Actualités robotique — page 26

7 510 articles au fil, du plus récent au plus ancien.

41

1251arXiv cs.RO 

Spiderbot : un hexapode open source économe en énergie, à compensation passive de la gravité

Une équipe de recherche a publié en open source Spiderbot, un robot hexapode conçu pour réduire drastiquement sa consommation d'énergie grâce à une compensation passive de la gravité. Contrairement à la plupart des plateformes hexapodes, qui utilisent des pattes à 3 degrés de liberté (DOF) sans gain notable en locomotion, Spiderbot repose sur une conception à 2 DOF par patte associée à un mécanisme à quatre barres muni d'un ressort passif soutenant mécaniquement le poids du corps. Ce dispositif ramène la consommation en position debout à 1,5W seulement, soit une réduction de plus de 90% par rapport à une version non ressortée du même robot et jusqu'à 96% par rapport à d'autres hexapodes comparables. La compensation reste efficace jusqu'à une charge utile de 3,25kg, sans couple supplémentaire requis. Fabriqué pour moins de 400 dollars, le robot a été testé sur terrain plat et accidenté, sur des pentes jusqu'à 15 degrés et face à des obstacles de type marches, avec une locomotion pilotée par une politique d'apprentissage par renforcement entraînée dans le simulateur mjlab et transférée avec succès en conditions réelles. L'équipe a mis en ligne l'ensemble des fichiers CAO, des instructions d'assemblage, du code d'entraînement et de déploiement, ainsi que les points de contrôle du modèle. La démonstration a une portée pratique concrète pour la robotique à pattes: en montrant qu'une compensation mécanique passive peut réduire de plus de 90% la consommation d'énergie en position statique, Spiderbot lève l'un des principaux obstacles aux déploiements longue durée sur batterie modeste. Son coût sous les 400 dollars et son caractère entièrement open source en font une base attractive pour des expérimentations multi-agents à grande échelle, un terrain de recherche habituellement coûteux avec des plateformes commerciales fermées. Le transfert sim-to-real réussi via mjlab confirme par ailleurs que l'apprentissage par renforcement peut gérer un mécanisme non trivial à quatre barres et ressort, sans nécessiter de modèle dynamique simplifié, un point souvent fragile dans les démonstrations robotiques. Cette publication s'inscrit dans une littérature de recherche sur les compromis entre degrés de liberté, poids et consommation énergétique des robots à pattes, où les architectures à 3 DOF par patte restent la norme malgré leur surcoût énergétique. Les auteurs comparent explicitement leur plateforme à une version non ressortée du même hexapode ainsi qu'à d'autres hexapodes similaires, sans citer de concurrents commerciaux issus de l'industrie humanoïde. En publiant intégralement matériel et logiciel sous licence ouverte, l'équipe vise une adoption par d'autres laboratoires pour des expériences reproductibles, notamment en essaims robotiques, plutôt qu'une commercialisation immédiate. Aucun calendrier de déploiement pilote n'est annoncé: à ce stade, il s'agit d'une contribution académique publiée sur arXiv, sans produit commercial associé.

Recherche❖Paper

1 source

41

1252arXiv cs.RO 

L'intelligence à travers les incarnations robotiques

Publié sur arXiv en septembre 2026 sous la référence 2609.27095, cet article de position définit l'embodiment robotique, capteurs, cinématique, dynamique, géométrie, actionneurs, commande, comme l'ensemble des propriétés physiques par lesquelles un agent interagit avec le monde, des propriétés qui varient d'un robot à l'autre et évoluent dans le temps. Ses auteurs soutiennent qu'une intelligence incarnée générale exige un apprentissage qui s'accumule malgré ces différences plutôt qu'un réentraînement à chaque nouvelle plateforme. Ils critiquent les méthodes dominantes, qui bâtissent des correspondances explicites entre embodiments : utiles à court terme mais limitantes pour le transfert à long terme. Ils proposent plutôt de rechercher des représentations généralisables, en posant la diversité des embodiments comme axe de passage à l'échelle, complétée par de larges a priori appris, et appellent à des évaluations mesurant mieux l'écart entre embodiments. Aucun chiffre, modèle ou benchmark n'est fourni : il s'agit d'une contribution théorique, non d'une annonce produit. L'enjeu dépasse l'exercice académique. La plupart des modèles vision-langage-action actuels, du Pi-0 de Physical Intelligence au GR00T N2 de NVIDIA en passant par Helix de Figure AI, s'appuient sur des correspondances d'embodiment largement ad hoc pour transférer des compétences entre un bras fixe, un robot mobile et un humanoïde bipède. L'article avance que cette stratégie plafonnera la généralisation à mesure que le nombre de plateformes augmente, et suggère de traiter la diversité des corps comme un levier de scaling au même titre que le volume de données. Pour les intégrateurs opérant des flottes hétérogènes, la promesse d'une politique "generalist" unique reste conditionnée à la diversité réelle des embodiments d'entraînement, pas seulement à leur volume brut. Cette publication arrive alors que la robotique généraliste traverse une phase de scaling intensif, après des années où chaque nouveau robot exigeait un réentraînement quasi complet ; les modèles VLA avaient promis de contourner ce problème via une politique unique partagée entre embodiments, promesse que ce texte nuance en pointant les limites des méthodes de correspondance actuelles. Le résumé ne nomme ni laboratoire ni institution affiliée, et ne mentionne aucun déploiement, pilote industriel, calendrier ou acteur français ou européen : il s'agit d'un appel à réorienter les priorités de recherche de la communauté, non d'une feuille de route commerciale.

Recherche❖Paper

1 source

41

1253arXiv cs.RO 

Analyse du guidage par avantage dans le post-entraînement des politiques vision-langage-action (VLA)

Des chercheurs publient sur arXiv (référence 2609.28161v1, soumission de septembre 2026) une étude empirique consacrée au post-entraînement par renforcement guidé par avantage des politiques vision-langage-action (VLA), la famille de modèles qui pilote des robots ou bras manipulateurs à partir d'instructions en langage naturel. Les recettes existantes mêlent plusieurs choix de conception (construction, calibration et usage de l'avantage dérivé d'un critique) dans une seule procédure de bout en bout, rendant impossible d'isoler l'effet de chacun. Les auteurs développent des méthodes d'évaluation hors ligne, spécifiques à chaque étape, pour tester efficacement les alternatives sans avoir à évaluer chaque combinaison sur un robot réel. Cette démarche fait émerger une recette modulaire combinant construction de l'avantage par différence temporelle, calibration par groupe et pondération continue de l'avantage. Testée sur quatre tâches bimanuelles réelles, elle améliore la progression moyenne des tâches de 0,42 point et le taux de succès de 0,63 par rapport à une politique simplement initialisée par fine-tuning supervisé (SFT). L'intérêt dépasse la simple performance chiffrée : les diagnostics hors ligne proposés s'avèrent globalement alignés avec les résultats réels sur robot, ce qui permettrait aux équipes de recherche de trier leurs choix de conception sans multiplier les essais matériels coûteux, un goulot d'étranglement bien connu dans le développement des modèles VLA du type Pi-0, GR00T N2 ou Helix. Le travail confirme aussi que le post-entraînement par renforcement apporte un gain mesurable sur robot réel au-delà du simple apprentissage par imitation, tout en montrant que ce gain dépend d'un assemblage précis de choix techniques plutôt que d'un simple ajout générique de RL. Ce papier s'inscrit dans la vague actuelle des modèles fondation VLA, pré-entraînés par imitation à grande échelle puis affinés avec peu de données robot, une approche suivie par plusieurs laboratoires du secteur. Il s'agit d'une contribution académique de méthodologie, sans robot ni produit annoncé, sans acteur industriel ou européen cité, et sans calendrier de déploiement : sa portée immédiate est le cadre de diagnostic et la recette empirique proposés, destinés à guider de futurs travaux sur le post-entraînement des politiques robotiques.

Recherche❖Paper

1 source

40

1254arXiv cs.RO 

VGM-VS : repenser le modèle de géométrie visuelle pour l'asservissement visuel de haute précision

Des chercheurs présentent VGM-VS, une méthode d'asservissement visuel (visual servoing) construite sur un modèle de géométrie visuelle pré-entraîné de type feed-forward, décrite dans un preprint publié sur arXiv le 28 septembre 2026 (arXiv:2609.28312v1). Le système compare l'image courante à une image de référence capturée à la configuration cible, estime la pose relative de la caméra via ce modèle de géométrie, puis l'applique de façon itérative comme incrément de pose dans un schéma classique de servoing par pose en boucle fermée (PBVS). Pour résoudre l'ambiguïté d'échelle propre à ces modèles, qui ne fournissent qu'une translation à un facteur près alors que le contrôle robotique exige une valeur métrique, les auteurs ajoutent une étape d'adaptation métrique spécifique à la scène : le robot enregistre lui-même des paires image-pose le long d'une trajectoire prédéfinie partant de la pose cible, données qui servent à réentraîner la tête caméra du modèle et à apprendre conjointement la transformation main-œil, sans calibration dédiée. La méthode a été testée sur trois tâches d'assemblage réel à tolérances serrées : prise d'un câble USB-C, insertion de câble et insertion de barrette RAM. Fonctionnant en temps réel à 30 Hz, VGM-VS atteint une précision terminale submillimétrique sur les tâches de câble et des taux de réussite de 90 à 100 % lorsque la cible est déplacée en cours de servoing, tout en convergeant systématiquement pour des déplacements initiaux allant jusqu'à 30 cm et une occlusion de 50 % de l'objet cible. Pour les intégrateurs industriels et les équipes de manipulation fine, ce résultat s'attaque directement à deux limites récurrentes du servoing visuel classique : la fragilité face aux occlusions et aux textures pauvres, et la dépendance à une calibration main-œil lourde et propre à chaque installation. En s'appuyant sur la représentation géométrique acquise lors d'un pré-entraînement à grande échelle, la méthode conserve une estimation de pose fiable même quand la cible n'occupe qu'une petite partie de l'image, un scénario fréquent en assemblage électronique où les composants (câbles, connecteurs, barrettes) sont petits et partiellement masqués. Le résultat suggère que les modèles de géométrie visuelle génériques, initialement conçus pour la reconstruction 3D ou la localisation, peuvent être adaptés à moindre coût pour du contrôle robotique métrique de haute précision, sans passer par un pipeline de calibration dédié ni par un réentraînement complet du modèle. Le papier ne précise pas l'institution ni les auteurs à l'origine du travail, et reste à ce stade un preprint non encore évalué par les pairs, ce qui invite à la prudence sur la généralisation des taux de succès annoncés au-delà des trois tâches testées. Le travail s'inscrit dans la lignée des approches combinant servoing basé pose (PBVS) et représentations apprises, en se positionnant face aux méthodes de servoing classiques utilisées comme référence de comparaison dans l'étude. Aucune feuille de route de déploiement industriel ni de partenariat n'est mentionnée à ce stade ; la validation reste limitée à des démonstrations en laboratoire sur des bancs d'assemblage électronique.

Recherche❖Paper

1 source

40

1255arXiv cs.RO 

RoboCafé en public : la continuité d'interaction dans une relation homme-robot de longue durée en lieu public

Un robot conversationnel autonome baptisé RoboCafé a été déployé pendant 12 jours dans un bâtiment universitaire, où il a reçu 148 commandes de café. Conçu pour étudier la continuité d'interaction dans les interactions homme-robot publiques de longue durée, le système combine un dialogue orienté tâche, une perception multimodale en temps réel et une mémoire des rencontres précédentes, lui permettant en théorie de reconnaître des clients récurrents et d'adapter son comportement au contexte accumulé. Le déploiement a exposé le robot à une diversité de situations réelles : clients réguliers revenant plusieurs fois, simples passants, groupes de personnes changeants, et commandes s'enchaînant sans interruption nette entre elles. Ces situations ont systématiquement mis à l'épreuve, et souvent dépassé, les limites du modèle d'interaction centré sur la commande individuelle que les concepteurs avaient initialement prévu. L'intérêt de cette étude dépasse le simple cas d'usage du café automatisé : elle documente empiriquement l'écart entre les hypothèses de conception habituelles des systèmes conversationnels robotiques, pensés autour d'échanges isolés et bien délimités, et la réalité fragmentée des espaces publics, où les interactions se chevauchent, se reprennent ou changent d'interlocuteur sans avertissement. Pour les concepteurs de robots de service et les intégrateurs visant des déploiements prolongés en environnement ouvert (accueil, commerce, espaces de travail), ce constat souligne qu'une architecture de dialogue fonctionnelle en démonstration contrôlée peut échouer silencieusement dès qu'elle rencontre la variabilité du monde réel, notamment sur la question de savoir qui est présent, à qui appartient quel contexte, et où commence ou finit réellement une interaction. À partir de ces observations tirées du terrain, les chercheurs formulent quatre exigences de conception pour maintenir la continuité d'interaction dans des déploiements publics longitudinaux : un état d'interaction contextuel, un ancrage persistant des personnes identifiées, une gestion explicite du cycle de vie de chaque interaction, et une observabilité permettant de vérifier que la représentation interne du robot correspond à ce qui se passe réellement dans le monde physique. L'étude, publiée sur arXiv fin septembre 2026, se positionne comme un travail de recherche en interaction homme-robot plutôt qu'une annonce produit, et propose ces quatre principes comme base pour de futurs systèmes conversationnels robotiques destinés à des usages publics de longue durée.

Recherche❖Paper

1 source

40

1256arXiv cs.RO 

BIDETA : une adaptation tactile inspirée du cerveau, économe en données, pour capteurs inconnus

Une équipe de recherche propose BIDETA (Brain-Inspired Data-Efficient Tactile Adaptation), un cadre logiciel destiné à adapter les modèles de perception tactile à des capteurs inconnus, décrit dans une version mise à jour d'un article déposé sur arXiv (arXiv:2609.08673v2, replace). Le système fonctionne sans rétropropagation de gradient: il conserve un encodeur tactile figé et ne nécessite qu'un petit nombre de contacts labellisés sur le capteur cible pour prédire les étiquettes d'un lot de requêtes non labellisées. Testé sur trois jeux de données de référence en perception tactile, SITR, TacVerse Shape et TacQuad, BIDETA affiche des gains chiffrés nets: sur SITR, avec seulement 10% de données cibles labellisées, la précision moyenne du classifieur Sparsh passe de 6,86% (avec l'encodeur source figé, sans adaptation) à 87,09%, soit 47,22 points de pourcentage de plus que la meilleure méthode concurrente testée par les auteurs. Sur le benchmark de rapidité SITR combiné à TVL, l'adaptation au nouveau capteur se ferait environ 20 fois plus vite que la meilleure référence. Ce travail cible un verrou concret pour l'industrie de la manipulation robotique: les capteurs tactiles à base de vision, utilisés pour la préhension et les tâches à contact riche, reposent sur des mécanismes de détection propres à chaque fabricant, si bien qu'un modèle de fondation tactile entraîné sur un capteur perd fortement en performance dès qu'il est déployé sur un autre matériel. Les méthodes existantes de transfert inter-capteurs exigeaient jusqu'ici des données de calibration, des observations appariées entre capteurs ou un réentraînement itératif coûteux, des contraintes difficilement compatibles avec un déploiement industriel à grande échelle sur des flottes hétérogènes de robots équipés de capteurs différents. Une adaptation rapide et peu gourmande en données labellisées réduirait donc un frein réel à la généralisation des modèles tactiles au-delà du matériel sur lequel ils ont été entraînés. Sur le plan méthodologique, BIDETA s'inspire de l'adaptation sensorielle rapide observée chez le cerveau humain et combine trois mécanismes: une mémoire de support à activation rapide, des graphes spectraux conditionnés par ce support, et une récurrence pondérée par la fiabilité des évidences, afin de préserver les représentations préentraînées tout en corrigeant les voisinages de caractéristiques propres à chaque capteur. Les comparaisons s'appuient notamment sur les modèles Sparsh et TVL comme références. Il s'agit à ce stade d'un résultat de recherche publié sur arXiv, sans acteur industriel ni déploiement commercial associé dans les éléments fournis.

Recherche❖Paper

1 source

40

1257arXiv cs.RO 

Prédiction rapide des mouvements sous incertitude de modèle grâce à l'atteignabilité conditionnée par la direction

Un article publié sur arXiv le 24 septembre 2026 (référence 2609.27077) propose une méthode de calcul rapide des ensembles atteignables pour prédire le mouvement d'agents voisins dont le modèle dynamique est incertain. Pour une direction de requête donnée, par exemple "vers le robot", l'algorithme choisit un seul modèle admissible dont l'extension atteignable dans cette direction égale presque celle de toute la famille de modèles incertains, puis ne calcule que cet ensemble unique plutôt que celui de la famille complète. Sur un modèle de bicyclette linéaire incertain, ce pipeline tourne environ trois fois plus vite que le calcul complet dans la boîte à outils CORA, avec un écart d'extension inférieur à 5% dans les directions testées. La méthode a aussi été validée en simulation multi-véhicules en boucle fermée, le robot interrogeant à chaque étape de replanification jusqu'où chaque véhicule voisin peut se rapprocher de lui avant d'ajuster sa trajectoire. La plupart des planificateurs n'ont besoin de connaître l'extension atteignable que dans une seule direction utile, alors que les méthodes existantes calculent systématiquement l'ensemble complet, ce qui coûte cher en temps de calcul lors d'une replanification fréquente et en temps réel. Un gain de vitesse d'un facteur trois pour une perte de précision inférieure à 5% intéresse donc directement les concepteurs de planificateurs pour robots mobiles, véhicules autonomes et flottes d'AMR, qui doivent éviter des agents dont la dynamique reste toujours partiellement inconnue. Ces chiffres reposent cependant sur un seul cas d'étude simulé, un modèle de bicyclette comparé à CORA, sans test sur robot physique, ce qui appelle à la prudence avant d'extrapoler ces gains à des systèmes non linéaires plus complexes. Le travail s'inscrit dans le champ de l'analyse d'atteignabilité pour la vérification et la planification sous incertitude, un domaine où la boîte à outils open-source CORA fait référence. Les méthodes existantes propagent généralement tout l'intervalle des matrices incertaines, un coût qui croît avec la dimension du système et freine l'usage embarqué; les auteurs proposent à la place une sélection d'un seul modèle représentatif par direction interrogée, pensée comme une brique logicielle réutilisable dans des pipelines d'évitement de collision existants. L'article ne mentionne aucun partenaire industriel ni acteur français ou européen, et ses suites annoncées restent d'ordre académique, avec une extension envisagée vers des modèles dynamiques non linéaires et d'autres solveurs de reachability.

Recherche❖Paper

1 source

40

1258arXiv cs.RO 

TANDEM : planification tâches et mouvements avec démonstrations à la demande pour affiner efficacement les modèles VLA

Un système baptisé TANDEM (Tamp with As-Needed Demonstrations for Efficient Model fine-tuning), décrit dans un article déposé sur arXiv le 24 septembre 2026 (arXiv:2609.28314v1), combine planification tâche-et-mouvement (TAMP) et téléopération humaine sélective pour collecter des démonstrations robotiques. Le système utilise des modèles vision-langage préentraînés pour étendre à la volée le domaine de planification lorsque celui-ci manque de prédicats ou de compétences, en insérant des "opérateurs magiques" exécutés par un humain via téléopération. Après chaque étape humaine, TANDEM reperçoit la scène pour vérifier que l'effet attendu s'est bien produit avant de reprendre la planification autonome. Sur cinq tâches de manipulation longue durée dépassant les capacités du planificateur TAMP de base, TANDEM collecte 2,9 fois plus de démonstrations qu'une téléopération complète de la tâche, pour un temps d'intervention humaine identique. En affinant un modèle vision-langage-action préentraîné π0.5-DROID avec seulement 20 démonstrations TANDEM par tâche, le taux de succès moyen passe de 0% à 60% sur les cinq tâches testées. L'intérêt de ces résultats tient au goulot d'étranglement bien identifié dans l'entraînement des modèles fondation robotiques (VLA) : la téléopération humaine, coûteuse et lente, sert aujourd'hui à démontrer des gestes que des planificateurs classiques savent déjà exécuter seuls. En réservant l'intervention humaine aux seules étapes hors de portée du planificateur, TANDEM optimise le ratio données utiles par heure d'opérateur, un paramètre critique pour les laboratoires qui cherchent à faire passer les VLA de la démonstration en conditions contrôlées à des taux de succès exploitables en usine. Le saut de 0% à 60% souligne surtout combien les VLA préentraînés restent dépendants d'un fine-tuning ciblé plutôt que d'un volume brut de données. Le TAMP est une approche de planification robotique classique, limitée de longue date par des domaines d'action prédéfinis et rigides. TANDEM s'inscrit dans l'écosystème des modèles π0/π0.5 (Physical Intelligence) et du jeu de données DROID, aux côtés d'autres VLA comme GR00T N2 (NVIDIA) ou Helix (Figure), tous confrontés au même défi de mise à l'échelle des données d'entraînement. L'article, tout juste publié, ne précise pas de calendrier de déploiement industriel ni de partenaire pilote.

Recherche❧Opinion

1 source

40

1259arXiv cs.RO 

CoPRE : améliorer la sensibilité de détection proprioceptive des contacts pour bras robotiques à faible coût

Une équipe de recherche présente CoPRE (Contact-free Proprioceptive Response Estimation), une méthode qui améliore la détection de contacts faibles sur des bras robotiques bon marché dépourvus de capteurs de force ou tactiles dédiés, en s'appuyant uniquement sur la proprioception. L'approche estime les couples articulaires attendus en mouvement libre de contact à partir de l'historique d'état proprioceptif et de la commande de mouvement, écarte les observations récentes susceptibles de déjà refléter un contact, puis calcule le résidu entre couples attendus et observés avant de le convertir en score de contact via un jacobien pondéré par le bruit. Testée sur un bras ARX Arm et sur l'humanoïde Unitree G1, la méthode atteint 74,1% et 82,2% de rappel sur les essais de contact, contre 0%/0% sur ARX et 16,3%/42,2% sur G1 pour les méthodes de référence (prédiction de couple apprise et dynamique inverse analytique). Elle détecte 90% des poussées à partir de 3,5 N sur ARX et 5,5 N sur G1. Les auteurs l'intègrent aussi dans une planification de manipulation en espace de croyance pour du placement d'objets et de l'insertion de livres avec évitement d'obstacles, où le contact détecté met à jour la croyance spatiale du robot et lui permet de se rétracter, ajuster sa pose et réessayer. L'enjeu est concret pour les intégrateurs qui déploient des bras à bas coût sans instrumentation force/tactile: ces plateformes ne peuvent aujourd'hui détecter que des contacts francs, faute de signal exploitable dans le bruit proprioceptif. L'écart de performance avec les méthodes existantes, quasi nulles sur ARX, montre que les approches classiques ne se transposent pas au matériel économique, contrairement à ce que suggéraient leurs résultats sur bras industriels instrumentés. Si les chiffres se confirment au-delà des essais contrôlés du papier, cela ouvrirait la voie à une manipulation plus sûre et plus adaptative sans surcoût matériel, un argument direct pour la robotique de manipulation low-cost et les humanoïdes commerciaux comme le G1 de Unitree. Le travail reste un article de recherche déposé sur arXiv (2609.27381, catégorie "new"), sans annonce de produit ni de déploiement industriel. Il se positionne explicitement contre deux familles de méthodes existantes, la prédiction de couple apprise et la dynamique inverse analytique, dont il documente l'échec quasi total sur matériel bon marché. Aucun partenaire ni pilote industriel n'est mentionné, et le site dédié (copre-arm.github.io) sert de vitrine au projet plutôt qu'à un calendrier de commercialisation. Aucun acteur français ou européen n'apparaît dans cette publication.

Recherche❖Paper

1 source

40

1260arXiv cs.RO 

FLINT : une inférence rapide et légère pour la franchissabilité du terrain

Des chercheurs présentent FLINT (Fast Lightweight Inference for Traversability), un estimateur de franchissabilite pour la navigation tout-terrain, décrit dans un article publie sur arXiv en septembre 2026 (référence 2609.26857). Le modèle tient sur un backbone de 21,6 millions de paramètres, 38 fois plus petit qu'un backbone foundation model comparable, et tourne a 14,7 images par seconde sur CPU seul avec une camera RGB pour seul capteur, sans lidar, radar ni IMU. Sur 23 des 24 journaux de terrain rejoues, il genere une carte de couts plus précise et moins couteuse que WildOS, un système foundation model déjà déployé. Deploye en essais de terrain en boucle fermée après comparaison de plusieurs signaux d'apprentissage auto-supervise, le meilleur modèle atteint 99% d'autonomie sur le parcours teste, devançant une base de référence entraînée sur annotations humaines et déployée en direct sur le même circuit. Ce résultat va a contre-courant d'une tendance du secteur consistant a empiler capteurs (RGBD, lidar, radar, IMU) et calcul embarque pour estimer la franchissabilite hors-piste, un problème impossible a étiqueter a la main a grande échelle puisque la franchissabilite dépend a la fois de l'environnement et de la dynamique propre du robot. En égalant voire en dépassant un foundation model déjà déployé avec un modèle 38 fois plus léger limite a une camera et un CPU, FLINT interroge l'idée qu'une navigation robuste hors-piste exige des architectures lourdes et multi-capteurs, ouvrant la voie a des AMR moins chers pour l'agriculture, la défense ou la logistique hors route. Le chiffre de 99% d'autonomie, obtenu sur un seul parcours et rapporte par les auteurs eux-mêmes, reste a confirmer sur des terrains plus varies. FLINT s'inscrit dans un courant de recherche qui privilégié l'apprentissage de la franchissabilite par l'expérience directe du robot plutôt que par étiquetage humain, un axe déjà explore par WildOS, ici utilise comme point de comparaison. L'article ne mentionne ni industriel ni laboratoire commercial précis et se présente comme une contribution académique, sans calendrier de déploiement ni partenariat annonce pour la suite. A ce stade, la publication démontre surtout la viabilité d'une estimation de franchissabilite low-cost plutôt qu'elle n'annonce un système commercialise.

Recherche❖Paper

1 source

40

1261arXiv cs.RO 

Distillation pour des politiques de manipulation multitâche efficaces via appariement de flux conditionnel

Publié le 24 septembre 2026 sur arXiv sous la référence 2609.28107, cet article de recherche propose une méthode de distillation pour des politiques de manipulation robotique multi-tâches basées sur le Conditional Flow Matching (CFM), technique générative d'apprentissage par imitation jusqu'ici validée surtout tâche par tâche. Entraîner un modèle CFM par tâche fonctionne bien mais devient coûteux en calcul quand le nombre de tâches augmente, alors qu'un entraînement naïf sur des données fusionnées oblige à agrandir le modèle ou dégrade les performances. La méthode proposée distille les champs de vitesse de plusieurs experts CFM mono-tâche vers une politique unique partagée, en combinant ce signal avec l'objectif CFM d'origine pour garder la fidélité aux démonstrations. Testée sur le benchmark de simulation RLBench, elle améliore les performances multi-tâches par rapport à un entraînement naïf, à taille de modèle fixe. L'enjeu dépasse la prouesse académique : il touche au coût réel des politiques génératives multi-tâches, de plus en plus centrales dans la robotique dite généraliste, où le flow matching sert déjà de brique à des modèles de production comme Pi-0 de Physical Intelligence. Pour un intégrateur, l'obstacle n'est pas seulement la donnée mais l'infrastructure : maintenir un modèle par tâche multiplie les coûts, tandis que mutualiser dans un seul réseau dégrade souvent la performance individuelle. En rapprochant un modèle multi-tâches unique des performances d'experts spécialisés sans augmenter sa taille, ce travail apporte un argument concret dans le débat sur la viabilité économique des politiques partagées, plutôt qu'une nouvelle démonstration isolée. Ce travail s'inscrit dans la vague d'adoption des modèles génératifs, diffusion et flow matching, en apprentissage de politiques robotiques, portée depuis 2023-2024 par Diffusion Policy puis par des VLA comme Pi-0 ou GR00T N2 de NVIDIA. Il ne s'agit pas d'un produit livré ni d'un déploiement réel : c'est une contribution académique testée uniquement en simulation sur RLBench, sans robot physique ni acteur français ou européen mentionné. La suite logique reste la validation sur des ensembles de tâches plus larges puis, à terme, le transfert vers du matériel réel, étape où se joue habituellement l'écart entre simulation et performance industrielle.

Recherche❖Paper

1 source

40

1262arXiv cs.RO 

La mémoire qui modifie l'action n'est pas la mémoire qui la guide : audit contrefactuel des politiques robotiques conditionnées par l'historique

Une équipe de recherche publie sur arXiv (2609.27247v1) un protocole d'audit baptisé Counterfactual Memory Audit (CMA), qui vérifie si un robot doté d'une mémoire d'historique s'en sert réellement pour choisir ses actions, plutôt que de simplement réagir. Le cas d'école : un robot chargé de remettre un bloc sur son plateau d'origine peut avoir vécu deux passés différents mais compatibles avec la tâche, qui convergent vers la même situation présente tout en justifiant des actions distinctes. CMA croise ces historiques à un instant présent identique et interroge une politique figée sous aléa commun. Sur le benchmark Mem-0, toutes les paires "Put Back" testées changent d'action selon la mémoire fournie, mais seulement 20 sur 64 se révèlent pleinement fiables, alors qu'à une décision "Swap" ultérieure les deux mémoires sélectionnent la même branche malgré un changement d'action mesurable. Restaurer une ancre protégée de 4096 octets récupère 38,9 points de succès perdus après injection de fautes dans la banque d'historique, et sur une plateforme physique à deux bras, 5 des 9 manipulations "Put Back" menées à terme visent malgré tout la mauvaise cible. Ce travail met en cause un présupposé implicite du secteur : la validation des politiques robotiques à mémoire (VLA) repose sur le succès de la tâche ou sur le simple constat qu'une action change avec la mémoire, deux critères qui ne prouvent pas qu'un robot raisonne sur son passé. Pour les intégrateurs qui évaluent des architectures à mémoire longue pour l'industrie ou la logistique, CMA offre un test de fiabilité décisionnelle plus strict, utile avant déploiement, quand un rappel erroné produit un geste correct en apparence mais mal ciblé. L'étude s'inscrit dans la multiplication récente des politiques robotiques conditionnées par l'historique, censées permettre à un bras ou un robot mobile de lever une ambiguïté présente en tenant compte d'événements passés, capacité revendiquée par les modèles vision-langage-action. En combinant benchmark simulé et plateforme physique, les auteurs montrent que l'écart entre démonstration et fiabilité réelle persiste même quand la mémoire modifie visiblement le comportement. CMA est proposé comme outil d'audit générique, transposable à d'autres politiques à mémoire.

Recherche❖Paper

1 source

40

1263arXiv cs.RO 

Duet : une compréhension entre deux robots grâce à un enseignement efficace

Une équipe de recherche a publié DUET, un framework d'apprentissage pour la coordination de deux robots dans des tâches de manipulation mobile collaborative, comme le transport conjoint d'objets ou les passations coordonnées entre bras. Le système repose sur une plateforme de téléopération synchronisée en réalité virtuelle capable de piloter deux embodiments hétérogènes simultanément pour collecter des données in-domain, complétée par un pipeline de tracking qui enregistre des démonstrations de coordination humain-humain et des priors de manipulation collaborative. L'architecture d'apprentissage s'appuie sur un Action Chunking Transformer, d'abord pré-entraîné sur ces démonstrations humaines puis affiné sur un nombre restreint de trajectoires réelles collectées par téléopération robot. Les auteurs évaluent l'approche sur un benchmark de quatre tâches collaboratives, avec un humanoïde Unitree G1 associé à un manipulateur mobile Dexmate Vega1. Résultat chiffré principal : la collecte de données via démonstrations humaines est 5,4 fois plus rapide en moyenne que la téléopération robot directe, tout en produisant des politiques plus performantes que celles entraînées uniquement sur données robot. Le papier, référencé arXiv 2606.20990, en est à sa deuxième version. L'intérêt principal tient au goulot d'étranglement qu'il attaque : la collecte de données reste le facteur limitant pour entraîner des systèmes multi-robots, un problème encore plus aigu que pour un robot unique puisqu'il faut synchroniser deux embodiments et deux comportements coordonnés. En démontrant qu'un pré-entraînement sur des démonstrations humain-humain se transfère efficacement vers des politiques robot-robot, DUET propose une piste concrète pour réduire le coût de téléopération réelle, un enjeu direct pour les laboratoires et intégrateurs qui cherchent à faire monter en échelle l'apprentissage de comportements coopératifs sans multiplier les heures de pilotage sur du matériel physique coûteux. Ce travail s'inscrit dans le mouvement plus large de l'apprentissage par imitation appliqué aux politiques génériques (VLA), où des systèmes comme GR00T N2, Pi-0 ou Helix explorent des architectures comparables mais restent centrés sur un seul robot ou un humanoïde generalist isolé. DUET se distingue en ciblant spécifiquement la coordination inter-robots. Il s'agit à ce stade d'un résultat de recherche publié en preprint, avec page projet dédiée, sans indication de déploiement industriel ni de partenariat commercial annoncé.

Recherche❖Paper

1 source

39

1264arXiv cs.RO 

Une main asymétrique sous-actionnée à entraînement quasi-direct pour la préhension et la manipulation dextérique

Des chercheurs de l'université de Californie à Berkeley ont dévoilé la QUAD Hand (Quasi-Direct-Drive, Underactuated, Asymmetric Design), une main robotique anthropomorphe à quatre doigts totalisant 11 degrés de liberté pour seulement 8 degrés d'actionnement. Les trois doigts radiaux sont chacun entraînés par un actionneur quasi-direct-drive (QDD) individuel pour maximiser la dextérité, tandis que l'auriculaire est couplé mécaniquement au majeur via une transmission à liaisons précontrainte, actionnée par un moteur QDD plus puissant dédié à la force. Sous charge légère, ce moteur pilote directement le majeur pendant que l'annulaire suit en miroir ; sous charge lourde, le majeur cède et la force est redirigée vers l'annulaire, qui se referme davantage vers le centre de la prise pour améliorer le serrage. Les essais matériels montrent que la main réussit 29 des 33 prises de la taxonomie Feix, une force de rétro-entraînement aussi faible que 50 grammes pour les manipulations délicates, et jusqu'à une réduction par 96 de la chaleur générée lors de charges soutenues grâce à ce quatrième doigt sous-actionné. Les travaux sont publiés en preprint sur arXiv, avec une page projet dédiée. Cette architecture s'attaque à une limite technique connue des actionneurs QDD, leur faible densité de couple, qui pose traditionnellement des problèmes de taille, de poids et de dissipation thermique dans les mains robotiques dexterous. En combinant transparence de force et robustesse structurelle sans recourir à des tendons ni à l'hydraulique, la QUAD Hand illustre une piste concrète pour résoudre un compromis qui freine l'adoption de mains dextres sur les plateformes humanoïdes actuelles, où la manipulation fine reste en retard sur la locomotion. Pour les intégrateurs et laboratoires travaillant sur des politiques d'apprentissage type VLA, une main offrant à la fois du feedback de force fin et une tenue thermique en usage prolongé simplifie potentiellement l'entraînement et le déploiement de tâches de préhension variées. Il s'agit toutefois d'un prototype de recherche validé en laboratoire, pas d'un produit commercialisé ni déployé en usine. Les actionneurs QDD, popularisés notamment par les travaux du MIT sur les quadrupèdes, gagnent depuis plusieurs années du terrain dans la recherche en mains robotiques, en alternative aux designs tendineux comme la Shadow Hand ou pleinement actionnés comme l'Allegro Hand de Wonik. La QUAD Hand s'inscrit dans cette lignée et se positionne face aux mains propriétaires développées par des acteurs humanoïdes comme Figure ou Tesla pour leur Optimus. L'abstract ne mentionne ni partenariat industriel ni calendrier de commercialisation ; il s'agit à ce stade d'une contribution académique destinée à alimenter la recherche sur la préhension dextre et l'efficacité énergétique des mains robotiques, avec une intégration future possible sur des plateformes humanoïdes ou des systèmes de téléopération.

Recherche❖Paper

1 source

39

1265arXiv cs.RO 

Réutilisation spatiale dynamique et décentralisée de codes pour LiDAR OCDMA dans les essaims de robots

Un article publié sur arXiv (référence 2609.28172v1) propose un protocole décentralisé pour résoudre un problème connu des essaims de robots équipés de LiDAR : les interférences causées par la collision des codes optiques de télémétrie, une technique dite OCDMA, lorsque plusieurs robots opèrent dans un même espace. Jusqu'ici, deux approches dominaient : l'attribution statique de codes, qui exige autant de codes distincts que de robots (L=N, donc une croissance linéaire ingérable à grande échelle), ou des mécanismes réactifs répondant aux interférences détectées sans règle d'attribution coordonnée et scalable en dessous, un problème que la littérature antérieure qualifiait explicitement de non résolu. Les auteurs démontrent mathématiquement que leur protocole, dans lequel chaque robot réattribue dynamiquement ses codes de réutilisation spatiale en s'appuyant sur un graphe de voisinage d'interférence maintenu en temps réel par des balises, ne nécessite qu'un nombre de codes croissant en O(log N / log log N) à densité de robots constante, contre une croissance en Θ(N) pour l'attribution statique. Cette prédiction théorique a été testée par simulation Monte-Carlo (30 tirages aléatoires par condition, intervalles de confiance à 95%) intégrant mobilité des robots, détection imparfaite par balises et réattribution réactive : l'avantage mesuré passe d'environ 2 fois à 15 robots à 12 fois à 120 robots par rapport à l'attribution statique. Face à une reconstruction fidèle d'une approche concurrente sans coordination, le protocole obtient à la fois une meilleure efficacité de réutilisation des codes et un risque de collision réduit de 30 à 40% à budget de codes identique. Ce résultat s'adresse directement aux intégrateurs déployant des flottes de robots mobiles autonomes ou des essaims utilisant le LiDAR pour la télémétrie, en entrepôt, en logistique ou en extérieur : au-delà d'une quinzaine d'unités opérant dans le même espace, l'attribution statique de codes optiques devient vite impraticable, forçant soit une limitation du nombre de robots simultanés, soit une dégradation de la précision de mesure par interférences. En montrant qu'une coordination décentralisée, et non la simple réactivité, permet une croissance quasi logarithmique du besoin en codes plutôt que linéaire, les auteurs répondent à un verrou explicitement identifié comme non résolu dans les travaux précédents sur les essaims LiDAR. Pour les décideurs évaluant des solutions de perception collective à grande échelle, ce travail suggère qu'il est possible de faire passer des essaims de dizaines à des centaines de robots sans multiplier proportionnellement l'infrastructure de codes optiques, un frein connu à la densification des déploiements robotiques en environnement partagé. Le travail s'inscrit dans un champ de recherche encore jeune, celui de la gestion des interférences dans les systèmes LiDAR OCDMA en essaim, où les publications précédentes se limitaient soit à des schémas d'attribution figés, soit à des réponses purement réactives aux collisions détectées, sans mécanisme d'attribution sous-jacent capable de passer à l'échelle. Il ne s'agit à ce stade que de résultats de simulation et d'une preuve mathématique, sans validation sur robots physiques ni déploiement industriel : la robustesse du protocole face aux contraintes du monde réel, comme la latence des balises, la bande passante de communication inter-robots ou l'hétérogénéité des capteurs, reste à démontrer hors laboratoire. Aucun acteur commercial n'est associé à cette publication, qui relève de la recherche académique plutôt que d'un produit ou d'un pilote annoncé. Les suites attendues pour ce type de travaux incluent typiquement des essais sur plateformes robotiques réelles et une comparaison avec d'autres familles de protocoles de coordination distribuée, avant toute reprise éventuelle par des fournisseurs de flottes AMR ou de solutions de cartographie collaborative.

Recherche❖Paper

1 source

39

1266arXiv cs.RO 

DUGM-R : cartographie dynamique en grille avec incertitude et récupération déclenchée par le risque pour la navigation locale apprise

Des chercheurs ont déposé sur arXiv, le 24 septembre 2026, sous la référence 2609.27338, un article présentant DUGM-R, un framework de navigation locale par apprentissage par renforcement, sensible au risque, pour robots mobiles évoluant en environnements intérieurs encombrés et dynamiques. Le système combine une carte de grille d'incertitude dynamique (DUGM), représentation centrée sur le robot qui fusionne occupation locale, mouvement estimé des obstacles et incertitude sur cette estimation, avec un mécanisme de récupération appliqué après l'entraînement. Une fois la politique de navigation nominale figée, une fonction de valeur de risque (RVF) à horizon fini, entraînée sur les trajectoires générées par cette politique, déclenche une politique de récupération dédiée dès qu'une collision est jugée probable si l'exécution nominale se poursuit. Les tests ont eu lieu dans le simulateur NVIDIA Isaac Sim, sur un benchmark de logistique clinique tenu à l'écart de l'entraînement, puis le framework complet a été transféré tel quel sur un robot TurtleBot3, sans réglage fin, sans réentraînement ni adaptation spécifique au site, en conservant la tendance de performance observée en simulation. Ces résultats concernent directement les intégrateurs de robots mobiles autonomes (AMR) en environnement hospitalier ou logistique, où la cohabitation avec des piétons expose les politiques de navigation apprises à des comportements résiduels de quasi-collision une fois l'entraînement figé. En modélisant explicitement l'incertitude du mouvement des obstacles plutôt qu'une représentation statique ou déterministe, DUGM-R améliore la navigation nominale, et son mécanisme de récupération réduit encore les cas résiduels à risque. Le transfert direct vers un TurtleBot3 sans réentraînement, s'il se confirme sur d'autres plateformes, viendrait affaiblir l'idée répandue selon laquelle chaque déploiement d'un robot mobile appris exige une coûteuse adaptation au terrain, même si la validation reste ici limitée à un seul petit robot et à un article non encore relu par les pairs. Ce travail s'inscrit dans la recherche sur la navigation locale apprise, pensée comme alternative aux planificateurs classiques pour les environnements dynamiques denses, domaine où la fragilité des politiques après entraînement reste un point faible documenté de longue date. En comparant sa représentation dynamique et incertaine à des cartes statiques ou des modèles de mouvement déterministes, l'équipe positionne DUGM-R comme une amélioration incrémentale plutôt qu'une rupture, sans qu'aucun acteur industriel, français, européen ou autre, ne soit associé à ces travaux à ce stade purement académique. Les suites logiques attendues seraient une validation sur des flottes plus larges et des plateformes AMR commerciales, afin de confirmer le transfert simulation-réel au-delà du cadre contrôlé testé ici.

Recherche❖Paper

1 source

39

1267arXiv cs.RO 

Recherche de cible cachée sans balise, par autocalibration certifiée sous odométrie corrélée

Un article de recherche publié sur arXiv (référence 2609.27905v1) présente une méthode d'auto-calibration certifiée pour la recherche de cible cachée par un véhicule mobile, dans un scénario où ni le véhicule, ni un relais intermédiaire, ni la cible ne disposent d'une position globale connue. Le véhicule ne perçoit jamais la cible directement : il reçoit uniquement des mesures de distance et de relèvement transmises par un relais dont la position et l'orientation sont inconnues, et ne connaît son propre mouvement que par odométrie intégrée dans son repère corporel. Les auteurs démontrent qu'une localisation absolue est mathématiquement impossible dans ce cadre, la configuration conservant une ambiguïté de jauge SE(2) exacte, mais que les grandeurs utiles au pilotage (l'angle de lacet reliant le repère du relais à celui de l'odométrie, et le déplacement de la cible) restent calculables en forme fermée à partir de deux points de vue distincts du véhicule. Ils introduisent un estimateur multi-vues de complexité O(K) associé à un certificat d'incertitude de premier ordre, qui atteint une couverture statistique de 95,0 % pour un niveau nominal visé de 95 %, contre seulement 82,1 % si les corrélations entre poses successives sont ignorées. Sur 200 essais randomisés en boucle fermée, la méthode obtient une erreur médiane de position de 0,064 mètre, quasi identique aux 0,065 mètre d'un oracle connaissant l'orientation réelle du relais, malgré une dérive d'odométrie médiane de 27 mètres sur les longs trajets ; 90 essais physiques sous ROS 2 et Gazebo confirment un taux de réussite de 30 sur 30, y compris en cas de dégradation des communications ou de changement du repère du relais. Ce résultat intéresse directement les concepteurs de systèmes robotiques opérant sans GPS ni infrastructure d'ancrage fiable, essaims de drones, robots sous-marins ou opérations en environnement contesté où les relais eux-mêmes ne sont pas calibrés. Il remet en cause l'idée reçue selon laquelle l'absence de localisation globale condamne un système à une dérive incontrôlable : ici, la précision quasi équivalente à celle d'un oracle montre que seule l'information localement pertinente pour la tâche compte, et non une carte globale cohérente. La politique hybride proposée, qui explore tant que la calibration n'est pas certifiée, refuse d'agir sur des estimations non fiables, et détecte les changements de repère du relais, offre une alternative pragmatique aux pipelines SLAM classiques dépendant de balises ou de capteurs extéroceptifs directs sur la cible. Ce travail s'inscrit dans la lignée de la localisation coopérative multi-robots, où un agent relais mobile sert de repère non calibré pour un autre véhicule, un schéma fréquent en robotique sous-marine et en essaims aériens. Contrairement aux approches reposant sur un ancrage absolu, les auteurs formalisent le problème comme une jauge de groupe SE(2) irréductible et concentrent l'effort sur les quantités identifiables. La validation combine simulations Monte Carlo et simulations physiques réalistes incluant des perturbations de communication et de repère, mais reste à ce stade un préprint : aucun déploiement sur matériel réel en extérieur ni comparaison publiée avec des méthodes concurrentes de localisation sans ancre n'est encore rapporté.

Recherche❖Paper

1 source

39

1268arXiv cs.RO 

Où rejoindre un groupe ? Prédiction d'objectif guidée par le langage pour l'agrégation de robots

Une équipe de recherche publie sur arXiv (2609.28467v1, mis en ligne le 24 septembre 2026) une méthode baptisée "language-grounded robot group joining", qui répond à une question absente de la navigation sociale classique : non pas comment rejoindre un point fixe, mais où et comment s'intégrer à un groupe humain dont l'activité et la formation évoluent en temps réel. Le système part d'une observation visuelle et d'une description en langage naturel du groupe cible pour identifier les bonnes personnes, puis calcule des poses de jonction socialement acceptables. La chaîne technique combine un partitionnement spectral récursif, qui génère des sous-ensembles candidats de personnes dans la scène, avec un modèle language-conditioned combinant image et géométrie pour classer ces sous-ensembles selon la description fournie. Une fois le groupe identifié, un module de prédiction d'objectif s'appuie sur des a priori de formations humaines (conversations, files d'attente, publics) pour produire une carte multimodale energy-orientation couvrant l'ensemble des poses robotiques envisageables. Les auteurs rapportent une inférence en moins d'une seconde, une précision d'identification du groupe comparable aux meilleures approches existantes, et des performances supérieures à toutes les méthodes de référence testées pour la prédiction de pose de jonction, validées à la fois en simulation et sur robot réel, y compris dans des interactions dynamiques. L'intérêt pratique dépasse la simple curiosité académique : les applications visées, chiens-guides robotiques et scooters de mobilité autonomes, ciblent l'assistance aux personnes à mobilité réduite ou malvoyantes dans des environnements sociaux denses, un cas d'usage largement sous-traité par la littérature en navigation robotique, historiquement focalisée sur l'évitement d'obstacles vers un but déjà connu. En prouvant qu'un robot peut interpréter une instruction en langage naturel pour localiser un groupe spécifique parmi plusieurs, puis calculer sa position d'intégration sans base de données pré-cartographiée, les auteurs adressent un maillon manquant pour les intégrateurs travaillant sur des AMR (robots mobiles autonomes) déployés en environnement humain ouvert, plutôt qu'en entrepôt structuré. Le travail s'inscrit dans la lignée des modèles vision-langage appliqués à la robotique mobile, où la formulation de tâches sémantiques complexes via instructions textuelles gagne du terrain face aux approches purement géométriques. Le papier ne mentionne ni partenariat industriel ni déploiement commercial : il s'agit d'un résultat de recherche fondamentale, testé sur trois types de configurations sociales (conversations, files d'attente, audiences) avec tailles de groupe, densités de foule et ambiguïtés visuelles variables. Aucune suite commerciale ni calendrier de transfert vers un produit n'est annoncé à ce stade.

Recherche❖Paper

1 source

39

1269arXiv cs.RO 

LiMA : relier l'imagination à long terme à la manipulation dextérique en temps réel via la diffusion asynchrone

Un consortium de chercheurs a présenté LiMA (arXiv:2609.28431v1), un framework génératif à double système pour la manipulation robotique dextre bimanuelle, avec un site projet dédié (ccdcs.github.io/LiMA_repo). L'architecture sépare le calcul en deux boucles asynchrones : un système lent génère une intention spatio-temporelle éparse sur un horizon long, tandis qu'un système rapide affine cette intention en trajectoires de mouvement denses à haute fréquence. La jonction entre les deux est assurée par un mécanisme nommé Latent Schrödinger Bridge Coupling, qui traite le raffinement comme un problème de transport probabiliste régularisé par entropie. Sur le plan des performances, LiMA réduit la latence d'inférence de 45,8 % par rapport à Cosmos-Policy, le modèle world-action de Nvidia pris comme référence de comparaison. Évalué sur six tâches de manipulation dextre bimanuelle couvrant plusieurs horizons temporels, il atteint un taux de réussite global de 70,8 % et un taux de réussite moyen par sous-tâche de 78,9 %, avec un maintien des performances sur des scénarios non vus à l'entraînement. L'enjeu technique visé est un point de friction connu du secteur : les modèles Vision-Language-Action excellent en raisonnement sémantique de haut niveau mais peinent à capturer finement la dynamique physique et la perception spatiale, tandis que les World-Action Models, plus fidèles à la physique, souffrent d'une latence d'inférence élevée liée à leur génération itérative par diffusion. Ce décalage produit un désalignement temporel critique en manipulation dextre, où l'intention planifiée doit s'ajuster en quasi temps réel à des changements de contact rapides. LiMA s'inscrit dans la tendance des architectures à deux vitesses (planification lente, exécution réactive rapide) qui cherche à concilier anticipation à long terme et contrôle fin, sans sacrifier la latence, un compromis central pour tout intégrateur visant une manipulation dextre robuste hors laboratoire. Il s'agit à ce stade d'une publication de recherche académique évaluée sur un jeu de six tâches bimanuelles définies par les auteurs, et non d'un produit déployé ni d'un pilote industriel. Le seul comparatif chiffré donné dans l'article est Cosmos-Policy de Nvidia ; l'ampleur réelle de l'avance de LiMA face à d'autres approches à deux systèmes reste donc à confirmer par des benchmarks indépendants. Le code et les détails du projet sont accessibles en ligne, sans calendrier de transfert industriel ni partenaire annoncé.

Recherche⚡Actu

1 source

39

1270arXiv cs.RO 

Nage à la surface de l'eau chez un mille-pattes et son modèle robophysique

Des chercheurs ont découvert qu'un robot terrestre élongé à pattes multiples, conçu pour la marche, se met à nager en marche arrière lorsqu'il est placé à la surface de l'eau : son onde corporelle se propage dans le même sens que son déplacement, un mode dit d'onde directe, à l'inverse de la nage classique par onde rétrograde. Ce comportement inattendu a été retrouvé chez le mille-pattes réel Lithobius forficatus, qui nage lui aussi avec une onde de corps directe couplée à un mouvement périodique des pattes. Pour comprendre le rôle des pattes distribuées dans cette propulsion, l'équipe a construit un modèle robophysique multi-pattes permettant de faire varier indépendamment la morphologie et la rigidité des pattes, le sens de l'onde corporelle et la coordination entre pattes et corps. Les essais montrent que l'onde directe produit un déplacement vers l'avant cohérent, et que des pattes à compliance directionnelle (flexibles dans un sens, rigides dans l'autre) portent le déplacement d'environ 0,08 à 0,21 longueur de corps par cycle, contre des valeurs plus faibles avec des pattes rigides, sous actionnement anti-phase identique. Le résultat intéresse au-delà de la biomécanique pure : les robots terrestres multi-pattes, dont le corps segmenté et les actionneurs volumineux nuisent à l'hydrodynamisme, sont généralement considérés incapables de nager efficacement sans refonte structurelle. Ces travaux montrent qu'une propulsion de surface exploitable est atteignable par un simple réglage du sens de l'onde corporelle, de la coordination des pattes et de leur compliance mécanique, sans changer l'architecture du robot. Pour les concepteurs de robots de terrain destinés à des environnements encombrés (recherche et sauvetage, inspection environnementale), cela ouvre la piste de plateformes amphibies capables de passer du sol à l'eau sans double conception. L'étude s'inscrit dans la démarche dite de robophysique, qui utilise des modèles robotiques simplifiés pour isoler des variables impossibles à contrôler chez l'animal vivant. Elle prolonge les recherches sur les robots multi-pattes inspirés des myriapodes pour la locomotion terrestre en milieu complexe, en l'étendant pour la première fois à l'interface eau-air. Les auteurs présentent ces résultats comme une base de principes de conception de démarche et de morphologie pour de futurs robots de terrain amphibies, sans annoncer de calendrier de prototype ni de déploiement.

Recherche❖Paper

1 source

39

1271arXiv cs.RO 

Surfaces distantes au bout des doigts : retour tactile par électrovibration pour la téléopération de robots via écran tactile

Une interface de téléopération robotique restituant le contact avec des surfaces distantes via un retour tactile par électrovibration sur écran tactile, plutôt que par retour de force cinesthésique classique ou par simples indices visuels, a été décrite dans un nouvel article publié sur arXiv (référence 2609.27938). Une étude utilisateur portant sur 21 participants a comparé deux conditions de restitution de force : retour visuel et retour tactile par électrovibration. Des expériences complémentaires de caractérisation ont mesuré la précision de suivi de trajectoire et le temps de réponse dans les deux cas. Résultats chiffrés : le retour tactile réduit le temps de réponse de 15,35% (p=0,002, taille d'effet d=0,96) et augmente le sentiment de présence de 31% (p<0,001, d=0,90) par rapport au retour visuel, pour une charge de travail cognitive et une facilité d'utilisation jugées comparables entre les deux conditions. Pour les intégrateurs de systèmes téléopérés, en particulier sur des tâches de manipulation en contact riche, ces chiffres suggèrent qu'un retour tactile par électrovibration peut remplacer le retour de force cinesthésique, connu pour son instabilité au contact de surfaces rigides et sa sensibilité aux latences réseau, sans hériter de la charge cognitive et des limites de conscience situationnelle propres au retour purement visuel. L'intérêt pratique visé est direct : des domaines critiques pour la sécurité, comme la maintenance en environnement nucléaire, où la téléopération reste la norme pour éloigner les opérateurs humains des zones dangereuses. Il s'agit néanmoins de résultats obtenus en laboratoire sur un échantillon restreint de 21 personnes, et leur généralisation à des tâches de manipulation plus complexes ou à des conditions de terrain réelles reste à démontrer avant tout usage opérationnel. Ce travail s'inscrit dans la recherche visant à dépasser les deux approches dominantes du retour haptique en téléopération : les dispositifs cinesthésiques à actionneurs mécaniques, coûteux et instables face aux délais de communication, et les substituts visuels, simples à déployer mais insuffisants pour une perception naturelle du contact. En s'appuyant sur l'électrovibration, technologie déjà exploitée dans les interfaces tactiles grand public pour simuler des textures, les auteurs proposent une voie moins coûteuse pour transmettre une sensation de force sans reproduction mécanique de l'effort. L'article ne mentionne ni partenaire industriel ni calendrier de déploiement commercial, ce qui situe cette avancée au stade de la recherche académique plutôt que du produit prêt à l'industrialisation.

Recherche❖Paper

1 source

39

1272arXiv cs.RO 

Banana Kick : évolution des compétences guidée par le retour pour le football humanoïde

Un article de recherche publié sur arXiv (arXiv:2609.27269v1, « Banana Kick: Response-Informed Skill Evolution for Humanoid Soccer ») présente RISE (response-informed skill évolution), une méthode d'apprentissage par renforcement qui fait évoluer un tir humanoïde ordinaire, appris par imitation de mouvement, vers un tir courbé de type « banana kick » générant un effet sur le ballon. RISE classe les changements d'objectif possibles selon la sensibilité de réponse de la politique, estimée à partir de rollouts mis en cache, et ne valide une mise à jour que si elle produit un progrès vérifié sans dégrader la fiabilité du tir initial. Intégrée à un pipeline combinant contact calibré, aérodynamique par force de Magnus et transfert simulation-vers-réel, la méthode atteint un spin moyen de 11,55 rad/s, améliore le score d'évaluation moyen de 19,8% par rapport à une curriculum de type « learning-progress », et fait passer le taux d'atteinte des cibles articulaires de 15,2% à 50,9%. Le transfert vers le robot réel a été validé par 30 essais physiques enregistrés en capture de mouvement, cohérents avec les résultats de simulation. Le résultat cible un problème connu en RL pour la robotique de contact: une récompense dense et une optimisation stable ne suffisent pas à apprendre une compétence qualitativement nouvelle si l'objectif reste localement plat autour de la politique courante, un phénomène que les auteurs baptisent « starvation d'apprentissage de premier ordre ». Leur analyse montre qu'un simple recalibrage d'une récompense de spin saturée ne réactive pas l'apprentissage à spin nul, et qu'il faut plutôt adapter les réponses de contact couplées sous-jacentes, ce qui remet en question une pratique courante de réglage de récompense par ajustement d'échelle. Pour les équipes travaillant sur des skills humanoïdes riches en contact (manipulation fine, sports, tâches industrielles de précision), RISE propose un mécanisme pour faire évoluer un comportement imité vers une technique qualitativement différente sans repartir d'un entraînement RL complet, un enjeu directement lié au fossé persistant entre démonstrations spectaculaires de robots humanoïdes et compétences réellement robustes et généralisables. Le papier s'inscrit dans la lignée des pipelines combinant imitation de mouvement et affinage par RL pour humanoïdes, où l'imitation fournit d'ordinaire un geste fiable que le RL optimise ensuite en vitesse et précision sans changer la technique, limite que RISE cherche justement à dépasser. Mis en ligne en septembre 2026 sous le numéro arXiv:2609.27269v1 comme nouvelle soumission, le texte ne précise ni l'affiliation des auteurs ni la plateforme robotique utilisée au-delà du pipeline de kick décrit, et renvoie vers un site de projet (haozhang-thu.github.io/bananakick) pour des démonstrations. Il s'agit d'un résultat de recherche à ce stade, non d'un produit commercial: l'échantillon de 30 essais physiques démontre une faisabilité technique plutôt qu'un déploiement à grande échelle, et l'abstract ne fournit aucune comparaison directe avec d'autres méthodes que la curriculum « learning-progress » citée, ni de calendrier pour étendre RISE à d'autres compétences de contact.

Recherche❖Paper

1 source

39

1273arXiv cs.RO 

Insertion robotique généralisable grâce aux modèles du monde

Une équipe de recherche décrit, dans un article publié sur arXiv en septembre 2026 sous le titre "Generalizable Robotic Insertion with World Models" (identifiant 2609.28258v1), un système d'insertion robotique généraliste construit autour d'un modèle du monde (world model) entraîné sur un seul réseau couvrant jusqu'à 90 tâches d'insertion différentes, portant sur des pièces aux géométries variées. Le modèle combine les données proprioceptives du bras robotique avec les images brutes issues d'une caméra montée sur le poignet. Sur des objets totalement inédits, dont la géométrie n'a jamais été vue pendant l'entraînement, le système atteint un taux de réussite de 56% en zero-shot, contre seulement 7% pour une base de référence model-free entraînée dans les mêmes conditions. Les chercheurs montrent aussi que la performance progresse à mesure que le nombre d'objets inclus dans le jeu d'entraînement augmente, signe d'une bonne scalabilité. Un fine-tuning du modèle généraliste sur des objets exclus de l'entraînement initial améliore par ailleurs nettement l'efficacité en données par rapport à un entraînement from scratch, et dépasse parfois ses performances asymptotiques. Ce résultat s'attaque à un goulot d'étranglement connu de l'assemblage robotique en forte mixité de références: les approches actuelles, même très performantes, reposent sur des politiques spécialisées entraînées pièce par pièce, ce qui rend le déploiement sur une nouvelle référence lent et coûteux en ingénierie. Un système capable de généraliser à des pièces jamais vues changerait potentiellement l'équation pour les intégrateurs et les lignes à forte variabilité, en réduisant le travail de reprogrammation à chaque changement de produit. Les auteurs présentent leur travail comme le premier système capable d'assembler des objets inédits de façon entièrement pilotée par les données, sans modélisation géométrique explicite préalable, ce qui alimente le débat sur la capacité réelle des architectures génériques à tenir la charge en manipulation fine, un terrain où l'écart entre démonstration et fiabilité industrielle reste habituellement large. Ce travail s'inscrit dans la tendance de fond de la robotique de manipulation, où la recherche cherche à remplacer les politiques spécialisées task-specific par des modèles généralistes transférables d'un objet ou d'une tâche à l'autre, dans la lignée des efforts en cours autour des architectures vision-langage-action. Il reste à ce stade un résultat de recherche publié en preprint, sans partenaire industriel cité, ni site de déploiement, ni calendrier de commercialisation: les auteurs parlent d'une étape significative vers des systèmes d'assemblage généralisables et scalables, formulation à lire comme un jalon scientifique plutôt qu'une annonce produit. Les suites attendues pour ce type d'approche sont l'extension à davantage de tâches et de géométries, ainsi qu'une validation en conditions de production réelles, où robustesse et temps de cycle devront être mesurés au-delà des benchmarks de laboratoire.

Recherche❖Paper

1 source

38

1274arXiv cs.RO 

MultiPush : apprendre à réorganiser des objets avec des équipes de robots pousseurs de type voiture

Une équipe de recherche présente MultiPush, un système d'apprentissage par renforcement destiné à coordonner des équipes de robots à cinématique de type voiture (contraints par des courbes de Dubins) pour réarranger plusieurs objets dans un espace de travail restreint, en les poussant. Publié sur arXiv en septembre 2026 (arXiv:2609.27005v1), le papier décrit un cadre qui détermine conjointement l'ordre des tâches de poussée et leur attribution aux robots disponibles, via un graphe de traversabilité intégrant les contraintes cinématiques du domaine. Dans des simulations à grande échelle portant sur jusqu'à 14 objets et des équipes de deux à quatre robots, MultiPush réduit le makespan, le temps total d'exécution, jusqu'à 16% par rapport aux méthodes de référence, tout en calculant les plans jusqu'à 2,9 fois plus vite. Les auteurs valident aussi l'approche sur un banc d'essai réel : le réarrangement de 12 objets par des équipes de deux puis trois robots, à l'aide de voitures radiocommandées à l'échelle 1/10. Pour l'industrie robotique, ce travail s'attaque à un problème concret pour les flottes de robots mobiles autonomes et les systèmes de logistique multi-agents : coordonner plusieurs robots pour déplacer des objets sans manipulateur dédié, uniquement par poussée, dans un espace partagé où collisions et contraintes de braquage compliquent fortement la planification. En reformulant le problème comme une affectation ordonnée de courbes de Dubins aux robots plutôt que comme une recherche combinatoire complète, les auteurs montrent qu'il est possible de gagner en vitesse de planification sans sacrifier l'efficacité d'exécution, un compromis clé pour des applications temps réel en entrepôt ou en zone de tri. Le passage de la simulation, jusqu'à 14 objets et 4 robots, à un déploiement physique, certes limité à des véhicules miniatures et 12 objets, apporte une validation supplémentaire face au fossé habituel entre démonstrations simulées et réalité physique en robotique multi-agents. MultiPush s'inscrit dans la lignée des travaux sur la planification de tâches et de mouvements et le réarrangement d'objets par poussée, un sous-domaine actif de la robotique de manipulation où la plupart des approches antérieures ciblaient un seul robot ou des manipulateurs à bras articulés plutôt que des plateformes à roues à cinématique contrainte. En exploitant spécifiquement la structure des trajectoires de Dubins propres aux robots de type voiture, les chercheurs se distinguent des méthodes générales de planification multi-robots qui ignorent ces contraintes ou les traitent comme un simple ajout au problème d'affectation. L'article ne mentionne ni feuille de route vers un déploiement industriel ni partenariat commercial : il s'agit à ce stade d'une contribution académique, dont la prochaine étape logique serait l'extension à des flottes plus grandes ou à des environnements moins contrôlés que le banc d'essai en intérieur utilisé ici.

Recherche❖Paper

1 source

38

1275arXiv cs.RO 

Au-delà de la prédiction du futur : le débruitage comme adaptation générative pour le contrôle des robots

Des chercheurs publient sur arXiv (arXiv:2609.28339v1) une méthode baptisée NowWAM pour entraîner des politiques de contrôle robotique à partir de Diffusion Transformers (DiT) pré-entraînés sur de la génération d'images et de vidéos. Plutôt que de prédire des images futures pour transférer ce prior génératif vers le contrôle, comme le font la plupart des approches existantes, NowWAM débruite l'observation courante et prédit les actions du robot à partir du même flux visuel, sans cible visuelle future séparée. Sur le benchmark de simulation LIBERO-Plus, avec un backbone FLUX2-Klein, la méthode atteint 87,7 % de réussite, soit 6,1 points de plus qu'une base entraînée avec prédiction du futur, tout en divisant par deux le nombre de tokens visuels d'entraînement (784 à 392) et en réduisant le temps par étape de 2,85 à 1,63 seconde, un gain de vitesse de 1,8x. Avec un backbone texte-vers-image pur, Z-Image, sans capacité de génération vidéo ni d'édition d'image, NowWAM atteint 87,8 %. Le résultat central du papier est que restreindre l'entraînement au seul point d'arrivée débruité dégrade nettement la robustesse, alors que remplacer la cible future par la cible présente ne change quasiment rien aux performances. Cela suggère que ce n'est pas la prédiction du futur en tant que telle qui rend utile le prior génératif des DiT pour le contrôle, mais la trajectoire de débruitage elle-même, utilisée comme interface d'apprentissage. Pour le secteur des politiques robotiques de type VLA (vision-language-action), bâties sur des bases génératives comparables à celles derrière Pi-0 ou GR00T N2, ce travail remet en cause l'hypothèse répandue selon laquelle un module de prédiction vidéo du futur serait nécessaire pour exploiter un prior génératif. Il ouvre aussi une piste d'efficacité concrète: moitié moins de tokens visuels et un temps de calcul par étape quasi divisé par deux, un enjeu direct pour le contrôle temps réel embarqué. Ce travail s'inscrit dans la tendance à construire des politiques de contrôle sur des DiT pré-entraînés à grande échelle, une lignée qui inclut des modèles comme Pi-0 de Physical Intelligence ou GR00T N2 de NVIDIA, généralement adaptés via prédiction visuelle du futur. NowWAM se positionne comme une alternative de co-entraînement plus économe, comparée sous conditions contrôlées à une base "future prédiction" sur LIBERO-Plus, un environnement de simulation standard pour la manipulation, et non un déploiement sur robot réel. Les auteurs montrent que l'adaptation au contrôle ne dépend pas d'un backbone spécialisé en vidéo ou en édition d'image, élargissant les bases génératives exploitables en robotique. Publié en preprint, l'article ne mentionne aucun déploiement industriel ni partenariat commercial; ses conclusions restent à confirmer au-delà du benchmark simulé.

Recherche⚡Actu

1 source

38

1276arXiv cs.RO 

Locomotion amphibie omnidirectionnelle par actionnement de masse interne

Des chercheurs du General Robotics Lab ont présenté MARBLE, un robot roulant amphibie omnidirectionnel entièrement fermé dont toute la locomotion repose sur le déplacement de masses internes. Trois glissières linéaires orthogonales déplacent ces masses pour faire tourner une coque sphérique rigide, pilotée par un contrôleur qui convertit des commandes de vitesse planaire en positions de glissières. Cette coque étanche sert simultanément de surface de contact au sol, d'enveloppe flottante et de support à des ailerons passifs assurant la propulsion en surface de l'eau, sans reconfiguration mécanique ni actionneurs dédiés à chaque milieu. Le robot a été testé en locomotion omnidirectionnelle, sur terrains hétérogènes, en surface aquatique, lors de transitions terre-eau et lors de chocs délibérés contre des obstacles. Décrite dans une prépublication arXiv (2609.27358) de septembre 2026, l'étude s'accompagne d'une promesse d'ouverture complète du logiciel et de la conception matérielle sur le site du laboratoire. L'intérêt pour la robotique de terrain tient à l'unification de la propulsion : la plupart des robots amphibies combinent des systèmes séparés, roues ou pattes pour la terre, hélices pour l'eau, ce qui multiplie les points de défaillance face à la boue, aux débris ou à la végétation. En logeant tous les organes actifs dans une coque scellée, MARBLE gagne en étanchéité et en robustesse aux chocs, tandis que sa forme sphérique lui permet d'absorber les changements d'orientation et de point de contact lors d'une collision, un mode d'échec courant sur le terrain. Pour les concepteurs de robots d'inspection, de surveillance environnementale ou de recherche et sauvetage, l'approche esquisse une alternative mécaniquement plus simple aux architectures hybrides à pattes ou à roues, misant sur la compacité plutôt que sur la charge utile ou la vitesse. La locomotion par déplacement de masse interne équipe déjà des robots sphériques terrestres de type « ballbot » ; sa nouveauté ici tient à l'extension au milieu aquatique via une coque étanche et des ailerons passifs, sans mécanisme de transition dédié. Le projet, associé au General Robotics Lab, reste à un stade de validation expérimentale en laboratoire : aucun partenariat industriel, pilote de déploiement ni calendrier de commercialisation n'est mentionné dans la publication. Les auteurs annoncent vouloir publier en open source l'ensemble du logiciel et des plans matériels, une démarche orientée reproduction académique plutôt que produit commercial. Aucun acteur français ou européen n'apparaît dans ces travaux.

Recherche❖Paper

1 source

38

1277arXiv cs.RO 

DAVIS : un cadre actif de bout en bout basé uniquement sur la profondeur pour le football humanoïde

Un article publié le 24 septembre 2026 sur arXiv (2609.28175) présente DAVIS, un framework qui apprend à des robots humanoïdes des gestes de contact au football à partir d'une seule caméra de profondeur montée sur la tête, sans module de perception ni de planification supplémentaire à l'exécution. Ce flux vidéo est combiné à un historique proprioceptif et à une commande de tâche optionnelle de faible dimension pour produire directement des cibles PD sur les 25 degrés de liberté du robot. Pour compenser les pertes fréquentes de vue du ballon dues aux mouvements du robot lui-même, DAVIS apprend une géométrie auxiliaire sensible à la visibilité et combine un recuit progressif de la vérité terrain vers la prédiction, des curricula de tâches et des a priori de mouvement de type AMP pour passer de la simulation au réel. Deux compétences, le tir cadré et le dribble directionnel, sont validées en simulation puis testées sur un robot réel, le Noetix E1, avec des études d'ablation à l'appui. L'intérêt du travail tient à la contrainte qu'il s'impose : prouver qu'une seule caméra de profondeur, sans suivi externe ni pile de perception dédiée, suffit à des gestes dynamiques de contact en corps entier, ce qui réduirait le matériel et le calcul embarqué nécessaires à un déploiement réel. Cela nourrit le débat sur l'écart entre démonstrations simulées et comportement réel des humanoïdes, mais la validation reste limitée à deux gestes isolés sur un seul robot, pas à un match complet, ce qui appelle à la prudence sur la portée réellement démontrée. Pour les équipes de recherche en robotique, DAVIS propose surtout une méthode, pas un produit : une alternative plus frugale aux architectures VLA généralistes entraînées sur de vastes corpus multimodaux. Ce travail s'inscrit dans l'essor du football comme banc d'essai pour les humanoïdes, terrain occupé depuis des années par la RoboCup Humanoid League et plus récemment par des démonstrations d'entreprises chinoises comme Unitree ou Booster Robotics. Noetix Robotics, dont le E1 sert ici de plateforme d'expérimentation réelle, reste un acteur peu connu hors de ce créneau académique. Contrairement aux modèles VLA généralistes comme Pi-0, GR00T N2 ou Helix, entraînés sur image RGB et langage pour la manipulation, DAVIS se limite volontairement à la profondeur, sans langage ni RGB, au service de gestes sportifs précis. Les auteurs annoncent des ablations complémentaires mais aucun calendrier de déploiement pilote, signe d'un travail encore au stade de la recherche académique plutôt que de la préparation commerciale.

Recherche❖Paper

1 source

38

1278arXiv cs.RO 

Contrôler des collectifs d'agents IA dans l'espace du raisonnement avec des transformeurs spatiaux

Les grands modèles de langage promettent une nouvelle approche pour la planification et la navigation en robotique, mais leurs performances s'effondrent dès que la taille des équipes de robots augmente, même sur des tâches multi-robots simples. Des chercheurs proposent COMPASS, une architecture décentralisée et scalable pour piloter de larges collectifs de robots agentiques via un contrôle par feedback dans un espace de raisonnement. Le feedback est généré localement sur chaque robot par un transformer spatial qui agrège des messages multi-sauts circulant à travers la flotte en un token de feedback appris. Les expériences montrent que ces collectifs de modèles de langage tirent parti d'une diversité structurée dans la commande d'entrée, ce qui permet d'annuler certains biais, un avantage qui se maintient quelle que soit l'échelle. Le système a été testé jusqu'à 1024 robots commandés en langage naturel, alors qu'il n'a été entraîné qu'à une échelle 16 fois plus petite, et généralise en zero-shot à des instructions ambiguës jamais vues à l'entraînement. Le papier a été publié sur arXiv sous la référence 2609.28247v1. Comparé à une politique centralisée s'appuyant sur un LLM frontier et à une variante n'utilisant que la communication en langage naturel, le design couplé de COMPASS produit des formations de vol en essaim nettement plus cohésives et fidèles à l'intention commandée. Point notable pour les équipes qui travaillent sur le contrôle multi-agents: le feedback fonctionne mieux lorsqu'il est composé avec un token compact appris plutôt qu'avec un état brut inséré directement dans le canal de langage, une approche artisanale qui détruit la cohésion du groupe selon les auteurs. Ce résultat va à l'encontre de l'hypothèse répandue selon laquelle il suffirait d'enrichir les prompts avec plus d'informations d'état pour améliorer la coordination d'essaim par LLM. Pour les intégrateurs travaillant sur des flottes de drones ou de robots mobiles, ce papier suggère une voie pour dépasser les limites actuelles des architectures centralisées à base de LLM, qui ne passent pas à l'échelle au-delà de quelques agents. Le travail s'inscrit dans la lignée des recherches cherchant à combiner LLM et contrôle robotique multi-agents, un domaine où la plupart des démonstrations publiques restent cantonnées à de petites équipes de quelques robots. Les auteurs positionnent explicitement COMPASS contre deux références directes, une politique LLM centralisée de type frontier model et une architecture de communication purement textuelle, pour isoler la contribution spécifique du transformer spatial et du token de feedback appris. L'abstract ne précise ni le laboratoire ni les auteurs, ni de calendrier de suite, mais la démonstration à 1024 robots simulés marque une étape dans la recherche sur le passage à l'échelle du contrôle d'essaims piloté par le langage.

Recherche❖Paper

1 source

38

1279arXiv cs.RO 

BrickCraft-Duo : apprentissage et raffinement efficaces de compétences bi-bras pour l'assemblage compositionnel long horizon

L'équipe de recherche à l'origine du projet BrickCraft-Duo, dont le site est hébergé sous le compte GitHub de Jichuan Yu, présente un système d'apprentissage de compétences pour l'assemblage collaboratif de briques encastrables par deux bras robotiques. Le framework, modulaire, apprend des compétences réutilisables à bras unique et à bras double à partir de démonstrations, en exploitant un alignement de symétrie bilatérale qui permet de partager les compétences entre bras symétriques et entre rôles d'assemblage et de support. Un module de raisonnement tenant compte de la stabilité mécanique compose ensuite ces compétences hétérogènes pour exécuter de façon autonome des séquences longues, et une boucle de correction humaine permet d'affiner les compétences ciblées. Sur cinq tâches réelles impliquant des configurations partiellement soutenues et des séquences allant jusqu'à neuf étapes, le système atteint un taux de réussite d'au moins 60% sur l'ensemble de la tâche et un taux de complétion d'au moins 95% au niveau de chaque étape individuelle. Ce résultat s'inscrit dans un débat central de la robotique de manipulation: faut-il viser des modèles génériques de type vision-langage-action (VLA) entraînés bout en bout, ou des architectures modulaires composant des compétences spécialisées et réutilisables. En misant sur la composition de compétences plutôt que sur un apprentissage massif end-to-end, BrickCraft-Duo cherche à limiter le volume de données nécessaire tout en gardant une exécution robuste sur des tâches à tolérances d'insertion serrées et fortes dépendances inter-étapes, un défi typique de l'assemblage industriel de précision. Pour les intégrateurs et équipes R&D en manipulation bimanuelle, l'écart persistant entre le taux de réussite sur la tâche complète (60%) et le taux de complétion par étape (95%) illustre concrètement le problème de propagation d'erreurs dans les séquences longues, même quand chaque geste élémentaire est fiable. L'assemblage de briques encastrables sert ici de banc d'essai représentatif car il combine interactions mécaniques complexes, dépendances structurelles entre étapes et tolérances géométriques strictes, des propriétés transposables à l'assemblage industriel réel. L'approche se distingue des modèles VLA généralistes à grande échelle (à la Pi-0 ou GR00T) en misant sur une décomposition explicite des tâches et sur l'intervention humaine ciblée pour corriger les échecs, plutôt que sur une politique unique apprise de bout en bout. Le papier, référencé sur arXiv sous l'identifiant 2609.28281, ne précise pas de calendrier de mise à disposition du code ni de partenariat industriel; le site du projet est présenté comme point d'accès aux démonstrations et résultats détaillés.

Recherche❖Paper

1 source

38

1280arXiv cs.RO 

Apprentissage d'une politique de contrôle adaptative en vitesse pour exosquelette de hanche par transfert simulation-réel

Un preprint publié sur arXiv (arXiv:2609.28027v1, catégorie "new") décrit un framework combinant apprentissage par renforcement sim-to-real et apprentissage de préférences en ligne pour personnaliser l'assistance d'un exosquelette de hanche à différentes vitesses de marche. Le timing de l'assistance est appris en simulation, via des politiques de RL entraînées sur des modèles musculosquelettiques humains couvrant plusieurs vitesses de marche, puis distillées et déployées sur un exosquelette de hanche physique équipé de capteurs embarqués. La magnitude du couple assistif est ensuite ajustée en conditions réelles grâce à un apprentissage de préférences basé sur des processus gaussiens, l'utilisateur exprimant ses choix via des comparaisons par paires entre profils de couple. Des expériences sur sujets humains montrent une identification efficace de profils personnalisés à travers différentes vitesses de marche, avec moins d'essais réels que les méthodes purement en ligne, sans que l'abstract précise le nombre de sujets ni le taux de réduction obtenu. L'enjeu dépasse l'exercice académique: l'optimisation en ligne "human-in-the-loop" reste le principal goulot d'étranglement de la personnalisation des exosquelettes, car calibrer tout le profil de couple sur un porteur réel exige de nombreuses itérations, longues et fatigantes. En découplant le timing, résolu hors ligne en simulation, de la magnitude, optimisée en ligne sur un espace de recherche réduit grâce aux préférences, le framework diminue mécaniquement le nombre d'évaluations nécessaires sur sujet humain. Pour les concepteurs de robotique portable, en réadaptation comme en assistance industrielle à la marche, ce résultat conforte l'idée que le sim-to-real, déjà éprouvé sur robots mobiles et bras manipulateurs, s'étend aussi aux dispositifs portés dont la dynamique dépend fortement de la morphologie et des préférences individuelles de l'utilisateur. Les approches classiques de calibration d'exosquelette reposent sur une optimisation en ligne exhaustive du profil de couple, une méthode lente qui freine le déploiement à grande échelle de dispositifs personnalisés. Ce travail s'inscrit dans la lignée des recherches en RL sim-to-real appliquées à la robotique portable, en y ajoutant une couche d'apprentissage de préférences pour capturer ce que la simulation seule ne modélise pas, le confort subjectif de l'utilisateur. L'abstract ne cite aucune entreprise, aucun nom de produit ni partenaire industriel: il s'agit d'un preprint de recherche, sans pilote clinique ni feuille de route de commercialisation annoncés à ce stade.

Exosquelettes❖Paper

1 source

38

1281arXiv cs.RO 

MemBodied : mémoire associative récurrente pour modèles vision-langage-action

Un modèle appelé MemBodied introduit une mémoire épisodique de taille fixe pour les modèles Vision-Language-Action (VLA), détaillée dans un article arXiv (2609.28256v1) publié en septembre 2026. Le système repose sur deux composants complémentaires: un état associatif qui enregistre les interactions au fil des appels successifs de la politique, et une ancre d'épisode qui conserve une représentation compacte de la scène initiale comme référence. Sur cinq tâches du benchmark RMBench conçues pour nécessiter de la mémoire, MemBodied atteint un taux de succès moyen 7,81 fois supérieur à celui d'une politique sans état (stateless) et 2,98 fois supérieur à une mémoire récurrente classique, tout en dépassant la meilleure référence à mémoire augmentée de 1,3 fois avec dix fois moins de paramètres ajoutés. Sur la suite LIBERO-Long, entièrement observable, il atteint 90,6% de réussite, soit une amélioration de 5,4 points par rapport à la politique stateless Pi-0. Le problème que cible ce travail est central pour l'industrie robotique: la majorité des politiques VLA déployées aujourd'hui ne conservent aucune information au-delà de l'observation en cours, ce qui les rend incapables de gérer des tâches de manipulation dépendantes de l'historique, par exemple retrouver un objet déplacé hors champ ou se souvenir qu'une étape a déjà été exécutée. La solution habituelle, garder l'historique complet dans le contexte du modèle, fait gonfler la latence d'inférence et le coût de calcul, un frein direct pour des cas d'usage industriels en temps réel. En proposant une mémoire à empreinte constante plutôt qu'un contexte qui s'étend indéfiniment, MemBodied répond à une limite concrète des architectures VLA à grande échelle (Pi-0, GR00T N2, Helix) qui excellent sur des tâches courtes mais peinent sur des séquences longues nécessitant du raisonnement temporel. Les VLA se sont imposés comme paradigme dominant du contrôle robotique généraliste ces dernières années, portés par des modèles comme Pi-0 de Physical Intelligence, GR00T N2 de NVIDIA ou Helix de Figure AI. MemBodied se positionne comme une alternative légère à l'extension de contexte, comparée aux politiques sans état, à la mémoire récurrente standard et aux meilleures approches de mémoire augmentée existantes. Il s'agit à ce stade d'un résultat de recherche mesuré sur des benchmarks (RMBench, LIBERO-Long), sans annonce de déploiement industriel ni de partenariat commercial.

Recherche⚡Actu

1 source

38

1282arXiv cs.RO 

Prototypes de tâches pour guider le flow matching : généralisation en few-shot pour la manipulation robotique vision-langage

Un preprint arXiv publié fin septembre 2026 (arXiv:2609.27780), actuellement en relecture anonyme et sans code publié, présente Task-Prototype Guided Flow Matching (TP-Flow), une méthode few-shot pour les politiques de manipulation robotique vision-langage. Le système convertit quelques démonstrations de support en prototypes de tâche extraits par attention croisée symétrique, puis les utilise pour paramétrer la distribution initiale et le champ de vitesse du flow matching via une normalisation adaptative à portes, avec un entraînement épisodique support-requête et une régularisation contrastive. Sur la plateforme LEROBOT-ARM-SO101, TP-Flow atteint 66,8%, 79,6% et 82,1% de réussite en configuration 1, 4 et 6-shot (AUC few-shot de 75,5%), dépassant en 1-shot les références CFM, Pooled-Demo CFM et In-Context Flow de 29,8, 14,5 et 9,9 points de pourcentage. Il tourne en temps réel à 54,3 ms de latence, 3,9 Go de pic mémoire et 10 Hz de cadence de contrôle, tout en limitant à 6,2% la chute de performance avec des démonstrations bruitées. Le problème visé est concret: le langage naturel ne précise ni le timing des contacts, ni les phases de mouvement, ni le style d'exécution, ce qui limite l'adaptation rapide des politiques vision-langage-action à de nouvelles procédures à partir de très peu d'exemples. Si ces résultats se confirment hors laboratoire, une adaptation efficace à partir d'une à six démonstrations réduirait la dépendance aux vastes jeux de téléopération qui freinent aujourd'hui le déploiement industriel des bras robotiques. Les gains rapportés sur la généralisation à des objets inédits, la recombinaison d'objectifs, les tâches longues et les scénarios de correction de contact vont dans le sens d'un VLA plus robuste à l'échelle, même si les chiffres restent obtenus sur un banc de test académique restreint et n'ont pas été validés en conditions industrielles. Le travail s'inscrit dans la lignée des recherches sur le flow matching conditionnel appliqué à la robotique, en améliorant des références établies comme CFM et ses variantes few-shot. Les auteurs restent anonymes du fait de la relecture en double aveugle et le code n'est pas publié, ce qui empêche toute vérification indépendante immédiate des chiffres avancés. La plateforme utilisée, LEROBOT-ARM-SO101, s'appuie sur l'écosystème open-source LeRobot et un bras robotique bas coût, un choix favorable à la reproductibilité académique mais éloigné des bras industriels à fort payload utilisés en usine. Aucun partenariat industriel ni date de publication du code n'est annoncé à ce stade; la suite logique serait la levée de l'anonymat après décision d'acceptation et, potentiellement, la diffusion du code source.

Recherche❖Paper

1 source

38

1283arXiv cs.RO 

Coordination multi-robots sécurisée par raisonnement VLM-LLM et analyse d'atteignabilité

Des chercheurs décrivent, dans un article publié sur arXiv (référence 2609.27816v1), une architecture centralisée de coordination sécurisée pour des équipes hétérogènes de robots mobiles communiquant en machine-to-machine. Le système testé associe un quadrupède équipé de caméra et un véhicule robotique dépourvu de caméra, qui doivent atteindre conjointement une zone objectif tout en évitant des obstacles statiques et dynamiques et en prévenant les interactions dangereuses entre eux. Le quadrupède transmet sa compréhension sémantique de l'environnement à un serveur centralisé via un broker MQTT, ce qui permet au véhicule sans caméra de naviguer à partir de cette représentation partagée combinée à sa propre odométrie, ses centrales inertielles (IMU) et ses retours d'état. Un modèle vision-langage (VLM) interprète le flux vidéo et convertit les données sémantiques en contraintes géométriques métriques conservatives : ensembles d'obstacles dilatés, corridors sûrs et zones cibles. Un grand modèle de langage (LLM) propose ensuite une répartition des tâches de haut niveau, mais l'autorité d'exécution des commandes reste conditionnée à un filtre de vérification spécifique à chaque robot, fondé sur l'analyse d'atteignabilité par zonotopes, qui propage des tubes atteignables indépendants pour valider l'évitement d'obstacles, le confinement dans les corridors sûrs et la séparation entre robots avant d'approuver tout mouvement. Des expériences en conditions réelles, sur des scénarios à chemin dégagé et à obstacles dynamiques, montrent que le pipeline approuve de façon fiable les mouvements sûrs et déclenche une replanification conservative ou un arrêt temporaire dès qu'une contrainte est violée. Ce travail illustre une tendance de fond en robotique multi-agents : coupler des modèles VLM et LLM, puissants mais non vérifiables formellement, à une couche de sécurité mathématiquement garantie, seule détentrice de l'autorité d'exécution. Pour les intégrateurs et décideurs qui envisagent des flottes hétérogènes (robots à pattes, AMR, bras manipulateurs) partageant un même espace de travail, l'article répond à une limite récurrente des approches de planification robotique purement fondées sur des modèles de langage : l'absence de garanties de sécurité. En séparant strictement le raisonnement sémantique consultatif de l'exécution motrice vérifiée, l'architecture traite explicitement l'écart entre démonstration et fiabilité opérationnelle, un enjeu central pour tout déploiement de systèmes robotiques pilotés par IA générative dans des environnements partagés avec des humains ou d'autres machines. Cette publication s'inscrit dans un courant de recherche qui cherche à exploiter VLM et LLM pour la perception et la planification robotique tout en compensant leur manque de garanties par des méthodes de vérification formelle issues du contrôle, comme l'analyse d'atteignabilité par zonotopes, déjà employée pour certifier des systèmes autonomes critiques. Il s'agit d'une preuve de concept académique, testée en expériences réelles sur une paire de plateformes physiques plutôt qu'en simulation seule, ce qui la distingue de nombreuses démonstrations purement simulées du domaine. Aucun acteur européen n'apparaît dans cette publication, et les auteurs ne fixent aucun calendrier de transfert industriel, mais l'approche pourrait intéresser les fournisseurs de flottes multi-robots hétérogènes, notamment en logistique et en industrie, cherchant à certifier la sécurité d'interactions entre plateformes aux capacités de perception très différentes.

Recherche❖Paper

1 source

38

1284arXiv cs.RO 

InternW0 : un modèle fondation du monde physique pour des interactions efficaces avec le monde réel

Shanghai AI Laboratory a publié le 24 septembre 2026 sur arXiv (2609.27656) InternW0, premier modèle de sa série InternW dédiée à la modélisation du monde physique. L'architecture associe un expert vidéo lourd, qui prédit la dynamique visuelle à long horizon, et un expert d'action léger cadencé plus vite, entraînés conjointement par flow matching ; plutôt que de tout recalculer à chaque action, le modèle réutilise ses caches clé/valeur et les met à jour selon les nouvelles observations. Des interfaces par domaine gèrent les morphologies robotiques hétérogènes, complétées par un post-entraînement sensible au contact exploitant force et tactile. L'entraînement mobilise 7 200 heures de données robot et égocentriques, dont EgoLab (275 heures, laboratoire réel), et les tests réels incluent une synthèse de charpentes métallo-organiques en 15 étapes et un pipetage dextre en 5 étapes sensible au contact. L'enjeu pour les intégrateurs tient à l'efficacité : la plupart des modèles vision-langage-action recalculent une passe complète à chaque étape de contrôle, ce qui plafonne la fréquence de commande utilisable, alors que la réutilisation du cache clé/valeur d'InternW0 vise justement ce goulot d'étranglement. Le choix de tâches scientifiques (chimie, pipetage) plutôt que la manipulation domestique privilégiée par la plupart des démonstrations humanoïdes déplace la preuve vers un usage B2B vérifiable en laboratoire et dans l'industrie pharmaceutique ou des matériaux, où comptent la répétabilité et la sensibilité au contact plus que la polyvalence spectaculaire. Le texte reste un preprint, sans taux de réussite chiffré ni preuve de généralisation au delà de ces scénarios. InternW0 prolonge la famille Intern de Shanghai AI Laboratory, déjà connue pour InternLM (langage) et InternVL/InternVideo (multimodal), vers la modélisation du monde physique et le contrôle robotique. Il se positionne face aux modèles vision-langage-action généralistes d'autres laboratoires, comme Pi-0 de Physical Intelligence, GR00T N2 de Nvidia ou Helix de Figure, avec une orientation explicitement scientifique plutôt que domestique. Aucun déploiement commercial n'est annoncé : le papier, classé comme nouvelle publication arXiv, décrit une preuve de concept validée en simulation et sur un nombre restreint de scénarios réels, sans calendrier communiqué pour une ouverture du modèle ou du jeu de données EgoLab.

IA physique❧Opinion

1 source

38

1285arXiv cs.RO 

Des cartes LiDAR à la localisation visuelle : association visuelle unifiée pour l'estimation de pose point-ligne-plan

Un article de recherche publié sur arXiv le 24 septembre 2026 sous la référence arXiv:2609.27363v1 décrit un nouveau système de localisation par caméra s'appuyant sur une carte LiDAR préexistante. Baptisé sans nom commercial dans l'abstract, il s'attaque à un problème connu en robotique mobile: l'écart de modalité entre images de caméra et nuages de points LiDAR, qui complique la mise en correspondance entre les deux capteurs. La méthode transforme la géométrie et la réflectivité de la carte LiDAR en quasi-images conservant une provenance 2D-3D explicite, rendant ainsi la carte "visuellement adressable" par les outils classiques de vision par ordinateur, plutôt que de dépendre d'un modèle dédié de correspondance image-LiDAR. Des correspondances de points et de lignes sont établies via cette interface visuelle commune, tandis que la provenance conservée permet de retrouver la géométrie métrique du LiDAR et des contraintes planaires. Une stratégie d'optimisation complémentaire, qui propage l'incertitude d'association en information directionnelle sur la pose plutôt qu'en simple score de confiance scalaire, renforce la robustesse. Les tests ont été menés sur le benchmark EuRoC MAV et sur des séquences réelles collectées par les auteurs, avec localisation globale et suivi de pose continu à 6 degrés de liberté, y compris sous variations d'éclairage sévères et occlusions dynamiques. Aucune métrique chiffrée de précision n'est communiquée dans le résumé, ce qui reste typique d'un préprint à ce stade. Pour l'industrie robotique, cette approche s'attaque à un vrai goulot d'étranglement: les cartes LiDAR restent coûteuses à produire et à maintenir, alors que les caméras sont bon marché et déjà présentes sur la plupart des plateformes mobiles et des robots humanoïdes destinés à la navigation en intérieur. Un pont robuste entre les deux modalités pourrait réduire la dépendance à des capteurs LiDAR embarqués coûteux pour la localisation continue, un enjeu direct pour les intégrateurs d'AMR et les concepteurs de flottes logistiques. Ce travail s'inscrit dans la lignée des recherches en SLAM visuel et en localisation cross-modale, un champ actif face aux limites des méthodes purement basées sur l'apprentissage de correspondances image-LiDAR. Il s'agit à ce stade d'une publication académique sans annonce de produit, de partenariat industriel ni de calendrier de déploiement.

Recherche❖Paper

1 source

38

1286arXiv cs.RO 

HINT-Blimp : inférence de l'intention humaine à partir d'indices multimodaux pour dirigeables robotisés

Des chercheurs présentent HINT-Blimp, un système d'interaction homme-robot qui permet de piloter un dirigeable robotique (blimp) sans joystick ni tablette, uniquement par des poussées physiques et des commandes vocales. L'intention de l'opérateur y est modélisée comme un système dynamique linéaire (LDS) paramétré, qui encode à la fois l'objectif visé et le comportement de mouvement souhaité. Le robot estime en ligne les paramètres de ce LDS grâce à un filtre particulaire: chaque particule représente une hypothèse candidate d'intention, et son poids est réactualisé à chaque nouvelle poussée ou instruction vocale reçue. L'approche a été testée sur un blimp, plateforme choisie pour sa compliance mécanique et sa tolérance aux collisions, qui autorise un contact physique répété sans risque de casse. Sur 300 essais menés avec plusieurs participants, la combinaison des poussées et des commandes vocales a permis d'identifier l'objectif voulu dans 86% des cas, en cinq interactions maximum, la majorité des essais étant résolus dès la deuxième. Les systèmes dynamiques inférés génèrent aussi des trajectoires courbes capables de contourner des obstacles connus du seul opérateur humain. Ce travail s'inscrit dans une remise en question des interfaces de téléopération classiques, jugées trop lentes et trop accaparantes pour des tâches de navigation où l'attention devrait rester sur le robot plutôt que sur un périphérique. En montrant qu'un filtre particulaire couplé à un modèle de dynamique linéaire suffit à désambiguïser une intention humaine à partir de signaux épars et bruités, l'étude propose une alternative légère et peu coûteuse en calcul aux architectures d'inférence d'intention plus lourdes, comme les modèles vision-langage-action entraînés sur de vastes corpus de démonstrations. Pour les intégrateurs travaillant sur des robots aériens souples ou des cobots à contact direct, le résultat suggère qu'une interaction physique minimale combinée à la voix peut suffire à obtenir un taux de réussite élevé, sans suivi du regard ni interface graphique complexe. Le chiffre de 86% reste néanmoins à nuancer: il s'agit d'essais contrôlés en laboratoire avec un nombre limité de participants, pas d'un déploiement en environnement opérationnel bruité ou encombré. Le blimp demeure une plateforme de recherche marginale mais prisée en robotique aérienne pour sa tolérance aux chocs, contrairement aux drones à hélices rigides, ce qui en fait un terrain privilégié pour explorer l'interaction physique homme-robot sans risque de blessure. L'usage d'un filtre particulaire pour estimer en ligne les paramètres d'un système dynamique linéaire s'appuie sur des méthodes bayésiennes classiques, appliquées ici à un cadre nouveau: l'inférence conjointe d'un but et d'un style de mouvement à partir de signaux multimodaux épars plutôt que d'une trajectoire continue enregistrée au joystick. L'article, publié sur arXiv sous l'identifiant 2609.27154, se positionne comme une alternative aux interfaces de téléopération traditionnelles plutôt qu'aux frameworks d'apprentissage par imitation à grande échelle. Les auteurs ne mentionnent ni calendrier de transfert vers d'autres plateformes (drones rigides, robots terrestres compliants, bras collaboratifs) ni partenariat industriel: le travail reste, à ce stade, une validation expérimentale en laboratoire.

Recherche❖Paper

1 source

38

1287arXiv cs.RO 

Contrôle prédictif à modèle boîte grise pour tombereaux articulés, via apprentissage du dérapage par processus gaussien

Des chercheurs publient sur arXiv (2609.27597) une méthode de commande prédictive (MPC) en gray-box pour les tombereaux articulés (ADT), utilisés dans l'automatisation minière. L'équipe emploie la régression par processus gaussien (GPR) pour apprendre l'angle de dérapage du véhicule, identifié comme la principale source d'imprécision des modèles cinématiques employés dans les MPC. Cette fonction GPR est intégrée à un modèle cinématique standard pour former un modèle hybride gray-box, capable de prédire le dérapage et la vitesse latérale du véhicule. Comparé en simulation à deux MPC white-box purement cinématiques, le modèle réduit l'erreur maximale de suivi latéral de plus de 2 mètres à 0,56 mètre. Pour l'industrie minière et les intégrateurs de robotique mobile lourde, ce résultat s'attaque à un compromis connu : les modèles dynamiques complets sont précis mais demandent un paramétrage complexe et une recalibration à chaque changement d'environnement (charge, pente, nature du sol), tandis que les modèles cinématiques, plus simples et robustes, perdent en précision de trajectoire lors des virages ou des charges asymétriques. L'approche gray-box promet de combler cet écart sans les coûts de recalibration des modèles dynamiques, ce qui intéresse les fabricants de tombereaux autonomes et les opérateurs de mines à ciel ouvert. Ces résultats restent toutefois valides uniquement en simulation, sans essai mentionné sur tombereau réel, ce qui laisse ouverte la question du transfert simulation vers réalité (sim-to-real) pour ce type de correction data-driven. Cette publication s'inscrit dans une tendance de modélisation hybride, associant physique et apprentissage automatique, pour la commande de véhicules autonomes hors route. L'automatisation des tombereaux miniers reste disputée par de grands équipementiers, Caterpillar avec MineStar, Komatsu avec FrontRunner, ou Hitachi et Volvo Construction Equipment, déjà engagés dans le déploiement de flottes de camions autonomes sur des sites d'extraction. Les auteurs ne mentionnent aucun partenariat industriel ni calendrier de validation terrain ; la suite logique serait une expérimentation sur un ADT physique, afin de vérifier si le gain de précision observé en simulation se maintient face aux conditions réelles de sol meuble et de charge variable propres aux mines à ciel ouvert.

Recherche❖Paper

1 source

38

1288arXiv cs.RO 

NaviScale : générer des ensembles de données de cartes sémantiques à grande échelle pour la navigation d'objets

Des chercheurs publient sur arXiv NaviScale, un système génératif de données d'entraînement pour la navigation robotique orientée objet (ObjectNav), où un robot doit localiser un objet identifié seulement par sa catégorie. Plutôt que de reconstruire un environnement 3D complet pour chaque exemple, le framework compose des plans d'appartements réels avec des cartes sémantiques et d'obstacles extraites pièce par pièce des jeux MP3D et HM3DSem, en variant la structure des plans et les combinaisons de pièces. Un module de lancer de rayons, VisRC, convertit ces cartes en observations partielles réalistes selon le champ de vision, la portée des capteurs et les occlusions. Le jeu de données final compte 192 000 cartes générées à partir de 24 000 plans issus de 12 794 propriétés. Après 300 000 itérations, le prédicteur atteint 64,3% de réussite et 34,8% de SPL (succès pondéré par la longueur du trajet) sur HM3D, et 43,1% et 16,8% sur MP3D, avec un test sur robot physique. Ce travail répond à un frein connu de la navigation incarnée: la collecte de données 3D annotées reste lente et coûteuse, ce qui limite la généralisation des modèles à des lieux inédits. En entraînant un prédicteur sur des cartes composées plutôt que reconstruites en 3D, NaviScale ouvre une voie pour multiplier le volume de données d'entraînement à moindre coût, intéressant pour les équipes de robotique mobile et les intégrateurs de robots de service ou d'AMR (robots mobiles autonomes). Les scores restent toutefois issus de benchmarks de simulation, et le test sur robot physique, peu détaillé dans le résumé, appelle à la prudence avant de conclure à un transfert simulation-réel abouti. NaviScale s'inscrit dans la lignée des approches d'ObjectNav fondées sur des cartes sémantiques, alternative aux politiques de bout en bout entraînées par renforcement en environnement 3D complet, plus gourmandes en données et en calcul. En s'appuyant sur les jeux établis MP3D (Matterport3D) et HM3DSem, les auteurs cherchent à combler l'écart entre les besoins massifs des modèles de navigation actuels et la rareté des scènes 3D annotées publiques. Il s'agit d'une contribution de recherche, sans partenariat industriel ni calendrier commercial mentionné, complétée par des tests sur la robustesse aux erreurs de segmentation et une validation préliminaire sur robot physique.

Recherche❖Paper

1 source

38

1289arXiv cs.RO 

Les VLM décrivent mais ne mesurent pas : comprendre les scènes centrées sur les objets pour la manipulation robotique

Une équipe de recherche publie un article arXiv (2609.28184v1) proposant un système de perception modulaire piloté par un modèle vision-langage (VLM) pour la manipulation robotique en environnement inconnu. Partant d'une seule observation RGB-D, le pipeline segmente la scène en régions au niveau objet, les fait annoter sémantiquement par un VLM, puis ancre ces annotations avec les données de profondeur pour construire une représentation centrée sur les objets, indépendante de la tâche à accomplir. Les auteurs ont testé leur approche sur 151 scènes de table (tabletop scènes) et montrent que cette décomposition conserve la qualité sémantique d'un VLM classique tout en améliorant nettement la localisation et l'estimation de profondeur par rapport à une inférence géométrique directe par le VLM seul. La représentation obtenue a ensuite été intégrée à un module de planification de tâches pour piloter l'exécution robotique, en s'appuyant sur des briques logicielles existantes plutôt que sur un modèle entraîné de bout en bout. Le constat de fond, résumé par le titre même de l'article, cible une faiblesse connue mais rarement quantifiée des VLM appliqués à la robotique: ils décrivent bien une scène mais mesurent mal les distances, positions et profondeurs nécessaires à une prise fiable. Pour les intégrateurs qui misent sur des architectures vision-langage-action pour de la manipulation générique, ce travail confirme qu'il est risqué de confier au VLM la géométrie brute et suggère plutôt une architecture hybride où le modèle gère la sémantique tandis que des capteurs et des méthodes de segmentation classiques gèrent la métrique. C'est un signal utile face à l'engouement actuel pour les modèles VLA supposés tout résoudre en bout en bout: la précision spatiale reste un maillon faible qui nécessite un ancrage explicite plutôt qu'une confiance aveugle dans les sorties du modèle. Cette publication s'inscrit dans le débat plus large sur l'écart entre les capacités sémantiques impressionnantes des VLM récents et leur fiabilité métrique, un sujet qui traverse actuellement la recherche en robotique de manipulation autant que le développement de robots humanoïdes généralistes. L'article ne présente ni produit commercial ni déploiement industriel: il s'agit d'une contribution méthodologique construite à partir d'approches existantes ("off-the-shelf"), dont la suite logique serait une validation au-delà des scènes de table, sur des environnements moins contraints et des tâches de manipulation plus complexes.

Recherche❖Paper

1 source

38

1290arXiv cs.RO 

Raisonnement spatial et sémantique pour la navigation robotique pilotée par LLM via MCP

Une équipe de recherche présente un framework qui connecte les grands modèles de langage (LLM) à la navigation robotique sous ROS (Robot Operating System) via le Model Context Protocol (MCP), protocole standardisé pour exposer des outils aux LLM. L'article, publié sur arXiv (2609.27340), décrit une couche de représentation orientée navigation qui transforme les grilles d'occupation (occupancy grids), des messages géométriques bruts habituellement illisibles pour un LLM, en images métriques annotées de la pose du robot. Un module d'annotation sémantique enregistre en parallèle des observations au niveau des points de passage (waypoints) avec les poses associées. Le système a été évalué sur trois tâches en environnement intérieur simulé : cartographie autonome, navigation par raisonnement spatial et navigation par raisonnement sémantique. Résultat rapporté : plus de 97% de couverture de carte, avec une sélection correcte des cibles de navigation à partir d'instructions en langage naturel, sans modification de la pile de navigation ROS existante ni développement de wrapper spécifique au robot. Cette approche répond à un verrou concret pour les intégrateurs robotiques : jusqu'ici, brancher un LLM sur un système de navigation existant exigeait souvent une interface sur mesure par robot, ce qui limitait fortement la réutilisation entre plateformes. En s'appuyant sur MCP comme couche d'abstraction standardisée, n'importe quel LLM compatible peut interroger la carte et l'historique sémantique sans intégration propriétaire, ce qui va dans le sens d'une industrialisation plus rapide des couches cognitives ajoutées aux stacks ROS déjà déployées en usine ou en entrepôt. Cela nourrit aussi le débat sur la capacité réelle des architectures VLA et des LLM à raisonner spatialement à partir de représentations non natives, plutôt que sur des données d'entraînement dédiées. Il faut toutefois noter que les résultats restent obtenus en simulation, sur un nombre de tâches limité, et non validés sur robot physique ni en environnement industriel réel. Le travail s'inscrit dans la tendance plus large d'associer LLM et piles ROS classiques sans les réécrire, une problématique déjà adressée par des approches de type prompt engineering ou fine-tuning spécifique, mais rarement via un protocole d'outils générique comme MCP, popularisé initialement pour connecter des LLM à des applications logicielles. Les auteurs ne mentionnent pas de partenaire industriel ni de calendrier de déploiement réel ; la prochaine étape logique, non annoncée ici, serait une validation sur robot physique et une comparaison avec d'autres backends LLM ou plateformes de navigation.

Recherche❖Paper

1 source

38

1291arXiv cs.RO 

Apprentissage d'une démarche humanoïde expressive à partir de vidéos monoculaires de podium pour les défilés de mode robotiques

Un article de recherche publié sur arXiv fin septembre 2026 décrit un système permettant à des robots humanoïdes d'imiter la démarche de mannequins sur un podium de mode. L'équipe a conçu un pipeline complet transformant une simple vidéo monoculaire de défilé en une politique de locomotion déployable : récupération du mouvement à partir de la vidéo, retargeting vers la morphologie du robot, correction du mouvement, entraînement de la politique, évaluation en simulation, puis déploiement physique. Le framework a été testé sur le robot humanoïde Booster K1, conçu par la société chinoise Booster Robotics. Lors des essais physiques réels, le robot a exécuté l'intégralité des passages sans chuter, en reproduisant les traits caractéristiques du catwalk : pose des pieds resserrée et coordination fine entre jambes, torse et bras. Le papier ne précise ni le nombre exact d'essais ni de temps de cycle chiffré, ce qui limite l'évaluation quantitative de la robustesse annoncée. Ce travail illustre un déplacement d'objectif dans la locomotion humanoïde : la plupart des politiques de marche actuelles sont optimisées pour la stabilité et la vitesse, pas pour l'expressivité gestuelle. Or les défilés de mode sont devenus un terrain de démonstration prisé par les fabricants de robots humanoïdes pour prouver leur dextérité au grand public. En montrant qu'une vidéo 2D ordinaire, sans capture de mouvement dédiée, suffit à transférer un style de démarche stylisé vers un robot réel, l'étude appuie l'idée que l'apprentissage par imitation à partir de vidéos grand public peut réduire le coût d'acquisition de comportements expressifs, un enjeu direct pour les intégrateurs qui cherchent à diversifier les usages des humanoïdes au-delà de la logistique et de l'industrie, vers le divertissement et la communication de marque. Cette recherche s'inscrit dans la multiplication des vitrines chorégraphiques de robots humanoïdes, un registre où Unitree, Figure, Tesla avec Optimus ou Boston Dynamics ont déjà mis en scène danse, boxe ou marche stylisée pour illustrer leurs progrès en contrôle moteur. Booster Robotics, éditeur du K1 utilisé ici, est surtout connu pour la compétition de football robotique RoboCup et propose une plateforme humanoïde de taille moyenne relativement accessible à la recherche académique. Le travail présenté reste un prototype de laboratoire, évalué sur un nombre limité d'essais physiques, sans annonce de déploiement commercial ni de calendrier de pilotes ; les auteurs évoquent seulement une extension possible à d'autres scénarios de performance robotique.

Recherche❖Paper

1 source

38

1292arXiv cs.RO 

CoRelNav : navigation relationnelle collaborative pour robots multiples en environnement sémantique contraint

CoRelNav, décrit dans un article déposé sur arXiv (référence 2609.27720v1), s'attaque à la navigation sémantique sous contrainte spatiale pour des flottes de robots mobiles : trouver un objet cible défini non seulement par sa catégorie sémantique mais aussi par sa relation avec les objets environnants, dans un environnement totalement inconnu. Le système repose sur un couplage entre exploration multi-robot conditionnée par la tâche et vérification collaborative pilotée par les candidats détectés. Un champ spatio-sémantique convertit les contraintes de la tâche, les nœuds de la scène et les caractéristiques des objets en une carte d'utilité d'exploration ; à mesure que des candidats sont repérés, les robots sont réaffectés vers les zones susceptibles d'apporter des preuves complémentaires, sous contrainte de coût de déplacement collectif, tandis que les observations cohérentes d'une même instance sont agrégées à travers les nœuds topologiques de la carte. Les auteurs rapportent des gains constants face à des méthodes de référence en simulation photoréaliste, avec des études d'ablation validant séparément les modules d'exploration et de vérification, et un déploiement du système complet sur deux robots mobiles physiques réels. L'intérêt de ce travail tient à un manque identifié dans la littérature : la navigation relationnelle existante reste essentiellement mono-agent, tandis que les systèmes multi-robots coordonnent rarement leurs observations distribuées pour vérifier une relation spatiale propre à une instance précise d'objet. En reliant explicitement exploration et vérification collaborative, CoRelNav réduit la recherche redondante entre robots et permet de trancher des hypothèses relationnelles à partir de preuves partielles réparties sur plusieurs agents, là où une exploration indépendante ou une vérification à vue unique resteraient ambiguës. Pour les équipes travaillant sur des flottes de robots de service, d'entrepôt ou d'inspection, cela illustre une piste concrète pour faire collaborer plusieurs unités sur des tâches sémantiques complexes plutôt que de les faire opérer en silos. Le travail s'inscrit dans le courant de recherche sur la navigation sémantique et la navigation vision-langage, en élargissant le problème classique de recherche d'objet à la coordination multi-agents. L'article reste une contribution académique validée par simulation et un test limité à deux robots physiques, sans indication de partenaire industriel, de calendrier de déploiement ou de mise à l'échelle au-delà de ce banc d'essai restreint.

Recherche❖Paper

1 source

38

1293arXiv cs.RO 

Tokenisation d'actions alignée sur le comportement pour l'apprentissage de politiques robotiques

Une équipe de recherche propose une nouvelle méthode de tokenisation d'action baptisée BAAT, pour Behavior-Aligned Action Tokenization, décrite dans un preprint publié sur arXiv fin septembre 2026 (identifiant 2609.27513v1). Le travail cible un maillon technique précis des politiques robotiques autorégressives, ces systèmes qui apprennent le contrôle continu en prédisant des tokens d'action discrets à partir des observations visuelles: les tokenizers existants n'imposent aucune supervision explicite de la correspondance comportementale entre démonstrations, si bien que des mouvements similaires exécutés à des rythmes différents finissent par occuper des représentations distinctes. BAAT résout ce problème en utilisant le soft dynamic time warping, ou Soft-DTW, pour identifier des segments d'action correspondants entre tâches et aligner leurs coordonnées quantifiées conjointement avec l'objectif de reconstruction. Un décodeur par diffusion conditionné par l'historique reconstruit ensuite des séquences d'action continues à partir de ces tokens, sur lesquelles une politique autorégressive est entraînée en aval. Évaluée sur des tâches sélectionnées issues de trois benchmarks de simulation et sur deux tâches en robot réel, la méthode atteint un taux de succès moyen d'environ 45,2% en simulation, soit 7,2 points de pourcentage au-dessus de la référence OAT. Dans une ablation contrôlée sur le benchmark LIBERO-All, le taux de succès de la politique passe de 70,2% à 79,0% lorsque l'alignement comportemental est activé, au prix d'une légère baisse du succès de rejeu de trajectoire. Pour les équipes qui conçoivent des politiques de manipulation robotique, ce résultat s'attaque à un goulot d'étranglement souvent sous-estimé des architectures vision-langage-action: la qualité de la tokenisation en amont conditionne directement ce qu'une politique autorégressive peut apprendre en aval, indépendamment de la taille du modèle ou du volume de données. En montrant qu'une supervision explicite de la correspondance entre mouvements améliore le transfert entre tâches sans sacrifier la précision d'exécution, les auteurs apportent un argument empirique en faveur d'une meilleure structuration de l'espace de représentation des actions, plutôt que du seul passage à l'échelle des données ou des paramètres. Le gain de neuf points de succès en ablation contrôlée reste toutefois mesuré sur un seul benchmark, et l'écart de 7,2 points face à OAT en simulation, bien réel, ne dit rien de la généralisation à des environnements physiques variés ni à des embarquements industriels. Le point de comparaison retenu, OAT, sert de référence pour situer BAAT dans la lignée des travaux récents sur les tokenizers d'action pour politiques robotiques, un axe de recherche actif depuis l'essor des modèles VLA de type Pi-0 ou GR00T N2, qui reposent tous sur une étape de discrétisation des actions continues. Le papier reste à ce stade un résultat académique en préimpression, validé sur des sous-ensembles de tâches de trois benchmarks de simulation plus deux essais sur robot réel, sans indication de déploiement industriel, de partenariat ou de mise à disposition de code. Les auteurs présentent leurs résultats comme un argument en faveur de la correspondance comportementale comme signal de supervision pour organiser la structure de mouvement partagée dans les tokenizers d'action, une piste que d'autres laboratoires pourraient chercher à répliquer sur des benchmarks plus larges avant toute validation en conditions réelles.

Recherche❖Paper

1 source

38

1294arXiv cs.RO 

Projection multimodale de l'activité vocale pour la médiation robotique sociale : comportement attendu et contraintes de déploiement

Une équipe de recherche présente, dans une preprint arXiv publiée en septembre 2026 (arXiv:2609.28317v1), un modèle baptise MM-VAP (Multimodal Voice Activity Projection), conçu comme une couche de perception pour des robots sociaux appelés a jouer un rôle de médiateur dans des interactions humain-humain plutôt que d'interlocuteur direct. Le système combine des encodeurs audio-visuels pré-entraines spécialisés dans l'activité vocale, une adaptation LoRA (low-rank adaptation) et un mécanisme d'attention inter-locuteurs pour estimer, a partir de flux audio et vidéo synchronises, l'évolution future du floor conversationnel, c'est-a-dire qui va parler, se taire ou intervenir. A partir de ces projections, le modèle infère en zero-shot des événements de tour de parole : maintien (Hold), changement de locuteur (Shift), anticipation de changement (Shift prédiction), anticipation de back-channel (signaux d'écoute active) et états de chevauchement de parole. Les auteurs testent l'approche sur trois corpus de dialogues filmes, NoXi, NoXi+J et Haru EDR, et rapportent des résultats juges encourageants notamment pour les événements de gestion du floor lies a la préparation du regard, a l'écoute active et a une intervention prudente du robot. Le papier propose également une interface de sortie destinée a un robot réel et discute des contraintes de déploiement : inférence temps réel, latence de pre-traitement, synchronisation multimodale et surveillance de la qualité des entrées. L'intérêt de ce travail dépasse le cas d'usage étroit du dialogue humain-robot classique : il s'attaque a un problème différent de la plupart des robots vocaux actuels, conçus pour répondre a un utilisateur, en visant des robots capables de se positionner dans une conversation entre deux ou plusieurs humains sans y participer directement, ce qui suppose de savoir quand ne pas parler, orienter le regard, attendre, éviter d'interrompre ou préparer une intervention équilibrée. Pour les intégrateurs et chercheurs en robotique sociale, cela déplace le curseur des métriques de reconnaissance vocale classiques vers une prédiction fine et anticipée de la dynamique conversationnelle, utile pour des robots de médiation, d'accueil ou d'assistance en groupe. Le travail rappelle aussi que la prédiction de tour de parole reste, a ce stade, un problème de recherche : les auteurs eux-mêmes cadrent leurs résultats comme un support de faisabilité et non comme une solution prête a déployer, et consacrent une part explicite du papier aux contraintes concrètes, latence, synchronisation, qualité des flux d'entrée, qui séparent un modèle valide hors ligne d'un système embarque fonctionnant en temps réel sur un robot physique. Ce travail s'inscrit dans la lignée des modèles dits VAP (Voice Activity Projection), une famille d'approches de prédiction du tour de parole issue de la recherche en traitement du dialogue parle, ici étendue au multimodal (audio et vidéo) et adaptée via LoRA pour réduire le cout d'entrainement par rapport a un reentrainement complet des encodeurs pré-entraines. Contrairement aux annonces de robots humanoïdes commerciaux structurées autour de la manipulation ou de la locomotion, ce papier se situe dans le champ plus restreint de la robotique sociale et de l'interaction humain-robot, publie comme une preprint académique sans mention de partenaire industriel, de robot physique spécifique ou de calendrier de déploiement. Les auteurs indiquent avoir défini une interface de sortie destinée a un robot réel, ce qui laisse présager une prochaine étape d'intégration et de test sur plateforme physique, mais aucun pilote ni échéance n'est précise a ce stade.

Recherche❖Paper

1 source

37

1295arXiv cs.RO 

Locomotion humanoïde grâce à un contrôleur récurrent inspiré de la mouche

Une étude arXiv publiée sous la référence 2609.27001v1 ("Humanoid Locomotion with a Fly-Inspired Recurrent Controller") détaille un contrôleur récurrent inspiré du circuit neuronal de la mouche, testé exclusivement en simulation sur un robot humanoïde Unitree G1. Le système relie 3 609 états neuronaux continus au corps du robot via des projections d'observation corporelle, une couche de lecture étiquetée par neurones moteurs, et les servomoteurs articulaires. Un unique checkpoint figé a été évalué sur 7 types de terrain, 3 vitesses et 3 décalages de lacet initiaux, soit 63 configurations : le contrôleur réussit 61 d'entre elles selon un critère de survie et de progression vers l'avant, contre 62/63 pour une référence dite "privilégiée" disposant d'informations supplémentaires. Une expérience clé révèle la dépendance du système à sa mémoire interne : réinitialiser l'état moteur récurrent avant chaque appel de la politique, à lacet nominal, fait chuter le taux de réussite de 19/21 à 0/21. À l'inverse, substituer la perception de profondeur et les états en amont sur 252 états enregistrés ne modifie pas les actions produites, avec une sortie descendante nulle mesurée sur l'ensemble des trajectoires intactes. Ce résultat intéresse la robotique humanoïde à un moment où l'industrie mise majoritairement sur des modèles vision-langage-action de type Pi-0, GR00T N2 ou Helix, entraînés sur de vastes corpus de démonstrations. L'approche testée ici emprunt une voie différente : un contrôleur récurrent de taille modeste, structuré d'après une architecture neuronale biologique plutôt qu'un transformeur massif, dont la robustesse tient à un état moteur porté dans le temps plutôt qu'à une réactivité purement sensorielle. Pour les intégrateurs et chercheurs, l'enseignement principal est méthodologique : démontrer que retirer la mémoire récurrente fait s'effondrer la marche (0/21) alors que perturber les entrées sensorielles ne change rien aux actions isole précisément quelle partie du circuit porte le comportement. Le travail reste néanmoins cantonné à la simulation, sans validation sur robot physique, sur un jeu de terrains limité, ce qui borne la portée de ses conclusions à ce stade de recherche. La démarche s'inscrit dans un courant qui s'appuie sur la connectomique, la cartographie détaillée des circuits neuronaux d'insectes comme la drosophile, pour concevoir des architectures de contrôle alternatives aux réseaux appris de bout en bout. Contrairement aux humanoïdes commerciaux tels Figure 03 ou Optimus Gen 3, dont les annonces mettent en avant cycles de production et déploiements en usine, cette étude ne vise pas un produit mais la compréhension des mécanismes internes d'un contrôleur, avec un Unitree G1 simulé comme plateforme d'essai standard en recherche académique. Les auteurs présentent leurs résultats comme une base pour de futures comparaisons de structures de circuits et de ressources de contrôle, sans annoncer de calendrier de transfert vers du matériel réel ni de partenariat industriel. Aucun acteur français ou européen n'apparaît dans cette publication.

Recherche❖Paper

1 source

37

1296arXiv cs.RO 

Robots toujours actifs : observer, mémoriser, agir sur des flux incarnés simultanés

Une équipe de recherche a publié en septembre 2026 sur arXiv (2609.28429) ARMS (Always-on Robot in Multi-modal Streams), une politique de contrôle pour robots bimanuels fonctionnant en continu plutôt que sur une seule instruction figée. Le système s'appuie sur un unique modèle pré-entraîné π0.5, complété par trois modules légers qui transforment la perception en direct, l'état du robot et l'historique de ses actions passées en contexte exploitable, mis à jour de façon asynchrone pour que les deux bras agissent simultanément sans blocage. Entraîné sur un jeu de données auto-étiqueté à partir de téléopération bimanuelle réelle (ARMS Dataset), le modèle atteint 45% de réussite sur la tâche combinée contre 28% pour le meilleur des quatre modèles de référence testés, les ablations confirmant que le module mémoire, l'état incarné et la concurrence asynchrone sont chacun indispensables. Ce travail cible un angle mort des modèles vision-langage-action actuels, conçus pour une instruction unique sans interruption possible en cours de tâche, alors qu'un robot déployé en usine ou en entrepôt doit gérer des ordres qui changent, une scène qui évolue, et ses propres actions passées. Pour les intégrateurs envisageant des robots bimanuels en fonctionnement continu, l'écart entre 45% et 28% indique que les architectures VLA à instruction figée, convaincantes en démonstration, restent mal adaptées à un usage réel où le robot ne repart jamais de zéro. Le résultat nuance l'idée qu'un backbone VLA pré-entraîné suffirait seul à couvrir tous les cas d'usage, sans mémoire explicite ni traitement asynchrone. ARMS s'appuie sur la famille π0 développée par Physical Intelligence et se positionne face à d'autres architectures VLA récentes comme GR00T N2 de NVIDIA ou Helix de Figure AI, qui visent elles aussi une autonomie généraliste pour des robots humanoïdes ou bimanuels. Contrairement à ces annonces industrielles, ARMS reste à ce stade une contribution de recherche publiée en preprint, sans déploiement commercial ni partenaire industriel cité, et validée uniquement sur le jeu de données construit par ses propres auteurs. Les suites logiques, non détaillées dans l'article, porteraient sur des tâches plus longues, davantage de bras ou de robots, et une validation au-delà du cadre de téléopération ayant servi à générer les données d'entraînement.

IA physique❧Opinion

1 source

37

1297arXiv cs.RO 

DEAL-Grasp : représentation d'alignement découplée pour une préhension dextérique tenant compte de la géométrie

Publié sur arXiv le 24 septembre 2026 sous la référence 2609.28131, l'article présente DEAL-Grasp, une méthode de génération de prises dextres pour mains articulées, robotiques ou virtuelles, destinée à la réalité virtuelle, l'intelligence incarnée et les humains numériques. Plutôt que de mélanger mouvement rigide global et articulation des doigts dans un même espace comme le font les méthodes existantes, ce qui produit des contacts instables et physiquement implausibles, DEAL-Grasp sépare les deux : la pose de la main est recalculée par un alignement de Procrustes en forme close, sans optimisation itérative, tandis que l'articulation des doigts est préservée. La génération repose sur du flow matching avec régularisation physique pendant l'entraînement, sans optimisation ni guidage physique requis à l'inférence. Sur les benchmarks MultiDex et RealDex, ce dernier testé en zero-shot, la méthode affiche un fort taux de réussite sous perturbation de force, une pénétration minimale entre main et objet, une grande diversité de prises générées, et une latence d'inférence nettement inférieure aux méthodes concurrentes fondées sur l'optimisation. Ce résultat s'attaque à un vrai goulot d'étranglement de la manipulation robotique et de l'animation numérique : la plupart des générateurs de prises dextres nécessitent une optimisation physique coûteuse après génération pour corriger des contacts aberrants, ce qui freine leur usage en temps réel. En supprimant cette étape grâce à un calcul en forme close, DEAL-Grasp réduit la latence, un atout pour la téléopération, la simulation et les mains robotiques multi-doigts des humanoïdes. Cela confirme la montée du flow matching comme alternative à la diffusion pour générer des comportements robotiques rapides et physiquement plausibles. Les résultats restent toutefois limités à des benchmarks académiques et à la simulation ; rien n'indique à ce stade un déploiement sur robot physique. Le travail s'inscrit dans la lignée des méthodes de synthèse de prises par régression ou diffusion, qui couplent pose globale et articulation et recourent à une optimisation physique post-hoc ou à un guidage auxiliaire pour stabiliser les contacts, une contrainte que DEAL-Grasp cherche précisément à éliminer. Il rejoint aussi la tendance à l'adoption du flow matching dans les politiques de contrôle robotique, technique également employée par des modèles VLA comme Pi-0. MultiDex et RealDex servent de bancs d'essai standards du domaine. Publié comme preprint non encore évalué par les pairs, avec code et page projet en ligne, le travail n'annonce pour l'instant aucune validation sur mains robotiques physiques ni calendrier de déploiement.

Recherche❖Paper

1 source

37

1298arXiv cs.RO 

CoRe-WAM : résidus temporels alignés par correspondance pour modèles d'action du monde

Une équipe de recherche publie CoRe-WAM (Correspondence-Aligned Temporal Residuals for World Action Models), un modèle de type "world-action" décrit dans un preprint déposé sur arXiv (2609.27314v1, catégorie "new"). Son module central, TraceDelta, s'appuie sur un modèle de suivi visuel gelé pour transporter les caractéristiques visuelles d'une observation passée vers leur position actuelle avant de calculer des différences signées dans un espace de caractéristiques préentraîné partagé, ce qui évite de comparer des pixels à un même emplacement d'image alors que la caméra ou les objets se sont déplacés. Construit sur le backbone Motus dont les poids restent gelés, CoRe-WAM n'entraîne qu'un adaptateur léger de 1,59 million de paramètres, sur un budget de 5 000 itérations. Sur le benchmark de simulation RoboTwin 2.0 (50 tâches de manipulation), il atteint 92,22 % de réussite en conditions "propres", soit 3,56 points de plus que Motus seul, et 89,60 % en évaluation randomisée, un gain de 2,58 points. Intégré à une politique basée sur StarVLA, le module TraceDelta fait passer le taux de réussite en conditions propres de 58,10 % à 67,62 %. Ce travail cible un point faible connu des politiques vision-langage-action (VLA) : comparer des observations à des positions d'image fixes produit du bruit dès que la caméra ou les objets bougent, un cas courant en manipulation réelle. La méthode montre qu'un ajout paramétrique très réduit sur un backbone gelé suffit à obtenir des gains mesurables, et que ce module se transfère d'une architecture (Motus) à une autre (StarVLA), ce qui plaide pour une stratégie d'adaptation peu coûteuse plutôt qu'un réentraînement complet des modèles de fondation robotiques. Un bémol à noter : les chiffres proviennent exclusivement de RoboTwin 2.0, un benchmark en simulation, sans validation rapportée sur robot physique, donc il s'agit d'une avancée méthodologique de recherche et non d'une démonstration de déploiement réel. Le papier s'inscrit dans la vague actuelle de modèles VLA et world-action visant la manipulation généraliste (aux côtés de familles comme Pi-0 ou GR00T N2 sur le marché plus large). Aucune entreprise ni plateforme robotique commerciale n'est associée à cette publication, qui reste un preprint académique fraîchement déposé, sans pilote annoncé ni calendrier de déploiement industriel à ce stade.

Recherche❖Paper

1 source

37

1299arXiv cs.RO 

BEE : apprentissage par renforcement réel, adaptatif aux interventions, avec modèles vision-langage-action

Un article déposé sur arXiv (2609.27450v1) présente BEE (BEyond Expert imitation), un cadre de renforcement en ligne pour les modèles vision-langage-action (VLA) de manipulation robotique, qui échouent souvent lors de phases critiques où une erreur de quelques millimètres ruine toute la séquence. Plutôt que de laisser le robot explorer librement, trop coûteux en conditions réelles, BEE exploite les corrections humaines apportées à un VLA figé : un « Correction Model » prédit comment un humain corrigerait une action donnée et évalue la cohérence de cette correction sur chaque dimension, ce qui règle la rigueur de la contrainte imposée à l'apprentissage de la politique. Testé sur trois tâches réelles de manipulation et une tâche de simulation LIBERO-Pro, à budget de données en ligne identique pour tous les modèles comparés, BEE atteint 91,2% de réussite en moyenne, contre 57,5% pour la méthode RLT et 42,1% pour DSRL, avec le moins d'interventions humaines sur l'ensemble des tâches réelles. Ce résultat vise un problème concret pour les intégrateurs en manipulation robotique : les échecs des VLA se concentrent sur quelques instants précis, saisie, insertion, alignement fin, là où l'imitation pure ne suffit pas et où le RL en ligne classique reste trop risqué sur du matériel physique. En traitant les corrections humaines comme un signal différencié, fiable sur certains axes, bruité sur d'autres, plutôt que comme une supervision uniforme, BEE réduit le volume d'interventions nécessaires tout en évitant qu'une correction ponctuelle n'écrase un comportement déjà correct. Pour des décideurs qui évaluent le coût réel du fine-tuning de modèles fondation en robotique, ces résultats suggèrent qu'un VLA figé peut gagner en fiabilité sans réentraînement massif ni supervision humaine continue, un argument en faveur de politiques robotiques apprises plutôt que programmées tâche par tâche. La méthode s'inscrit dans un basculement du secteur : après des années de clonage comportemental pour entraîner les VLA, la recherche se tourne vers le renforcement en ligne pour dépasser les limites de l'imitation pure, un axe qu'exploraient déjà RLT et DSRL, ici pris comme références et nettement dépassés par BEE dans cette étude. L'article ne mentionne ni affiliation industrielle ni calendrier de déploiement commercial. Il s'agit d'une contribution de recherche évaluée sur un nombre restreint de tâches, dont les prochaines étapes attendues sont l'élargissement à davantage de plateformes robotiques et des tests de généralisation aux corrections de plusieurs opérateurs humains différents, condition jugée nécessaire avant tout usage industriel à grande échelle.

Recherche❧Opinion

1 source

37

1300arXiv cs.RO 

Régulation colocalisée de la forme pour robots souples

Un nouveau papier de recherche publié sur arXiv (identifiant 2609.27469v1, catégorie "new", daté de septembre 2026) propose un cadre général de contrôle collocalisé pour les robots souples continus, une architecture qui régule uniquement les coordonnées actionnées d'un robot plutôt que l'ensemble de sa forme. Les auteurs démontrent que cette approche garantit une convergence stable des coordonnées pilotées et, sous une condition de compatibilité explicite, de la forme entière du robot. Le travail dérive une famille unifiée de contrôleurs incluant des variantes PD, PID et PsatID, ainsi que leurs versions avec compensation et annulation de termes dynamiques. Trois classes de régulateurs sont développées, offrant respectivement des garanties de stabilité locale, semi-globale et globale, chacune accompagnée d'une analyse de convergence rigoureuse. Le cadre a été testé expérimentalement sur différentes discrétisations de modèle et différents réglages de paramètres de contrôle. L'enjeu pratique est important pour les concepteurs de robots souples : contrairement aux bras rigides où le contrôle collocalisé est une technique éprouvée depuis longtemps, les structures continues (inspirées de tentacules ou de trompes) possèdent une dynamique distribuée à dimension infinie et sont structurellement sous-actionnées, ce qui a longtemps empêché d'appliquer cette logique de contrôle simple. Pouvoir stabiliser un robot souple sans disposer d'un modèle dynamique complet, ni actionner chaque degré de liberté, réduit la charge d'ingénierie liée à la modélisation et à l'instrumentation, un frein connu à l'industrialisation de la robotique souple pour la manipulation délicate ou les applications médicales. Le résultat fournit surtout des règles de conception concrètes pour choisir un contrôleur selon le niveau de garantie de stabilité recherché, plutôt qu'une simple démonstration ponctuelle. Le contrôle collocalisé est un principe ancien en robotique rigide, où l'on régule seulement les articulations motorisées en s'appuyant sur les propriétés physiques du système pour que le reste suive. Son extension aux robots continus restait un problème ouvert en raison de la complexité mathématique de leur dynamique flexible. Ce travail se présente comme le premier cadre général traitant ce problème de façon unifiée, englobant des approches existantes tout en introduisant de nouvelles familles de contrôleurs. L'abstract ne précise ni l'institution ni les auteurs à l'origine du papier, et aucun acteur industriel français ou européen de la robotique souple n'y est mentionné. Les suites logiques attendues porteraient sur la validation de ces contrôleurs sur des plateformes matérielles réelles au-delà des discrétisations testées en simulation ou banc d'essai décrites dans l'étude.

Recherche❖Paper

1 source