants. Sur des VSR simulés, le modèle génère en zero-shot des morphologies pour des tâches inédites, sans optimisation supplémentaire, atteignant en moyenne 106,4% des performances d'algorithmes évolutionnaires optimisés tâche par tâche. Les « organes » identifiés, sous-structures entre voxel et robot complet, s'avèrent être des unités fonctionnelles valides qui améliorent la coordination des mouvements une fois intégrées à des politiques de contrôle modulaires. Publié en preprint sur arXiv (2609.29490), le travail reste une démonstration en simulation, sans validation sur robot physique. Ce résultat intéresse les équipes de recherche en conception automatisée de robots et les intégrateurs travaillant sur des systèmes modulaires ou reconfigurables, dans un contexte où concevoir un VSR performant exige aujourd'hui une expertise pointue pour répartir les fonctions entre segments du robot, un processus coûteux en temps d'ingénieur et peu transférable d'une tâche à l'autre. En montrant qu'une hiérarchie cohérente peut être extraite statistiquement de designs existants plutôt que dictée à la main, RoboLDA ouvre la voie à des outils génératifs capables de proposer des morphologies quasi optimales en zero-shot, là où les algorithmes évolutionnaires exigent un cycle d'optimisation complet par tâche. Le gain de 106,4% mérite d'être nuancé : il s'agit de résultats en simulation sur des bancs d'essai contrôlés, l'écart pouvant se réduire face à des contraintes physiques absentes du simulateur. L'approche s'inscrit dans un courant de recherche qui vise à rendre la conception des robots souples aussi systématique que celle des robots rigides, en s'inspirant de l'organisation hiérarchique des organismes biologiques. Jusqu'ici, la génération de morphologies de VSR reposait surtout sur des algorithmes évolutionnaires ou des réseaux génératifs sans hiérarchie explicite, produisant des designs peu interprétables et peu réutilisables. RoboLDA, dont le nom renvoie à l'allocation de Dirichlet latente (LDA), transpose cette logique probabiliste à la morphologie robotique. Les auteurs le présentent comme une première étape vers une modélisation générative interprétable des agents incarnés, sans calendrier de transfert vers des robots physiques ni partenariat industriel annoncés.

Recherche❖Paper

1 source

38

1120arXiv cs.RO 

World Action Agent : exploiter les modèles vision-langage pour la manipulation robotique via répétition d'actions simulées

World Action Agent (WAA) est un système multi-agents qui fait piloter des robots manipulateurs par des modèles vision-langage dans un espace de travail visuel, plutôt que via des contraintes déduites ou du code généré. Le système combine des vues de contact choisies automatiquement autour du point d'interaction, une « répétition d'action » qui rend chaque geste modifiable avant exécution, et une correction en vue qui élimine les décalages résiduels ; il apprend aussi des compétences via des vidéos d'experts et des démonstrations humaines validées. Sur le benchmark LIBERO-Pro, avec des compétences apprises uniquement sur LIBERO-90, WAA atteint 75,6 % de réussite moyenne, devançant les VLA de bout en bout et les agents « code-as-policy » ; le fine-tuning de Qwen3.5-9B sur ses traces d'interaction porte sa réussite hors domaine de 1,7 % à 43,3 %. Cette approche cible un angle mort du secteur : les VLM sont utilisés indirectement, pour déduire des contraintes ou écrire du code, sans agir dans une représentation modifiable de la scène. En rendant chaque geste corrigeable avant exécution, WAA répond à l'écart persistant entre démonstrations impressionnantes et fiabilité réelle en manipulation, un enjeu central pour les intégrateurs hésitant à déployer des VLA en production. Le résultat le plus parlant pour les décideurs B2B reste la distillation : entraîner un modèle plus petit sur les traces du système fait bondir sa réussite hors domaine de 1,7 % à 43,3 %, ouvrant une voie économique vers des politiques robotiques déployables à grande échelle sans VLM massif en boucle d'inférence. Le travail est publié comme prépublication arXiv non encore relue par les pairs, évalué uniquement en simulation sur les bancs d'essai LIBERO-Pro, LIBERO-90 et robosuite, sans déploiement sur robot physique ni site industriel mentionné. Aucune entreprise ni plateforme robotique n'est citée dans l'étude, WAA se positionnant comme une alternative architecturale aux VLA entraînés de bout en bout et aux approches « code-as-policy » qui dominent la recherche récente sur le pilotage de robots par modèles de fondation. Les auteurs ne précisent aucun calendrier de transfert vers du matériel réel, la validation sur capteurs bruités et environnements non contrôlés restant l'étape déterminante avant tout déploiement industriel.

IA physique⚡Actu

1 source

37

1121arXiv cs.RO 

Res-HIL : apprentissage par renforcement résiduel guidé par l'humain pour la manipulation dextérique efficace en échantillons

Res-HIL, un framework de reinforcement learning résiduel guidé par l'humain pour la manipulation robotique dextre, a été publié sur arXiv le 25 septembre 2026 sous la référence 2609.30023. La méthode combine une politique d'imitation pré-entraînée et gelée avec une politique résiduelle corrective, entraînée à partir d'interventions humaines en temps réel : chaque intervention fournit à la fois une supervision directe de la politique résiduelle et un signal de récompense pour le comportement autonome qui l'a précédée. La politique résiduelle démarre à zéro pour stabiliser l'apprentissage en ligne. Testée sur cinq tâches de manipulation à fort contact, mêlant haute précision et longs horizons temporels, Res-HIL surpasse, avec seulement 20 démonstrations initiales et dix minutes d'entraînement en ligne, les méthodes de référence de RL human-in-the-loop à politique complète et de fine-tuning résiduel sans guidage humain. Elle dépasse également des politiques d'imitation pure entraînées avec cinq fois plus de démonstrations. Le résultat cible le principal goulot d'étranglement du déploiement de manipulateurs dextres : le coût de collecte de démonstrations humaines, qui ne garantit pas la généralisation une fois la politique déployée hors distribution. En montrant qu'une correction résiduelle guidée par l'humain, appliquée seulement dix minutes, peut égaler des politiques entraînées sur cinq fois plus de données, Res-HIL suggère que l'effort humain est mieux investi dans la correction ciblée d'une politique existante que dans la multiplication des démonstrations complètes, une remise en cause pratique de l'hypothèse dominante en apprentissage par imitation selon laquelle la qualité dépend avant tout du volume de données. Pour les intégrateurs évaluant des tâches à fort contact comme l'assemblage ou l'insertion, cela ouvre une voie d'amélioration post-déploiement moins coûteuse qu'un ré-entraînement complet. L'approche s'inscrit entre deux courants existants : l'apprentissage par imitation, dont les politiques échouent typiquement hors de la distribution des démonstrations d'entraînement, et le RL human-in-the-loop, qui exploite des corrections en ligne mais réapprend généralement une politique complète plutôt que d'affiner un modèle déjà entraîné. Res-HIL se positionne explicitement contre ces deux références, qu'il surpasse systématiquement dans l'étude comparative. Une analyse d'ablation montre que la supervision directe de la politique résiduelle est le facteur critique de performance, tandis que le façonnage de récompense sensible aux interventions améliore surtout l'efficacité de l'entraînement. L'article ne mentionne ni déploiement industriel ni partenariat commercial : il s'agit d'un travail de recherche méthodologique dont la validation sur des plateformes robotiques réelles, au-delà des cinq tâches testées, reste l'étape suivante.

Recherche❖Paper

1 source

37

1122arXiv cs.RO 

Imitation morphométrique : du retargeting de mains sensible au contact vers une politique visuomotrice simulation-vers-réel

Un papier de recherche publié sur arXiv sous la référence 2609.28660v1 présente "Morphometric Imitation", un framework en trois étapes qui convertit des démonstrations humaines main-objet en politiques robotiques visuomotrices déployables directement en conditions réelles, sans réentraînement supplémentaire (zero-shot sim-to-real). La première étape, l'optimisation morphométrique (MMO), retargete cinématiquement le mouvement humain vers différentes morphologies de mains robotiques tout en préservant les contacts observés. La deuxième étape s'appuie sur de l'apprentissage par renforcement résiduel, nourri par la pose de l'objet et les informations de contact issues du mouvement humain, pour produire des démonstrations robotiques dynamiquement réalisables. La troisième étape distille ces démonstrations en politiques visuomotrices entraînables. Testé sur trois mains robotiques différentes et dix interactions main-objet, MMO améliore le score F1 de contact d'au moins 8 points par rapport au meilleur des cinq méthodes de référence comparées, pour chaque main testée, et augmente jusqu'à 35 points le taux de réussite du retargeting dynamique en aval. Les politiques visuomotrices finales atteignent 89,3% de réussite en zero-shot sur 300 essais réels menés sur 30 objets. Une page projet dédiée accompagne la publication. Ce travail cible un verrou central de la manipulation dextre : exploiter la richesse des démonstrations humaines reconstruites sans être bloqué par l'écart de morphologie entre main humaine et main robotique, ni par l'irréalisme dynamique de trajectoires simplement retargetées. Le taux de succès zero-shot de 89,3% en conditions réelles, même mesuré sur un nombre restreint d'objets et en cadre contrôlé, constitue une preuve empirique que le transfert sim-to-real pour la manipulation dextre à partir de données humaines peut fonctionner sans passer par un réentraînement lourd sur le robot cible. C'est un signal utile pour les équipes de recherche et intégrateurs travaillant sur des politiques visuomotrices dextres, un domaine où l'écart entre démonstrations vidéo soignées et robustesse réelle reste souvent le point faible des annonces du secteur. Il s'agit d'une contribution académique en preprint, non d'un produit commercial ni d'un déploiement industriel : les résultats viennent d'essais de laboratoire, pas d'un site client. La démarche s'inscrit dans la recherche sur l'apprentissage par imitation à partir de vidéos d'interactions humaines pour la manipulation dextre, où le sim-to-real reste l'obstacle technique principal identifié par la communauté. Les auteurs comparent leur méthode à cinq approches de référence existantes pour le retargeting de mouvement, situant la contribution dans un champ de recherche actif. La suite logique, non détaillée dans le résumé, serait l'extension à davantage d'objets et de morphologies de mains, ainsi que des tâches de manipulation plus complexes ; la page projet (morphometricimitation.github.io) sert de référence pour le code et les démonstrations vidéo.

Recherche❖Paper

1 source

37

1123arXiv cs.RO 

VLA auto-adaptatif pour un déploiement robotique robuste

Une équipe de recherche a publié en septembre 2026 sur arXiv (2609.30092) Self-Adaptive VLA, un protocole de post-entraînement qui permet à un modèle Vision-Language-Action de s'adapter en cours de déploiement aux dérives matérielles telles que l'usure des actionneurs ou un mauvais calibrage des capteurs. Un encodeur de contexte léger compresse l'image, la proprioception et les actions récentes en un jeton latent qui module la politique via une normalisation de couche adaptative (AdaLN), ces jetons pouvant s'enchaîner pour une autocorrection progressive au fil des essais. Sur quatre tâches de manipulation bi-manuelle et dextre à haute précision, la méthode récupère plus de 80% de la performance nominale malgré un biais d'actionnement ou un décalage des encodeurs articulaires, et se montre plus robuste lors du transfert vers de nouveaux postes de travail. Des vidéos de démonstration sont publiées en ligne sur une page de projet dédiée. Le sujet touche un verrou concret pour l'industrialisation des VLA : leur absence de mémoire les rend fragiles à la variabilité matérielle qui s'accumule sur un robot en service, imposant aujourd'hui des recalibrages fréquents sur site, coûteux en temps d'arrêt pour les intégrateurs et exploitants de flottes. En montrant qu'une politique peut retrouver l'essentiel de ses performances sans recalibrage manuel, ces travaux nuancent l'idée que les VLA entraînés à grande échelle seraient d'emblée robustes en conditions réelles : l'écart entre démonstration et déploiement industriel reste réel et appelle des mécanismes d'adaptation dédiés, pas seulement davantage de données. Pour les décideurs B2B, l'enjeu principal est la réduction du coût de maintenance des flottes de bras et d'humanoïdes équipés de VLA. Ces travaux s'inscrivent dans une vague de recherche sur les modèles de fondation Vision-Language-Action, famille qui compte des systèmes médiatisés comme Pi-0, GR00T N2 ou Helix, déjà testés ou déployés par plusieurs acteurs de la robotique humanoïde. Contrairement à ces annonces produits, Self-Adaptive VLA reste à ce stade un preprint académique, sans affiliation industrielle ni partenaire de déploiement cités, validé sur seulement quatre tâches de laboratoire et non sur une flotte réelle, une distinction importante entre preuve de concept et produit prêt à l'emploi. Les auteurs présentent l'approche comme une brique générique adaptable à d'autres architectures VLA, sans calendrier de transfert industriel annoncé.

Recherche❧Opinion

1 source

37

1124arXiv cs.RO 

Modélisation d'espace d'état couplé, contrôle et distillation de politique pour manipulateurs hybrides rigides-pneumatiques

Une équipe de recherche a publié sur arXiv (2609.29424) le premier modèle couplé pour bras hybrides combinant articulations rotoïdes motorisées et segments origami Kresling actionnés par pression pneumatique, avec dynamique des chambres et hystérésis des plis. Ce modèle mesure directement, pour une chaîne à N degrés de liberté, un couplage jusque-là ignoré par les boucles de commande découplées des bras hybrides publiés, et montre qu'il varie fortement d'une articulation à l'autre. Un contrôleur basé sur ce modèle suit la trajectoire 2,5 fois plus précisément qu'une boucle PID découplée, à couple moteur plus faible; son MPC reste toutefois trop lent pour le temps réel, et l'apprentissage par renforcement sans modèle plafonne loin des objectifs visés sur un critère strict de stabilisation. Les chercheurs distillent alors le MPC dans une politique neuronale légère, via clonage de comportement puis DAgger: elle stabilise 93 à 94% des postures cibles sans collision, proche de son professeur, dans le pas de contrôle de 5 millisecondes que le MPC ne respecte pas. Ce travail chiffre pour la première fois le coût réel de l'approximation découplée adoptée par défaut dans les bras hybrides, faute jusqu'ici d'un modèle couplé pour la mesurer. Pour les intégrateurs de manipulateurs souples, la perte de précision se concentre sur les articulations fortement couplées, non sur tout le bras, ce qui plaide pour des stratégies de contrôle mixtes plutôt qu'un choix binaire couplé ou découplé. La distillation d'un MPC coûteux vers une politique légère et temps réel illustre une tendance de la robotique: rendre exploitables par l'apprentissage des lois de commande physiquement fondées mais trop lentes, plutôt que de les remplacer. Les segments origami Kresling pneumatiques, étudiés depuis plusieurs années en robotique souple pour leur compliance, posaient, associés à des articulations rigides motorisées, un problème de modélisation resté non résolu et contourné par des boucles de commande indépendantes par degré de liberté. Le papier, en prépublication sur arXiv et non encore relu par les pairs, relève d'un travail de recherche en contrôle plutôt que d'un produit ou d'une entreprise identifiée. Les auteurs tracent les échecs résiduels du MPC lui-même à un cycle limite lié au mode faiblement amorti des soufflets, corrigé en limitant les postures cibles à celles tenables à basse pression, ouvrant la voie à des travaux futurs sur la sélection de trajectoires.

Recherche❖Paper

1 source

37

1125arXiv cs.RO 

Free-Init : initialisation sans scan, sans mouvement et sans mise en correspondance pour systèmes LiDAR-inertiels Doppler

Un nouveau framework baptisé Free-Init s'attaque à l'un des maillons faibles des systèmes de navigation LiDAR-inertiels : leur phase d'initialisation. Publié sous forme de preprint arXiv (2609.29375), le papier décrit une méthode qui exploite le LiDAR Doppler FMCW, une technologie capable de mesurer non seulement la distance de chaque point mais aussi sa vitesse Doppler radiale. En fusionnant cette vitesse point par point avec les mesures d'une centrale inertielle, sous une modélisation cinématique non inertielle, Free-Init s'affranchit de trois contraintes habituelles de l'initialisation : la correction de distorsion de mouvement des scans LiDAR, l'exigence de mouvements d'excitation spécifiques au démarrage, et la mise en correspondance avec une carte préexistante. Le système fonctionne quel que soit l'état initial de la plateforme, à l'arrêt, en mouvement modéré ou même lors de secousses violentes, et le vélocimètre Doppler-inertiel embarqué délivre des estimations à plus de 10 kHz. Les auteurs annoncent une validation sur plusieurs plateformes et scénarios de mouvement variés, sans toutefois préciser dans le résumé les matériels ou environnements testés, un détail qui reste à vérifier dans le corps du papier. L'enjeu dépasse la seule prouesse technique. Dans les pipelines SLAM et d'odométrie inertielle-LiDAR utilisés par les robots mobiles, drones et véhicules autonomes, l'initialisation reste souvent le point de friction opérationnel : de nombreux systèmes exigent une immobilité initiale ou des manœuvres d'excitation pour estimer l'échelle et l'orientation, ce qui complique un déploiement où l'engin doit être opérationnel dès la mise sous tension, y compris en mouvement. En rendant cette étape indépendante de la trajectoire initiale et des correspondances cartographiques, Free-Init pourrait faciliter l'intégration du LiDAR Doppler FMCW, encore peu répandu face aux LiDAR mécaniques classiques, dans des systèmes de perception embarqués destinés à des conditions réelles plus imprévisibles que les bancs d'essai en laboratoire. Le travail s'inscrit dans la lignée des recherches sur l'initialisation LiDAR-inertielle, longtemps limitée par l'absence de mesure directe de vitesse dans les LiDAR traditionnels, un manque que l'effet Doppler des capteurs FMCW vient combler. Présenté comme compatible plug-and-play avec les architectures LiDAR-inertielles existantes, Free-Init reste à ce stade une contribution académique publiée en preprint, sans indication d'intégration industrielle ni de partenaire commercial annoncé.

Recherche❖Paper

1 source

37

1126arXiv cs.RO 

Des robots qui prennent l'initiative : un cadre pour concevoir et évaluer des robots proactifs

Un article publié sur arXiv (référence 2609.28910v1) propose un nouveau cadre théorique pour la robotique assistive proactive, c'est-à-dire des robots capables de décider par eux-mêmes de ce qu'il faut faire plutôt que d'attendre une instruction explicite. Les auteurs constatent que la littérature manque d'une formulation unifiée de la proactivité et introduisent un formalisme structuré en trois niveaux d'assistance, le plus élevé correspondant à une aide non sollicitée et totalement autonome. Ils démontrent également que les méthodes d'évaluation classiques, dites hors ligne, s'appuient sur des modèles statiques de comportement humain qui ne capturent pas la façon dont les actions du robot influencent en retour l'environnement et l'utilisateur, ce qui conduit à surestimer les performances réelles des systèmes testés. Pour corriger ce biais, l'équipe propose une évaluation en boucle fermée reposant sur un modèle humain qui s'adapte dynamiquement aux actions du robot. Elle présente enfin une méthode baptisée GAP, qui apprend par observation passive à anticiper les objectifs d'un utilisateur et à agir en conséquence, instanciant concrètement le cadre théorique proposé. Ce travail a une portée méthodologique importante pour tout le secteur de l'assistance robotique, où la promesse d'autonomie proactive reste largement testée dans des conditions favorables à la démonstration. Les résultats montrent que sous évaluation en boucle fermée, les méthodes considérées jusqu'ici comme état de l'art s'effondrent, allant parfois jusqu'à générer plus de travail qu'elles n'en économisent pour l'utilisateur, tandis que GAP conserve des performances robustes et les surpasse nettement. Pour les intégrateurs et décideurs B2B évaluant des systèmes robotiques annoncés comme proactifs ou anticipatifs, ce constat invite à la prudence face aux métriques issues de protocoles hors ligne et souligne l'écart persistant entre démonstration contrôlée et comportement réel face à un utilisateur qui réagit. Le papier s'inscrit dans une tendance de recherche plus large visant à dépasser les robots limités à des tâches répétitives et étroitement définies, pour aller vers une assistance générale capable d'initiative, un enjeu central pour les architectures de type VLA (vision-language-action) déployées dans l'industrie et le service. Aucun partenariat industriel, déploiement commercial ni acteur français ou européen n'est mentionné dans ce travail, qui reste à ce stade une contribution académique publiée en septembre 2026, sans calendrier de transfert vers un produit annoncé.

Recherche❖Paper

1 source

37

1127arXiv cs.RO 

DA-GRD : désambiguïsation tactile décisionnelle pour la récupération face aux erreurs perception-exécution

DA-GRD (Decision-Aware Grasp-Relevant Disambiguation), publiée sur arXiv le 25 septembre 2026 (arXiv:2609.29065v1), permet à un bras robotique de retrouver une prise valide quand l'objet a bougé après la perception visuelle, sans nouvelle image, via de simples contacts tactiles. La méthode maintient une carte de probabilités 2D sur les positions possibles de l'objet, choisit chaque sondage tactile pour éliminer un maximum d'hypothèses, et s'arrête dès qu'une prise commune devient exécutable, sans relocaliser entièrement l'objet. En simulation MuJoCo, sur dix objets rigides déplacés jusqu'à 5 cm et tournés jusqu'à 45 degrés, elle atteint 84,7% de réussite de saisie, contre 9,1% pour une prise AnyGrasp périmée, 21,2% pour un balayage tactile fixe et 63,7% pour ce balayage avec croyance SE(2) ; le taux de réussite conditionné à la tâche atteint 57,3%, avec 4,13 sondages en moyenne, soit 72,5% de moins que la base à 15 sondages. En conditions réelles, sur six objets, elle obtient 71,7% de réussite de saisie et 38,3% de réussite conditionnée à la tâche, pour 4,20 sondages en moyenne. Le problème ciblé est concret pour l'industrie : le décalage entre ce que perçoit la vision et l'état réel de la scène au moment de la saisie, fréquent en logistique quand un objet glisse ou est déplacé avant l'exécution. Plutôt que de reprendre une image ou de relocaliser complètement l'objet, ce qui allonge le temps de cycle, DA-GRD montre qu'un petit nombre de contacts tactiles ciblés suffit à restaurer une prise exploitable, un intérêt direct pour le bin picking et la manipulation en environnement encombré. Cela nuance l'idée que les pipelines purement visuels ou les modèles VLA suffisent à garantir la robustesse en conditions réelles : l'écart entre perception et exécution reste un point de fragilité que le tactile peut combler à faible coût de calcul. Le travail s'inscrit dans la recherche sur la manipulation tactile, complémentaire aux pipelines de saisie basés sur la vision comme AnyGrasp, utilisé ici comme référence de prise périmée, et se positionne face aux méthodes de balayage tactile à nombre fixe de sondages ainsi qu'aux approches de relocalisation complète, plus coûteuses en temps. Les tests restent limités, dix objets rigides en simulation et six en conditions réelles, sans objets déformables ni scènes à plusieurs objets. Aucune intégration industrielle n'est annoncée : il s'agit pour l'instant de recherche académique publiée sur arXiv, la suite logique étant l'extension à des objets plus divers et à d'autres bras robotiques.

Recherche❖Paper

1 source

37

1128arXiv cs.RO 

MorphIK : cinématique inverse neuronale conditionnée par la morphologie pour robots inconnus

Un article publié sur arXiv (2609.29908v1) présente MorphIK, un modèle neuronal de flow-matching capable de résoudre la cinématique inverse pour des chaînes cinématiques à articulations rotoïdes qu'il n'a jamais vues pendant son entraînement. Contrairement aux modèles neuronaux d'IK classiques, limités à un seul robot, MorphIK encode la morphologie du robot et la pose cible via une architecture transformer, cet encodage conditionnant ensuite une tête de flow-matching qui génère des configurations articulaires à partir de bruit. Entraîné uniquement sur des données synthétiques issues de robots générés de façon procédurale, le modèle atteint une précision d'environ 5 cm sur des robots réels inédits comportant de 6 à 9 degrés de liberté. Utilisé comme point de départ pour un algorithme d'optimisation par moindres carrés amortis (Damped Least Squares), il permet de faire descendre l'erreur sous 1 cm après une seule itération, puis sous le millimètre après trois itérations dans la majorité des cas. La cinématique inverse est un problème central de la robotique : calculer les angles articulaires nécessaires pour atteindre une pose donnée de l'effecteur. Les solveurs analytiques ou d'optimisation classiques doivent généralement être reconfigurés pour chaque géométrie de robot, et les approches neuronales existantes reproduisent cette limite en étant entraînées robot par robot. MorphIK change cette donne en généralisant à des morphologies totalement inédites sans réentraînement, ce qui intéresse directement les intégrateurs et fabricants devant déployer du contrôle de mouvement sur des flottes hétérogènes de bras ou de robots humanoïdes sans développer un modèle dédié par plateforme. La capacité du modèle à échantillonner efficacement l'espace nul, c'est-à-dire à produire plusieurs configurations articulaires distinctes pour une même pose cible, est également utile pour éviter collisions, butées articulaires ou singularités, un enjeu concret pour la planification de mouvement en environnement contraint. Le résultat illustre aussi une tendance plus large : les méthodes génératives comme le flow matching commencent à surpasser les architectures neuronales déterministes classiques sur des problèmes de contrôle, tout en restant compatibles avec un raffinement par optimisation numérique pour la précision industrielle. Cette approche s'inscrit dans une double lignée : les méthodes numériques traditionnelles de cinématique inverse, comme les moindres carrés amortis ou les techniques basées sur le jacobien, longtemps limitées à un robot à la fois, et les modèles génératifs conditionnels qui se sont imposés ces dernières années pour la génération de trajectoires et de politiques robotiques. En s'appuyant uniquement sur des données synthétiques de robots générés procéduralement plutôt que sur des données réelles coûteuses à collecter, les auteurs contournent le goulot d'étranglement habituel de la collecte spécifique à chaque plateforme. Le papier reste à ce stade un résultat de recherche publié sur arXiv, validé sur des robots réels de 6 à 9 degrés de liberté, sans détail sur les modèles de robots testés ni annonce de mise à disposition du code ou des poids. Sa portée réelle dépendra de sa capacité à s'étendre à des morphologies plus complexes, comme des mains ou des humanoïdes à forte redondance articulaire, et de son adoption comme brique de prétraitement dans des pipelines de contrôle existants plutôt que comme solveur autonome.

Recherche❖Paper

1 source

37

1129arXiv cs.RO 

Conception évolutive générative de robots souples à base de voxels avec optimalité prouvable

Une équipe de recherche a publié sur arXiv (arXiv:2609.29491v1, 25 septembre 2026) un nouveau framework baptisé MISCO, conçu pour optimiser la conception de robots souples à base de voxels (VSR, voxel-based soft robots) grâce aux modèles génératifs profonds. MISCO associe un algorithme d'estimation de distribution à un autoencodeur variationnel spécialement conçu, doté d'apprentissage multi-tâches, de conscience positionnelle et de signalisation inter-voxels. Ces composants renforcent la capacité de représentation des morphologies de VSR et permettent un échantillonnage et une optimisation beaucoup plus efficaces des distributions morphologiques possibles. Les auteurs fournissent des garanties théoriques de convergence asymptotique vers des designs globalement optimaux, assorties d'un taux de convergence favorable. Des expériences menées en simulation, et uniquement en simulation, démontrent la capacité de MISCO à naviguer dans de vastes espaces de conception et à faire évoluer des robots souples performants sur des tâches variées, tout en équilibrant efficacité d'optimisation et diversité morphologique. L'intérêt de ces travaux tient moins à un produit qu'à une démonstration méthodologique rare dans le domaine: la plupart des algorithmes évolutionnaires appliqués à la robotique souple restent heuristiques et sans garantie mathématique de convergence, alors que MISCO en apporte une, prouvée formellement. Pour les chercheurs en robotique molle et en co-conception morphologie-contrôle, cela ouvre une voie vers des pipelines de génération de designs plus fiables et plus scalables face à des espaces de recherche combinatoires jusqu'ici traités par essais-erreurs coûteux en calcul. Il faut toutefois noter la limite centrale de l'étude: aucune validation matérielle n'est mentionnée, tout repose sur des simulateurs physiques, ce qui laisse ouverte la question classique du "reality gap" entre morphologies optimisées virtuellement et leur fabrication réelle. Les VSR s'inscrivent dans une lignée de recherche initiée par les travaux fondateurs sur l'évolution artificielle de robots modulaires souples, popularisée plus récemment par des systèmes comme les xénobots développés dans des laboratoires américains, où corps et comportement sont co-évolués plutôt que conçus séparément. Les approches historiques s'appuyaient largement sur des algorithmes évolutionnaires classiques de type CPPN-NEAT, qui peinent à passer à l'échelle. MISCO s'inscrit dans une tendance plus large de l'IA où les modèles génératifs profonds remplacent progressivement les heuristiques d'optimisation traditionnelles, y compris en conception mécanique et robotique rigide. Aucun partenariat industriel, pilote ou calendrier de validation physique n'est annoncé à ce stade: le travail demeure une contribution académique et théorique, publiée sans expérimentation sur robot réel.

Recherche❖Paper

1 source

37

1130arXiv cs.RO 

RACaP : raisonnement, action et codage à base d'agents pour un apprentissage robotique évolutif

Des chercheurs ont publié sur arXiv, le 25 septembre 2026 (référence 2609.29394), un article décrivant RACaP (Reasoning, Acting, and Coding as Policies), un framework agentique pour l'apprentissage robotique évolutif. Contrairement aux méthodes Code as Policies (CaP) classiques, qui génèrent et réparent du code au moment de l'exécution au prix d'une latence et d'un mélange entre mécanismes réutilisables et décisions spécifiques à la tâche, RACaP déplace la génération de code vers une phase d'évolution en amont et s'appuie, au déploiement, sur une boucle ReAct qui appelle des API de politiques figées et typées, combinant curriculum d'apprentissage et auto-évolution autonome. Sur les bancs d'essai en simulation LIBERO, RACaP atteint 54,4% de réussite sur LIBERO-90, 45,0% en zero-shot sur LIBERO-PRO et 46,0% sur LIBERO-Long, contre au maximum 4,0% pour les baselines CaP sur les tâches à long horizon, soit 2,5 fois leur taux de réussite sur LIBERO-PRO et un temps de décision médian 1,9 fois plus rapide. Un fine-tuning par échantillonnage par rejet distille ensuite les décisions ReAct de GPT-5.6 dans un modèle compact Qwen3-VL-8B-Instruct, accélérant l'inférence par décision d'un facteur 13,2 et réduisant les appels physiques répétés de 16 à 4. Ce travail cible un problème concret pour les intégrateurs: la latence et la fragilité des approches où un modèle de langage génère et corrige du code de contrôle en direct, ce qui complique la maintenance et le passage à l'échelle sur des tâches longues. En séparant le code réutilisable, figé après évolution, des décisions prises en temps réel via mémoire de travail, mémoire d'expérience et retour visuel, RACaP illustre une piste pour rendre les agents VLA (vision-language-action) plus robustes et plus rapides sans sacrifier l'adaptabilité. La distillation vers un modèle compact comme Qwen3-VL-8B-Instruct répond directement à une contrainte industrielle: les grands modèles comme GPT-5.6 restent trop lents et coûteux pour tourner en boucle fermée sur un robot physique. Ces résultats demeurent toutefois obtenus en simulation sur les bancs académiques LIBERO, et non lors d'un déploiement réel en usine ou en entrepôt, laissant ouvert l'écart classique entre performance simulée et performance en conditions réelles. RACaP s'inscrit dans la lignée des méthodes Code as Policies, qui font piloter des robots par des grands modèles de langage générant directement du code exécutable, une approche dont les limites sur les tâches longues et complexes sont confirmées ici par les scores plafonnés à 4,0% des baselines CaP citées dans l'article. En comparant son architecture à ces méthodes de référence sur les mêmes bancs LIBERO-90, LIBERO-PRO et LIBERO-Long, l'équipe cherche à démontrer qu'une architecture combinant code figé et raisonnement au moment de l'action offre une meilleure transférabilité zero-shot, un critère que surveillent les décideurs avant tout investissement en robotique VLA. L'article, disponible en prépublication sous la référence 2609.29394v1, ne mentionne ni calendrier de déploiement sur robot physique ni partenariat industriel; les prochaines étapes attendues pour ce type de travaux académiques restent une validation sur plateforme réelle et une revue par les pairs.

Recherche⚡Actu

1 source

37

1131arXiv cs.RO 

AdaHVLA : harnais adaptatifs pour l'exécution VLA à horizon long

Une équipe de recherche présente AdaHVLA (Adaptive Harnesses for Long-Horizon Vision-Language-Action Execution), publié sur arXiv sous la référence 2609.29204. Le système ajoute une couche de coordination adaptative aux modèles vision-langage-action (VLA), qui gèrent bien le contrôle local et le suivi d'instructions mais peinent sur les tâches longues nécessitant mémoire et planification. La solution repose sur un "harnais" de tâche, une politique de coordination écrite en code qui conserve l'historique d'exécution et suit la progression, révisée automatiquement à partir de l'expérience du robot. Le processus d'adaptation multi-agent sépare trois contextes de travail distincts : analyse des preuves d'exécution, révision du harnais, et évaluation comportementale des résultats après chaque déploiement. Un graphe de révision relie preuves, hypothèses de coordination testables, révisions et effets observés, en conservant les versions alternatives du harnais pour affiner le système d'une tentative à l'autre et le réutiliser d'une tâche ou d'un environnement à l'autre. En simulation, AdaHVLA fait passer le taux de succès moyen sur le benchmark de navigation longue durée NaVILA-LH de 22,5% à 57,5%, et améliore la manipulation jusqu'à 30,8 points de pourcentage par rapport au harnais initial, sur trois architectures VLA différentes. Un test en conditions réelles est mentionné pour illustrer une exécution plus stable entre les étapes de tâche, mais sans chiffres associés. Cette approche cible un goulot d'étranglement bien identifié en robotique par apprentissage: les VLA réussissent des commandes courtes mais s'effondrent sur des séquences longues où il faut se souvenir de ce qui a déjà été accompli. Plutôt que de réentraîner le modèle VLA lui-même, AdaHVLA agit au niveau de la coordination externe, ce qui rend la méthode potentiellement portable d'un backbone à un autre, comme le suggèrent les gains observés sur trois architectures distinctes. Pour des intégrateurs envisageant des VLA sur des tâches multi-étapes en logistique ou en usine, ce résultat trace une piste pour réduire l'écart entre démonstration et exécution fiable, sans attendre une nouvelle génération de modèles fondationnels. Les gains chiffrés restent toutefois majoritairement issus de simulation, le volet réel demeurant qualitatif à ce stade. AdaHVLA s'inscrit dans la lignée des modèles VLA type Pi-0 ou GR00T N2, dont la limite sur les tâches longues est documentée par plusieurs équipes du secteur. La méthode transpose au robotique une idée déjà répandue chez les agents logiciels fondés sur des grands modèles de langage: déléguer mémoire et planification à un harnais externe plutôt qu'au modèle central, via des sous-agents spécialisés qui analysent, révisent et valident les changements. L'article ne précise ni institution ni calendrier de suites, et se présente comme une publication de recherche nouvelle, sans partenaire industriel ni annonce de déploiement commercial à ce jour.

Recherche❖Paper

1 source

37

1132arXiv cs.RO 

Voler, rouler, se reconfigurer : une plateforme modulaire aérienne-terrestre pour les opérations sur le terrain

Une équipe de chercheurs a présenté HARP (Heterogeneous Aerial Robotic modules Platform), une plateforme aérienne-terrestre modulaire capable de se reconfigurer physiquement en cours de mission, décrite dans un preprint publié sur arXiv en septembre 2026 (arXiv:2609.28887). Le système combine trois types de modules déployables indépendamment : des drones éclaireurs équipés de capteurs qui cartographient le terrain, des modules rover capables à la fois de voler et de rouler, et des modules de charge utile dédiés à des tâches spécifiques. Un planificateur tenant compte de l'énergie disponible exploite les données des éclaireurs pour choisir à la fois les itinéraires et le mode de déplacement, aérien ou terrestre. Sur les terrains qui rendent la progression au sol difficile, les modules rover et de charge utile volent de façon autonome jusqu'à destination, puis s'assemblent eux-mêmes en un véhicule terrestre coopératif pour transporter la charge en économisant l'énergie embarquée. Les chercheurs ont validé le concept par des essais de terrain couvrant détection, planification, reconfiguration, mobilité air-sol, transport de charge et exécution de tâches, complétés par des tests de déploiement au niveau module sur l'inlandsis du Groenland. L'apport de HARP tient moins à la performance d'un module isolé qu'à la démonstration qu'une équipe de robots hétérogènes peut recomposer physiquement ses capacités en pleine mission, et pas seulement adapter ses actions ou sa coordination logicielle. La plupart des flottes multi-robots actuelles figent les rôles et les capacités de chaque agent pour toute la durée d'une opération ; ici, des unités conçues pour voler peuvent fusionner en véhicule roulant selon le terrain rencontré, ce qui étend l'enveloppe opérationnelle sans multiplier le nombre de plateformes dédiées. Pour les intégrateurs travaillant sur la surveillance environnementale, la logistique en zone difficile ou les missions scientifiques en milieu extrême, cela ouvre la voie à des flottes plus compactes et plus résilientes, où l'aérien compense l'impraticabilité du sol et où l'assemblage au sol préserve une énergie embarquée critique en mission longue et isolée de toute infrastructure de recharge. Le projet est motivé par l'échantillonnage environnemental dans des régions reculées et difficiles d'accès, ce qui explique le choix du Groenland comme terrain d'essai pour les tests de déploiement au niveau module, en vue de futures missions pleinement autonomes. Il s'agit à ce stade d'un travail de recherche publié en prépublication, pas d'un produit commercialisé ni d'un système opérant en mission réelle : les essais valident les briques techniques une à une plutôt qu'une opération de terrain complète et autonome. HARP s'inscrit dans une dynamique de recherche plus large sur les robots reconfigurables et les flottes hétérogènes air-sol, où la prochaine étape consistera à faire franchir à ce type de plateforme le passage à une mission arctique ou polaire menée de bout en bout sans intervention humaine.

Recherche❖Paper

1 source

37

1133arXiv cs.RO 

EgoSpeedUp : transférer le tempo de manipulation humain aux politiques robotiques

Des chercheurs ont présenté EgoSpeedUp, une méthode qui transfère le tempo d'exécution humain aux politiques robotiques apprises par imitation, dans une préimpression publiée sur arXiv (arXiv:2609.29310v1, septembre 2026). Le constat de départ est que les politiques de manipulation entraînées par clonage comportemental héritent non seulement du geste démontré mais aussi de la lenteur d'exécution propre aux démonstrations robotiques téléopérées, souvent bridées par prudence. Contrairement aux approches d'accélération existantes, qui déduisent la vitesse cible uniquement d'informations côté robot ou de facteurs de tempo prédéfinis, EgoSpeedUp utilise des démonstrations humaines de la même tâche comme référence temporelle. Le système aligne les phases de manipulation correspondantes entre gestes humains et robotiques, estime le tempo relatif de chaque phase à partir de plusieurs démonstrations humaines, puis retime les démonstrations robotiques lentes avant de les réinjecter dans un entraînement par clonage comportemental classique. Sur deux tâches de manipulation en conditions réelles, la méthode améliore le taux de réussite de 25 points de pourcentage en moyenne et réduit de 36,5% le temps d'exécution des essais réussis. Pour l'industrie robotique, ce travail s'attaque à un goulot d'étranglement connu de l'apprentissage par imitation: des politiques de manipulation qui, même précises, tournent plus lentement que nécessaire parce que les démonstrations téléopérées sont elles-mêmes prudentes, ce qui limite le débit en usine ou en entrepôt et complique la justification économique face à des opérateurs humains. En montrant qu'un signal purement temporel extrait de vidéos humaines suffit à réaccélérer une politique sans dégrader, et même en améliorant, le taux de succès, l'étude propose une alternative peu coûteuse aux réglages manuels de vitesse ou aux multiplicateurs fixes utilisés jusque-là. Pour les intégrateurs qui évaluent des piles VLA du type Pi-0, GR00T N2 ou Helix, l'enseignement est transférable: la donnée humaine ne sert pas seulement à démontrer le geste mais aussi à calibrer son rythme, un axe distinct du problème habituel de transfert sim-to-real. Les résultats, obtenus sur seulement deux tâches, restent toutefois à confirmer à plus grande échelle. Cette approche prolonge les travaux sur le clonage comportemental, où la qualité d'une politique dépend directement de celle des démonstrations qui l'entraînent, tempo inclus. Les méthodes d'accélération précédentes se limitaient à observer l'état du robot ou appliquaient un multiplicateur de vitesse uniforme à toute la trajectoire, sans distinguer les phases d'approche, de saisie ou de placement fin, qui ne tolèrent pas la même prise de risque temporelle. EgoSpeedUp rejoint ainsi un courant de recherche plus large exploitant la vidéo humaine égocentrique comme source de supervision bon marché, en complément des pipelines VLA qui s'appuient déjà sur des données humaines à grande échelle. L'article, classé comme nouvelle soumission sur arXiv sans partenariat industriel annoncé, présente ces résultats comme une preuve de concept, ouvrant la voie à une validation sur un répertoire de tâches plus large et, potentiellement, sur des plateformes humanoïdes commerciales.

Recherche❖Paper

1 source

37

1134arXiv cs.RO 

L'écho des pas : apprendre le parkour humanoïde perceptif grâce à une mémoire à portes

Des chercheurs présentent dans un article publié sur arXiv (identifiant 2609.28960v1), intitulé "Echo in the Steps: Learning Perceptive Humanoid Parkour with Gated Memory", un système permettant à un robot humanoïde de franchir des terrains hautement discontinus, comme des points d'appui rares ou des surfaces de contact étroites, en s'appuyant uniquement sur des observations de profondeur embarquées, sans capteur externe. Le cœur du système est un module de perception temporelle guidé par la saillance, qui combine un a priori de saillance visuelle avec une mémoire à portes (gated memory) conservant les informations de profondeur pertinentes d'une image à l'autre, même lorsque l'observation instantanée est partielle ou occluse. Les auteurs ajoutent une fonction de perte d'alternance, une régularisation de symétrie qui force le contrôleur à produire un schéma de marche en alternance des appuis, jugée essentielle lors de transitions rapides entre appuis espacés. Le papier rapporte des gains significatifs de taux de réussite et de précision de placement du pied sur des terrains difficiles, validés en simulation et sur un robot réel, sans toutefois préciser de chiffres exacts de performance, de gabarit du robot ou de temps de cycle dans le résumé disponible. Ce résultat cible un verrou précis de la locomotion humanoïde perceptive: si le franchissement de terrains structurés, escaliers, pentes, obstacles réguliers, est déjà largement maîtrisé par les commandes apprises par renforcement, le parkour sur appuis épars reste un problème ouvert, car il exige une sélection anticipée des points de contact à partir de la vision plutôt qu'une simple robustesse proprioceptive. Le travail illustre une tendance de fond en robotique humanoïde: le passage d'une locomotion "aveugle" reposant sur le seul retour proprioceptif vers des architectures exploitant activement une mémoire visuelle pour compenser l'observabilité partielle des capteurs embarqués. Pour les intégrateurs et décideurs industriels, l'enjeu est concret: la capacité à traverser des sols irréguliers, chantiers ou gravats, plutôt que les seuls sols plats d'entrepôt, conditionne l'élargissement des cas d'usage réels des humanoïdes au-delà des démonstrations contrôlées. Il s'agit néanmoins d'un résultat académique publié en preprint, non d'un produit commercialisé ni d'un déploiement en flotte, et l'ampleur exacte des essais réels n'est pas détaillée dans le résumé. Ce travail s'inscrit dans la lignée des avancées récentes en locomotion perceptive pour humanoïdes, un domaine où laboratoires académiques et industriels de la robotique bipède cherchent à combiner apprentissage par renforcement et perception visuelle pour sortir du seul sol plat. Le résumé de l'article ne mentionne aucun partenariat industriel ni acteur français ou européen impliqué dans ces travaux. Les suites attendues pour ce type de recherche restent celles du cycle académique classique: publication détaillée avec code et données, extension des essais réels à davantage de types de terrain et, à terme, un éventuel transfert vers des plateformes humanoïdes commerciales cherchant à renforcer leur robustesse en environnement non structuré.

Recherche❖Paper

1 source

36

1135arXiv cs.RO 

ReVAMP : planification de mouvement accélérée par vecteurs pour systèmes à contraintes cinématiques par reparamétrage

Une équipe de recherche présente ReVAMP (Vector-Accelerated Motion Planning), un planificateur de mouvement pour robots soumis à des contraintes cinématiques strictes, décrit dans un article publié sur arXiv en septembre 2026 (arXiv:2609.30213). Quand une contrainte sur l'effecteur terminal réduit l'espace des configurations valides à un sous-ensemble de mesure nulle, les planificateurs par échantillonnage classiques doivent être adaptés pour ne tirer que des échantillons faisables. ReVAMP reparamètre l'espace de planification via la cinématique inverse (IK) analytique, satisfaisant les contraintes par construction et ouvrant de nouveaux axes de parallélisation vectorielle. Résultat annoncé : des plans générés en microsecondes à millisecondes pour des systèmes jusqu'à 20 degrés de liberté sous contraintes complexes, jusqu'à 10 fois plus vite que l'état de l'art vectorisé actuel. La planification sous contrainte reste un point de blocage en manipulation robotique, pour des tâches comme maintenir un objet à niveau ou insérer une pièce, où les méthodes par projection vectorisées devançaient jusqu'ici les approches paramétrées par IK malgré leur élégance théorique. En dépassant l'état de l'art des planificateurs vectorisés à projection, ce travail déplace un plafond de performance jusqu'alors considéré comme acquis. Pour les équipes développant bras manipulateurs, systèmes bi-manuels ou plateformes humanoïdes, des temps de planification de l'ordre de la milliseconde ouvrent la voie à une replanification en boucle fermée, à la volée, plutôt qu'à des étapes de planification hors ligne dans les pipelines de manipulation séquentielle. Le travail s'inscrit dans la lignée des recherches sur la planification sous contraintes par échantillonnage, dynamisée par l'essor de planificateurs vectorisés exploitant le calcul parallèle pour accélérer des familles d'algorithmes comme les variantes de RRT. L'article, classé nouvelle soumission sur arXiv (2609.30213v1), ne précise ni affiliation institutionnelle ni partenaire industriel, et ne mentionne aucun déploiement matériel : il s'agit d'une contribution académique évaluée en simulation, sans code source public ni benchmark détaillé indiqués. Les auteurs revendiquent un gain jusqu'à dix fois supérieur à l'état de l'art à projection, chiffre encore à confirmer par relecture par les pairs, la publication n'étant pour l'instant qu'une prépublication.

Recherche❖Paper

1 source

36

1136arXiv cs.RO 

KeyGen : représentations centrées sur l'objet à points clés non supervisés pour généraliser des politiques par catégorie

Le laboratoire à l'origine de KeyGen a publié fin septembre 2026 sur arXiv (référence 2609.28818) un framework d'apprentissage de représentations 3D pour la manipulation robotique. La méthode apprend, sans supervision, des points-clés sémantiques 3D canonicalisés à partir de nuages de points, qui servent de représentation structurée et centrée sur l'objet. Une politique visuomotrice par diffusion se conditionne sur ces points-clés et sur la géométrie de l'objet pour prédire des trajectoires de manipulation complètes, en maintenant une correspondance géométrique cohérente entre différentes instances d'un même type d'objet. Pour évaluer la généralisation au niveau catégorie, les auteurs ont construit un banc d'essai de simulation photoréaliste couvrant trois tâches de manipulation, associé à un pipeline de génération de données piloté par planification capable de produire des trajectoires expertes sur des objets aux formes, tailles et poses variées. Les résultats rapportés montrent que KeyGen surpasse nettement les méthodes antérieures, sur des objets déjà vus comme inédits, sous variation de pose, qu'il continue de progresser avec davantage de démonstrations par objet, qu'il reste robuste face aux changements d'échelle, et qu'il obtient de bonnes performances aussi bien en simulation qu'en manipulation réelle. L'enjeu visé est un défaut connu du clonage comportemental classique: les politiques apprises surajustent souvent la géométrie et l'apparence propres à chaque instance d'objet, ce qui limite fortement le transfert vers des objets jamais vus. En imposant une correspondance géométrique explicite via des points-clés canonicalisés, KeyGen s'attaque directement à l'écart entre démonstrations en laboratoire et généralisation réelle sur des familles d'objets hétérogènes, un problème central pour tout intégrateur cherchant à déployer une politique unique sur toute une catégorie de produits plutôt que sur des références individuelles. Si les résultats se confirment à plus grande échelle, l'approche pourrait réduire le volume de démonstrations nécessaire par objet, un critère économique clé pour l'industrialisation de la manipulation robotique. Le travail s'inscrit dans la lignée des représentations centrées-objet, une alternative aux politiques bout-en-bout conditionnées uniquement sur des pixels ou des nuages de points bruts, à distinguer des approches vision-langage-action (VLA) qui misent surtout sur le volume de données pour généraliser. KeyGen reste à ce stade une contribution de recherche évaluée sur un banc d'essai simulé propriétaire et des tests réels limités à trois tâches, sans déploiement industriel ni partenariat annoncés. Les suites logiques évoquées par les auteurs concernent l'extension à davantage de catégories d'objets et de tâches plus complexes, ainsi qu'une comparaison directe avec des politiques VLA génériques entraînées à grande échelle.

Recherche❖Paper

1 source

36

1137arXiv cs.RO 

Adaptation simulation-réel en ligne par modélisation du système en boucle fermée

Des chercheurs du General Robotics Lab ont publié en septembre 2026 sur arXiv un article décrivant OSRAM (Online Sim-to-Real Adaptation via Closed-Loop System Modeling), une méthode qui corrige les écarts de précision entre simulation et robot réel sans réentraîner la politique de contrôle. Le problème visé est connu : un contrôleur entraîné en simulation reste souvent stable une fois déployé sur le matériel, mais son suivi de trajectoire se dégrade à cause d'un décalage résiduel entre la dynamique simulée et la dynamique physique réelle. Plutôt que de modifier la politique de contrôle elle-même, OSRAM ajuste les commandes de référence envoyées à cette politique, en modélisant l'ensemble robot plus contrôleur comme un système dynamique en boucle fermée unique. Un modèle de cette boucle est d'abord méta-entraîné en simulation sur une large variété de dynamiques randomisées, puis affiné rapidement après déploiement à partir d'un nombre limité d'interactions réelles. L'équipe a validé l'approche sur des tâches de suivi de vitesse pour robot bipède et de loco-manipulation, à la fois en simulation et sur matériel physique réel. L'intérêt pour l'industrie robotique tient à l'économie de ressources : les méthodes classiques pour combler le fossé sim-to-real exigent soit une identification complète de la dynamique physique du système, soit un retour en simulation pour réentraîner ou finetuner la politique, deux options coûteuses en données et en calcul. OSRAM propose une alternative légère, applicable en ligne, qui laisse la politique de contrôle déployée intacte et ne touche qu'aux commandes envoyées. Pour des intégrateurs qui déploient des humanoïdes ou des robots à pattes sur des sites variés avec des conditions matérielles hétérogènes, une telle adaptation rapide et peu gourmande en données pourrait réduire le temps de calibration après installation, un point de friction connu de la commercialisation des plateformes VLA et locomotrices actuelles. Le travail s'inscrit dans la lignée des recherches sur le transfert sim-to-real, un axe où le secteur cherche depuis plusieurs années à dépasser la randomisation de domaine et l'identification de système, deux approches jugées limitées face à des dynamiques réelles imprévisibles. Les auteurs positionnent explicitement OSRAM comme complémentaire, et non substitutif, à ces techniques existantes. Aucune date de disponibilité en open source ni de partenariat industriel n'est mentionnée ; le site dédié au projet, generalroboticslab.com/OSRAM, sert pour l'instant de vitrine aux résultats expérimentaux publiés dans l'article.

Recherche❖Paper

1 source

36

1138arXiv cs.RO 

Une interface de préhension simple pour la manipulation de tissu indépendante du simulateur

Un modèle de préhension pour la manipulation de tissu par robot, pensé pour être indépendant du simulateur utilisé, est décrit dans un article publié sur arXiv (arXiv:2609.29340). Le gripper y est représenté par sa pose, l'état de ses mâchoires et un volume de préhension attaché : soit une boîte alignée sur les axes pour simuler une prise pincée, soit un volume pyramidal carré pour simuler une prise ponctuelle. À la fermeture du gripper, les positions discrètes du tissu situées dans ce volume sont sélectionnées, mémorisées dans le repère local du gripper, puis déplacées avec lui ; une étape de resserrement progressif ramène ces points vers le centre de la zone de prise pour éviter un déplacement instantané. Les auteurs implémentent ce modèle dans un simulateur de tissu inextensible basé sur des contraintes (étirement, cisaillement, collision, contact avec une table), puis rejouent la même trajectoire de gripper sur un bras robotique réel pour plier un morceau de tissu physique. Le choix central du papier est d'écarter toute modélisation du contact et du frottement entre le gripper et le tissu au profit de simples contraintes de position, ce qui simplifie et accélère l'implémentation au prix d'une certaine idéalisation. L'intérêt pour les équipes de recherche et les intégrateurs travaillant sur la manipulation d'objets déformables (linge, textile, logistique) tient à sa portabilité : ne nécessitant qu'un accès aux positions discrètes du tissu et un mécanisme de contraintes cibles, le modèle peut passer d'un moteur physique à un autre sans réécriture. La démonstration sur bras réel, limitée à la reproduction d'une trajectoire issue de la simulation, fonctionne comme un test de plausibilité plutôt que comme une preuve de généralisation : elle montre un comportement de pliage physiquement crédible, sans valider une politique de contrôle apprise en conditions variées, ce qui distingue nettement cette contribution méthodologique d'un système prêt au déploiement. Le travail s'inscrit dans le champ de la manipulation robotique de tissus, où la simulation sert habituellement à entraîner des politiques de contrôle avant leur transfert vers un robot physique, un transfert souvent freiné par des modèles de contact et de frottement coûteux à calculer et difficiles à porter d'un simulateur à un autre. En proposant à la place une abstraction géométrique simple, volume de préhension plus contraintes positionnelles, les auteurs visent un composant réutilisable que d'autres équipes pourraient intégrer dans leurs propres pipelines. L'article ne mentionne ni partenariat industriel ni feuille de route de déploiement : il s'agit d'une contribution de recherche, dont la suite naturelle attendue serait son évaluation sur des politiques de contrôle apprises et sur des tâches de manipulation de tissu plus variées que le simple pliage démontré ici.

Recherche❖Paper

1 source

36

1139arXiv cs.RO 

BeyondRetarget : apprendre des mouvements humanoïdes exécutables directement à partir d'une vidéo monoculaire

Une équipe de recherche propose BeyondRetarget, un framework qui apprend des mouvements exécutables pour robots humanoïdes directement à partir de vidéos RGB monoculaires, sans passer par l'étape classique de reconstruction explicite du mouvement humain puis de retargeting vers le squelette du robot. Décrit dans un preprint arXiv publié fin septembre 2026, le système apprend une représentation implicite orientée robot directement depuis les images, complétée par un mécanisme d'optimisation de mouvement dit "contact-aware" censé améliorer la cohérence temporelle et la plausibilité physique des trajectoires générées. Les auteurs rapportent des gains en précision, en robustesse et en taux de réussite d'exécution, ainsi qu'une latence réduite, à la fois en simulation et sur des robots humanoïdes réels. L'abstract ne fournit toutefois aucun chiffre précis (pas de taux de succès, de latence en millisecondes, ni de payload ou DOF du robot testé), ce qui limite pour l'instant l'évaluation indépendante de l'ampleur réelle des gains annoncés. L'enjeu dépasse le simple gain de performance technique. Les pipelines actuels d'apprentissage par démonstration à partir de vidéos humaines butent sur un problème structurel: les différences de morphologie et de degrés de liberté entre humain et robot rendent les mouvements retargetés difficiles à exécuter, et les erreurs d'estimation de pose humaine se propagent sans pouvoir être corrigées a posteriori par optimisation conjointe. En supprimant cette étape intermédiaire, BeyondRetarget s'attaque directement à un goulot d'étranglement identifié par une large partie du secteur: la capacité à exploiter le volume massif de vidéos humaines disponibles (tutoriels, contenus web) pour entraîner des humanoïdes sans dépendre uniquement de téléopération coûteuse ou de données de mouvement capturées en laboratoire. Si les résultats se confirment à plus grande échelle, cela renforcerait la piste "apprentissage par imitation vidéo" comme alternative ou complément aux approches VLA entraînées sur données robot réelles. Le travail se positionne dans la lignée des méthodes de retargeting de mouvement humain vers robot, dominantes dans la littérature récente sur l'apprentissage de démonstrations pour humanoïdes, mais s'en distingue en éliminant la représentation humaine intermédiaire. Il s'agit d'un résultat de recherche publié en preprint, non encore validé par relecture par les pairs ni associé à un déploiement industriel ou à un partenaire robotique identifié dans l'abstract, ce qui en fait pour l'instant une contribution méthodologique à suivre plutôt qu'une solution prête à l'emploi.

Recherche❖Paper

1 source

36

1140arXiv cs.RO 

Locomotion sur obstacles avec un robot serpent à articulations repositionnables et jointure dense

Une équipe de chercheurs a publié sur arXiv (référence 2609.29261v1) une étude sur la locomotion assistée par obstacles des robots serpents, un mode de déplacement où l'engin prend appui sur les obstacles environnants pour progresser. Les robots serpents rigides classiques souffrent d'un contact discontinu avec ces obstacles, à cause d'une faible densité d'articulations (le nombre de jonctions par unité de longueur), ce qui provoque blocages et stagnation, contrairement à l'adaptation continue des serpents biologiques. Pour isoler l'effet de cette densité, les auteurs ont conçu un mécanisme à articulations repositionnables qui découple les actionneurs des articulations, permettant une architecture à très haute densité de jonctions. Deux prototypes de même longueur totale mais de densités différentes, haute et basse, ont été testés lors d'expériences de propulsion comparatives dans des environnements semés d'obstacles de diamètres variés. Les résultats montrent que le modèle à haute densité supprime en grande partie les variations brutales de forces de réaction qui bloquent le modèle à basse densité, tout en conservant des points de contact plus lisses. Conséquence directe : une consommation d'énergie réduite et une propulsion continue et stable, là où le modèle classique cale. Pour les intégrateurs travaillant sur des plateformes serpentiformes destinées à l'inspection de canalisations, l'exploration de décombres ou les milieux confinés, ce travail apporte une validation empirique d'un principe jusqu'ici surtout théorique : c'est la densité d'articulations, plus que la longueur totale ou le nombre brut de degrés de liberté, qui conditionne la capacité à franchir un terrain encombré. Il relance l'intérêt pour des architectures mécaniques découplant actionneurs et articulations, en alternative aux approches purement logicielles de planification ou de contrôle par apprentissage. Ce travail s'inscrit dans un champ de recherche déjà établi sur la locomotion des robots serpents, où la tension entre flexibilité mécanique et complexité d'actionnement reste non résolue : multiplier les articulations améliore l'adaptabilité mais alourdit le système et complique câblage et contrôle, d'où l'intérêt du mécanisme repositionnable qui contourne ce compromis. L'étude reste au stade de prototype de laboratoire, sans partenaire industriel ni calendrier d'industrialisation mentionnés. Elle s'ajoute aux travaux sur les mécanismes hyper-redondants et pourrait orienter de futures conceptions destinées à des environnements réellement encombrés, sites post-catastrophe ou infrastructures industrielles denses, où la continuité du contact avec l'environnement conditionne directement la progression du robot.

Recherche❖Paper

1 source

36

1141arXiv cs.RO 

Ingénierie du tempérament : concevoir une diversité comportementale stratégique dans les essaims de robots

Un article de perspective publié sur arXiv (2609.29423) propose un cadre baptisé « tempérament engineering » pour concevoir des essaims de robots. Constat de départ : deux robots d'une même flotte ne sont jamais identiques, du fait d'écarts de calibration, d'état de batterie, de dérive des capteurs et d'usure, des écarts habituellement traités comme un défaut à corriger. L'auteur s'inspire des collectifs animaux, où le « tempérament », des traits comportementaux stables façonnés par la sélection naturelle, pèse sur la performance du groupe, et transpose cinq axes validés par la biologie évolutive (timidité-audace, exploration-évitement, activité, agressivité, sociabilité) en paramètres de contrôle continus notés tau, compris entre 0 et 1, codables comme seuil logiciel, vecteur de conditionnement de politique en apprentissage par renforcement multi-agent, ou contrainte sur un planificateur fondé sur un modèle de fondation. Un processus en trois étapes relie les critères de succès de la mission à ces axes, planifie la forme de la distribution de tau dans l'essaim, puis calibre la façon dont le tempérament réagit aux signaux environnementaux. Pour la robotique en essaim, l'apport tient à un déplacement de la cible de conception : au lieu d'un contrôleur individuel optimal à dupliquer sur toute la flotte, l'objet conçu devient la distribution statistique des comportements. L'effet est présenté comme maximal en décentralisé : avec un planificateur central disposant d'une connaissance globale, la diversité de tempérament n'est qu'une sortie de calcul réassignable en ligne ; sans coordination centrale, elle doit au contraire être fixée en amont, de façon anticipative, dès la conception. Hétérogénéité comportementale et matérielle deviennent ainsi des variables de conception à part entière, non plus du bruit à uniformiser, l'article s'appuyant sur des travaux antérieurs montrant que des essaims hétérogènes conçus intentionnellement surpassent des essaims homogènes sur des tâches d'agrégation et d'exploration. Il s'agit d'un article de perspective, une proposition conceptuelle et non une validation expérimentale chiffrée sur un essaim réel : l'auteur reconnaît que reste à établir, pour le champ, quand et dans quelle mesure l'hétérogénéité compense son coût. Le texte esquisse aussi des axes de tempérament propres aux robots, sans équivalent animal, tels que la plasticité de l'auto-modèle, la force appliquée, l'initiative et l'expressivité. Ce cadre s'inscrit dans une évolution plus large de la robotique en essaim vers des architectures multi-agents décentralisées et des planificateurs fondés sur des modèles de fondation, où le réglage du contrôleur individuel cède du terrain à la conception de la population dans son ensemble. Aucune entreprise ni plateforme commerciale n'est citée dans ce travail académique ; la suite annoncée relève de la recherche, avec un appel du champ à quantifier empiriquement, sur des essaims réels, le rapport coût-bénéfice de cette diversité comportementale conçue plutôt que subie.

Recherche❖Paper

1 source

36

1142arXiv cs.RO 

Replanification ancrée dans le corps pour une manipulation physiquement adaptative

Publié sur arXiv le 25 septembre 2026 sous la référence 2609.30024, un article présente le « body-grounded replanning », une méthode qui permet à un bras manipulateur d'ajuster sa stratégie d'exécution selon son propre état physique interne, et non plus seulement selon la géométrie de l'environnement. Le système surveille l'état articulaire du robot, charge sur les joints et mobilité disponible, et déclenche une replanification dès qu'un événement corporel survient, comme une surcharge ou une contrainte de mobilité asymétrique. Un grand modèle de langage interprète alors cet état, les statistiques d'exécution récentes et l'historique des actions pour choisir une stratégie alternative, sans toucher à l'objectif de la tâche ni au contrôleur bas niveau. L'approche est validée sur une tâche d'atteinte sous charge contrôlée et contraintes de mobilité asymétriques, en simulation puis sur un robot réel, avant d'être étendue à des manipulations avec contacts. Cette approche cible un angle mort des architectures de manipulation actuelles : une stratégie peut rester géométriquement valide tout en devenant physiquement inadaptée, par exemple quand un bras accumule de la fatigue articulaire ou perd en amplitude de mouvement, un signal qui ne remonte d'ordinaire jamais au-delà du contrôle bas niveau. En faisant remonter l'état corporel jusqu'à la couche de décision de haut niveau, généralement réservée à la perception externe, les auteurs montrent qu'un robot peut réduire son effort physique et gagner en efficacité d'adaptation tout en gardant un taux de réussite élevé. Pour les intégrateurs qui déploient des modèles vision-langage-action sur des plateformes réelles, ce travail ouvre une piste pour limiter l'usure mécanique et les échecs liés à des contraintes physiques imprévues, sans réentraîner la politique de contrôle bas niveau. Cette proposition s'inscrit dans la tendance consistant à confier à un LLM le rôle d'orchestrateur au-dessus de politiques de contrôle bas niveau spécialisées, une architecture déjà explorée par plusieurs travaux de planification robotique assistée par langage. Sa spécificité tient à l'usage de signaux purement internes au robot, joints, charge, mobilité, plutôt que des seules entrées visuelles habituellement utilisées pour décider d'un changement de stratégie. Classé comme nouvelle soumission sur arXiv, l'article ne mentionne aucun partenariat industriel ni déploiement hors laboratoire : les essais se limitent à une tâche de reaching et à des manipulations avec contacts, en simulation et sur un seul robot réel, sans calendrier de transfert vers un produit commercial.

Recherche❖Paper

1 source

35

1143arXiv cs.RO 

Méduse robotique actionnée par tendons à commande souple contrainte, avec contrôle de profondeur par apprentissage par renforcement

Une équipe de chercheurs présente un robot méduse sous-marin actionné par câbles (tendons), doté d'une actionnation souple contrainte combinant substrat flexible et contraintes discrètes. Chaque actionneur peut fléchir jusqu'à 150°, avec une relation quasi linéaire entre déplacement du câble et angle de flexion. Le robot embarque huit actionneurs pilotés par seulement quatre servomoteurs, ce qui lui permet de nager de façon stable, d'ajuster son attitude et de se retourner seul en cas de basculement (self-righting). Les chercheurs ont ensuite entraîné un contrôleur par apprentissage par renforcement pour réguler la profondeur en boucle fermée, validé à la fois en simulation et sur le prototype physique. Le travail a été publié sur arXiv (référence 2609.29132v1) le 25 septembre 2026 sous forme de preprint non encore relu par des pairs, sans précision sur les dimensions, le poids du robot, ni le lieu exact des essais physiques, vraisemblablement menés en bassin. L'enjeu technique visé est bien identifié dans la robotique souple sous-marine: les actionneurs mous permettent une grande déformation et une locomotion économe en énergie proche de celle des méduses réelles, mais leur comportement non linéaire les rend difficiles à contrôler précisément. En ajoutant des contraintes mécaniques discrètes au substrat flexible, les auteurs obtiennent une relation quasi linéaire entre commande et flexion, ce qui simplifie l'apprentissage d'un contrôleur par renforcement et transforme la régulation de profondeur en un comportement reproductible plutôt que purement qualitatif. Pour les concepteurs de robots sous-marins bio-inspirés et les équipes travaillant sur des véhicules autonomes compliants, la démonstration esquisse une voie intermédiaire entre actionneurs rigides faciles à piloter et actionneurs mous difficiles à modéliser, sans sacrifier la compliance qui fait l'intérêt biomimétique de la méduse. Ce travail s'inscrit dans un courant de recherche en robotique molle bio-inspirée qui explore depuis plusieurs années des robots méduses, poissons ou pieuvres actionnés par matériaux souples, pneumatique ou câbles, en concurrence avec des approches plus classiques d'AUV à hélices pour l'exploration sous-marine discrète et peu consommatrice d'énergie. Contrairement à de simples démonstrations mécaniques de nage, cette étude ajoute une couche de contrôle par renforcement, signe d'une volonté d'aller vers l'autonomie plutôt que la seule preuve de concept de mouvement. À ce stade, il s'agit d'un prototype de laboratoire et d'un preprint: aucun calendrier de test en mer, d'intégration dans une flotte ou de partenariat industriel n'est mentionné, et les auteurs présentent eux-mêmes leurs résultats comme une étape vers des robots méduses manœuvrables et autonomes, non comme un système finalisé.

Recherche❖Paper

1 source

33

1144arXiv cs.RO 

Apprentissage temporel pour l'estimation de la position d'un effecteur final soumis à des perturbations aérodynamiques en manipulation aérienne continue

Un article publié sur arXiv (référence 2609.28716v1) le 25 septembre 2026 détaille une méthode d'apprentissage temporel pour estimer la position réelle de l'effecteur terminal d'un manipulateur continu aérien, c'est-à-dire un bras souple de type tentacule monté sur un drone. Les chercheurs ont constitué un jeu de données expérimental en conditions stationnaires, rotors coupés, et en vol stationnaire libre, en faisant varier les configurations du robot continu et l'altitude du drone, afin de mesurer l'écart entre la position théorique et la position réelle de l'effecteur sous l'effet du souffle des rotors. Après avoir sélectionné un modèle cinématique de référence paramétré par la déformation, l'équipe a testé un réseau de neurones à temps continu de type closed-form continuous-time (CfC) pour corriger l'erreur résiduelle en 3D, en le comparant à un perceptron multicouche (MLP) et à un réseau récurrent à portes (GRU). Sur données de test inédites et cinq graines aléatoires, le CfC atteint une erreur RMSE de 22,00 mm (plus ou moins 1,70 mm), contre 36,38 mm pour le MLP et 27,72 mm pour le GRU, soit des gains de précision de 39,52% et 20,62% respectivement. Ce résultat cible un problème concret pour toute application de manipulation aérienne en approche : le souffle des rotors déforme le bras continu de façon non négligeable et invalide les modèles cinématiques statiques classiques, ce qui limite la précision utilisable pour des tâches d'inspection ou de maintenance en hauteur sans contact rigide. En montrant qu'une architecture à temps continu capture mieux la dynamique des perturbations aérodynamiques qu'un réseau récurrent discret ou un simple MLP, l'étude appuie l'idée que l'apprentissage temporel continu offre un levier réaliste pour combler l'écart entre comportement théorique et comportement réel, sans nécessiter de modélisation aérodynamique explicite coûteuse. Le travail s'inscrit dans la recherche sur les manipulateurs continus aériens, une alternative souple aux bras rigides embarqués sur drones, dont la difficulté principale reste la modélisation précise sous perturbations physiques. Il s'agit ici d'une étude de laboratoire, sans partenaire industriel ni produit annoncé, restreinte à des vols stationnaires et rotors coupés ; les auteurs ne mentionnent pas encore de validation en vol dynamique ni d'intégration dans une boucle de contrôle temps réel, ce qui constituerait l'étape logique suivante avant tout usage opérationnel.

Recherche❖Paper

1 source

30

1145arXiv cs.RO 

AquaMend : re-sondage minimal et retour en arrière conditionnel pour les défaillances de croyance latente chez les agents incarnés

Un article déposé sur arXiv fin septembre 2026 sous la référence 2609.28973v1 présente AquaMend, un algorithme destiné aux agents robotiques incarnés dont les croyances internes sont invalidées par un changement physique ou une erreur de capteur. Plutôt qu'imposer un redémarrage complet, le système arbitre sur un graphe sonde-croyance-action entre trois options : re-sonder l'environnement, revenir à un état antérieur (rollback), ou poursuivre la tâche avec un support de correction, sous un objectif de perte espérée couvrant sondage, récupération physique et échecs non corrigés. Sur 32 scénarios appariés d'un benchmark de simulation maison, AquaMend récupère la tâche dans 28 cas sur 32 et réduit la perte totale moyenne de 21,6 % face à un simple redémarrage. Face à la méthode de référence DTT (décision-theoretic troubleshooting), l'écart de perte n'est pas statistiquement significatif après correction de Holm, et le temps de décision en ligne baisse de 12,3 % en moyenne face à une ablation testant tous les candidats, mais augmente de 3,4 % en phase tardive non couverte. Pour les intégrateurs et roboticiens, la gestion des échecs de croyance, ce moment où la perception ne reflète plus l'état physique réel, reste un angle mort des agents déployés en environnement dynamique : la réponse par défaut, un redémarrage complet, coûte cher en temps de cycle et en disponibilité machine. AquaMend illustre l'intérêt d'une réponse graduée et sélective. Les auteurs restent toutefois prudents : l'optimum par croyance n'est garanti que sous des hypothèses fortes rarement réunies en conditions réelles (indépendance, séparabilité, sondes pleinement résolutives), et la politique générale n'offre aucune garantie d'optimalité globale. L'absence de différence significative avec DTT tempère toute revendication de supériorité, et l'évaluation reste cantonnée à un benchmark de simulation maison, sans validation sur robot physique. AquaMend se positionne comme une évolution des méthodes de dépannage décisionnel telles que DTT, utilisée ici comme point de comparaison direct. L'abstract ne précise ni laboratoire ni affiliation des auteurs, et son statut de dépôt tout juste soumis signale qu'il n'a pas encore été validé par relecture par les pairs. La suite logique, non annoncée explicitement, serait un élargissement du benchmark et une validation sur plateformes robotiques réelles, pour vérifier si les gains mesurés en simulation résistent au bruit de capteurs rencontré sur le terrain.

Recherche❖Paper

1 source

29

1146arXiv cs.RO 

De l'exécution passive à l'exploration active : la manipulation incarnée à base d'agents en environnements réalistes

Une équipe de recherche publie sur arXiv (référence 2609.29091, catégorie "new", soumission datée du 29 septembre 2026 selon le numéro d'article) un framework agentique de manipulation robotique baptisé approche d'exploration active, conçu pour dépasser les limites des systèmes actuels qui exécutent passivement des instructions prédéfinies. L'architecture repose sur trois modules collaboratifs : un module de planification pour le raisonnement de tâche à haut niveau, un module de perception pour la compréhension de la scène visuelle, et un module d'exécution pour la manipulation bas niveau. Les auteurs y ajoutent une stratégie d'entrelacement fin entre perception et exécution, qui couple étroitement le retour visuel à l'exécution des compétences motrices pour renforcer la robustesse de l'exploration. Le système est testé sur une tâche appelée Find-and-Place dans un environnement qualifié de réaliste, où l'objet cible n'est pas visible au départ et doit être activement localisé avant d'être saisi et déposé, en présence de distracteurs et d'indices sémantiques textuels. L'abstract ne fournit ni chiffres de performance, ni comparaison quantitative avec des méthodes concurrentes, ni détails matériels comme le payload ou les degrés de liberté du bras utilisé : il s'agit à ce stade d'une publication de recherche, pas d'un produit ou d'un déploiement commercial. L'intérêt pour l'industrie robotique tient au problème ciblé plus qu'aux résultats chiffrés. La plupart des architectures agentiques embarquées actuelles, y compris certains modèles vision-langage-action déployés en usine ou en entrepôt, restent conçues pour exécuter des instructions dans un environnement largement observable dès le départ. Ce travail pointe une limite réelle et documentée du secteur : dès qu'une cible est cachée, mélangée à des distracteurs ou seulement décrite par du texte, ces systèmes échouent faute de stratégie d'exploration active. Pour les intégrateurs qui visent des cas d'usage domestiques ou logistiques avec désordre et occlusions partielles, ce type de recherche indique que le sujet de l'autonomie perceptive sous observabilité partielle reste ouvert, contrairement à l'idée reçue que les pipelines VLA actuels suffiraient à généraliser à toute scène réelle. Ce papier s'inscrit dans la lignée des travaux récents sur les systèmes agentiques à long horizon pour la manipulation, un axe de recherche actif depuis l'essor des modèles vision-langage-action capables de planification multi-étapes. Il ne cite pas d'acteur industriel ni de robot commercial précis, se positionnant comme une contribution méthodologique plutôt qu'une annonce produit. Aucun calendrier de transfert vers un système déployé, ni partenariat industriel, n'est mentionné à ce stade ; les suites logiques attendues seraient une extension à d'autres tâches de manipulation et une évaluation comparative face aux frameworks agentiques existants.

Recherche❖Paper

1 source

29

1147arXiv cs.RO 

UCON : navigation tenant compte de l'incertitude par réassociation historique en environnements dynamiques

UCON, un nouvel algorithme de navigation autonome pour environnements dynamiques, a été publie sur arXiv le 25 septembre 2026 sous la référence 2609.29419v1. Le système s'attaque a deux problèmes récurrents en robotique mobile : l'instabilité de la perception, qui provoque des changements d'identité entre obstacles suivis et des estimations de mouvement peu fiables, et le décalage entre incertitude et optimisation, qui empêche d'intégrer proprement cette incertitude dans le calcul de trajectoire. La solution combine un mécanisme de reassociation historique au niveau des points, qui exploite des fragments de nuages de points passes pour retrouver une cible perdue et maintenir la continuité de son identité, avec un filtre de Kalman fournissant une estimation anisotrope de l'état de mouvement et une propagation de la covariance. Les états prédits et leurs covariances sont ensuite convertis en secteurs d'incertitude, intégrés comme termes de cout différentiables dans le module d'optimisation de trajectoire. Les auteurs annoncent des tests en simulation et en conditions réelles, et promettent l'ouverture du code source, sans date de publication précisée. Pour les intégrateurs de robots mobiles autonomes (AMR) évoluant parmi des obstacles mouvants, humains ou autres robots, la perte d'identité d'une cible suivie est une source classique de replanifications brusques ou dangereuses. En reliant explicitement l'incertitude de perception au calcul de trajectoire, plutôt que de traiter ces deux étapes séparément, UCON s'attaque directement a ce point de friction technique, pertinent pour la fiabilité des déploiements industriels en entrepôt ou en usine. Les auteurs revendiquent une performance supérieure aux méthodes de l'état de l'art tout en conservant une bonne efficacité de calcul, mais ces comparaisons proviennent de leurs propres benchmarks et l'abstract ne fournit aucun chiffre concret, ni taux de réussite, ni temps de calcul, ni fréquence de traitement, ce qui rend l'ampleur réelle du gain difficile a juger avant la publication complète. Le texte se présente comme un article de recherche nouvellement annonce sur arXiv, sans nom d'institution, de laboratoire ou d'entreprise associe dans le résume, et sans lien vers un dépôt de code a ce stade. Il s'inscrit dans un courant de recherche plus large visant a réconcilier robustesse perceptuelle et planification de mouvement sous incertitude pour la navigation en environnement dynamique, un axe suivi par de nombreux groupes académiques travaillant sur les AMR et la navigation robotique. Aucun acteur concurrent n'est nomme explicitement, la comparaison restant générique aux "méthodes de l'état de l'art". La suite logique reste la publication du code promise par les auteurs et, vraisemblablement, une parution reviewee détaillant les résultats chiffres.

Recherche❖Paper

1 source

47

1148Robotics Business Review 

5 millions de robots sont désormais en activité dans les usines du monde entier, selon l'IFR

La Fédération internationale de robotique (IFR), basée à Francfort, recense un parc mondial de robots industriels en activité de 5 millions d'unités en 2025, un record en hausse de 9% sur un an, porté par un bond de 11% des installations annuelles à plus de 600 000 nouveaux robots. La Chine concentre 59% des déploiements mondiaux avec 354 000 unités installées (+20%), dont 195 000 vendues par des fabricants chinois eux-mêmes (+15%), soit 55% de part de marché domestique contre 57% en 2024. Le Japon recule à 36 219 installations (-19%) et cède la deuxième place mondiale aux Etats-Unis, qui grimpent à environ 38 500 unités (+12%). La Corée du Sud reste quatrième avec 30 000 robots (-1%), l'Inde progresse de 15% à 10 500 unités, sixième rang mondial derrière l'Allemagne, et le Brésil bondit de 38% à 4 300 unités, porté par l'automobile (+212%, environ 2 100 unités) grâce aux investissements de constructeurs chinois. Le Mexique recule de 7% et le Canada progresse de 5%, à environ 4 000 unités. Selon Jane Heffner, présidente de l'IFR, le parc mondial de robots a plus que doublé en sept ans, confirmant une automatisation industrielle en accélération. Pour les intégrateurs et décideurs, le signal le plus structurant est la consolidation chinoise: la Chine ne se contente plus d'importer, ses fabricants captent désormais la majorité de leur propre marché, au détriment des fournisseurs étrangers. Jon Quick, PDG de Launchpad Build AI, nuance toutefois ce constat: cette domination en volume ne résout ni les difficultés chinoises à l'export ni la faiblesse de la consommation intérieure, ce qui laisse un espace pour les fabricants d'autres régions. Le passage des Etats-Unis devant le Japon marque un déplacement du centre de gravité de la robotique industrielle vers l'Amérique du Nord, pendant que la Corée du Sud stagne depuis 2019 en attendant un nouveau cycle d'investissement automobile. La percée brésilienne illustre comment l'expansion des constructeurs automobiles chinois à l'étranger génère directement des commandes de robots hors de Chine. Ces chiffres sont tirés du rapport annuel de l'IFR sur le parc mondial de robots industriels, un baromètre de référence pour le secteur, distinct des annonces de robots humanoïdes qui dominent l'actualité récente. La montée en puissance chinoise s'inscrit dans une stratégie de plusieurs années visant à bâtir une industrie domestique de composants et d'intégrateurs pour réduire la dépendance aux fournisseurs étrangers. En Europe, l'IFR évoque une progression plus lente, sans détail chiffré par pays dans les extraits disponibles du rapport. Pour la Corée du Sud, l'organisation anticipe une possible reprise de la croissance dès 2027, portée par de nouveaux investissements du secteur automobile attendus en 2027 et 2028. Aucun acteur robotique français ou européen ne figure dans ce classement, dominé par les géants asiatiques et nord-américains du secteur.

Industriel⚡Actu

1 source

35

1149Robotics Business Review 

Epson dévoile le cobot AX6, au design compact et à la programmation sans code

Epson Robots, filiale robotique du groupe japonais basée à Suwa, a lancé cette semaine l'AX6, un bras collaboratif à six axes à limitation de puissance et de force, conçu pour fonctionner près d'opérateurs sans barrières physiques sous réserve d'une évaluation des risques. Il affiche une portée de 900 mm, une charge utile maximale de 6 kg, un contrôleur RC-A1010 compatible 100-240 V AC ou 48 V DC, une structure légère en fibre de carbone, un environnement Python personnalisable, un port Ethernet et des connexions pneumatiques en bout de bras, cinq boutons multifonctions, un anneau LED de statut et un simulateur 3D. Piloté sans code via le logiciel AX Portal et accessible depuis un navigateur web sur tablette industrielle, il respecte aussi la norme de salle blanche ISO Classe 5 (ISO 14644-1), utile selon James Shimano, chef de produit chez Epson Robots, pour des applications de sciences de la vie où un capteur doit balayer librement une zone. Basé aux Etats-Unis à Los Alamitos, en Californie, Epson revendique la place de leader mondial des robots SCARA après quarante ans d'activité, avec plus de 250 000 unités vendues dans le monde à fin avril 2026. L'AX6 complète le portefeuille sécuritaire d'Epson, qui couvre désormais robots industriels rapides, cobots dédiés à l'interaction humaine et solutions hybrides intermédiaires, selon Rick Brookshire, directeur du développement produit et robotique chez Epson. Pour les intégrateurs, l'argument central reste la programmation sans code et une interface accessible à des opérateurs peu qualifiés, qui abaisse la barrière à l'entrée sans sacrifier un mode Python pour les cas complexes. La conformité ISO Classe 5 vise spécifiquement un créneau de niche en sciences de la vie, à forte valeur ajoutée. Interrogé sur une intégration future avec des robots mobiles autonomes pour de la manipulation mobile, Shimano a évoqué un intérêt d'Epson pour cette piste sans confirmer de produit ni de calendrier, ce qui relève pour l'instant de l'intention plutôt que de l'offre commerciale. Le lancement s'inscrit dans l'histoire d'Epson, longtemps centré sur les robots SCARA pour l'assemblage de précision et la manutention dans l'aérospatiale, l'automobile, la biotechnologie, l'électronique, l'agroalimentaire, le médical, la pharmacie et la plasturgie, avant d'étoffer sa gamme six axes AX. L'entreprise s'installe ainsi plus franchement sur le marché des cobots, déjà occupé par des acteurs comme Universal Robots, Techman Robot ou la gamme CRX de Fanuc, où simplicité de programmation et coût total de possession priment sur la pure performance. Aucun prix n'a été communiqué pour l'AX6, et Epson n'a précisé ni calendrier de disponibilité commerciale au-delà de cette semaine, ni déploiements pilotes ou clients confirmés à ce stade.

Industriel⚡Actu

1 source

45

1150Interesting Engineering 

Un robot-chien termine un marathon de 42 km sur une seule charge de batterie, plus efficace qu'un humain

Un robot quadrupède baptisé RAIBO2, développé par des chercheurs du KAIST (Corée du Sud), a bouclé un marathon complet de 42,195 km en 4 heures, 19 minutes et 52 secondes sans changer ni recharger sa batterie, lors du Sangju Dried-Persimmon Marathon 2024. Le robot a maintenu une vitesse moyenne d'environ 2,64 m/s (5,9 mph, soit environ 9,5 km/h) sur l'ensemble du parcours. Les résultats ont été publiés dans la revue Nature le 23 septembre 2026. Cette performance fait suite à un échec initial : en septembre 2024, une version antérieure du robot était tombée en panne de batterie autour du 37e kilomètre, l'équipe expliquant que la machine avait consommé plus d'énergie que prévu en changeant constamment d'allure pour s'adapter aux autres coureurs. L'efficacité énergétique du robot est mesurée par le coût de transport (cost of transport, COT), un indicateur rapportant l'énergie dépensée au poids déplacé et à la distance parcourue. RAIBO2 affiche un COT de 0,25, contre 0,37 pour la référence humaine citée dans l'étude, ce qui ne signifie pas que le robot est plus efficace qu'un humain sous tous les angles, mais qu'il consomme relativement moins d'énergie selon ce critère précis. Cette avancée s'attaque à l'un des principaux obstacles des robots à pattes : l'autonomie. Contrairement aux plateformes à roues, les quadrupèdes doivent dépenser en permanence de l'énergie pour soutenir leur poids et subissent des pertes liées aux impacts, aux mouvements articulaires et au contact pied-sol. Selon l'étude Nature, les quadrupèdes précédents plafonnaient généralement autour de 20 km d'autonomie par charge ; RAIBO2 la triple. Pour les intégrateurs et décideurs industriels, cela ouvre des perspectives concrètes pour des applications où le retour à une station de recharge est difficile voire impossible : recherche et sauvetage, inspection industrielle, reconnaissance en extérieur sur terrains accidentés, escaliers ou zones sinistrées. L'approche démontre surtout qu'une meilleure autonomie ne passe pas nécessairement par une batterie plus grosse, mais par une réduction combinée des pertes mécaniques, électriques et locomotrices. Plutôt que d'augmenter la capacité de la batterie, l'équipe du KAIST a redessiné l'ensemble du système après l'échec de 2024 : pattes allégées, électronique de pilotage moteur repensée pour réduire les pertes électriques, et surtout une politique de locomotion entraînée par apprentissage par renforcement en simulation, conçue pour minimiser les mouvements articulaires inutiles et les pertes liées aux collisions pied-sol. La conception mécanique et le contrôle logiciel ont été optimisés conjointement plutôt que séparément. L'étude ne détaille pas de calendrier de déploiement commercial ni de pilotes industriels annoncés ; il s'agit à ce stade d'une démonstration de recherche publiée, dont l'enjeu principal reste de prouver qu'un gain d'autonomie systémique est possible sur une plateforme à pattes, un défi que la plupart des quadrupèdes commerciaux actuels n'ont pas encore résolu.

Recherche❖Paper

1 source