Actualités robotique — page 27

4 588 articles au fil, du plus récent au plus ancien.

39

1301arXiv cs.RO 

ContactMimic : interaction avec des objets par un robot humanoïde grâce au contrôle des contacts

Wiping a board, sitting on a chair ou pousser un meuble : ces tâches semblent réussies dès que le robot atteint la bonne posture, mais sans contact physique réel avec l'objet, elles échouent en pratique. C'est le constat de départ de CONTACTMIMIC, un framework d'apprentissage présenté dans un article publié le 10 juillet sur arXiv (2607.08742). L'équipe y ajoute aux trajectoires de points-clés classiques (keypoint tracking) des commandes de contact binaires, définies au niveau de chaque partie du corps. La politique résultante s'appuie sur deux ingrédients : des récompenses qui suivent explicitement le contact et un schéma d'augmentation de trajectoires conçu pour casser la corrélation entre géométrie des points-clés et étiquettes de contact. Résultat, le robot peut produire ou supprimer un contact à la demande, indépendamment de sa pose. Sur 10 mouvements d'interaction homme-objet testés en simulation, CONTACTMIMIC dépasse les trackers uniquement basés sur les points-clés, sans recourir à des récompenses spécifiques à chaque tâche. Le transfert sim-to-real a été validé sur 5 mouvements réels. L'enjeu dépasse la démonstration technique : la plupart des pipelines d'imitation de mouvement pour humanoïdes optimisent la fidélité cinématique, pas l'interaction physique effective, un angle mort qui limite l'utilité pratique des politiques de manipulation whole-body déployées sur des plateformes comme Figure 03, Optimus ou des architectures VLA type GR00T N2, Pi-0 ou Helix. Découpler contact et géométrie ouvre la voie à des contrôleurs capables d'exécuter des tâches ménagères ou industrielles réelles (essuyer, pousser, s'asseoir) sans réentraînement par tâche, un prérequis pour que les humanoïdes sortent de la démonstration scriptée. Le travail s'inscrit dans la lignée des méthodes de suivi de points-clés pour le contrôle corps entier des humanoïdes, dont il expose les limites via des ablations confirmant la nécessité de l'augmentation de trajectoires. Aucun partenaire industriel n'est mentionné : il s'agit pour l'instant d'une contribution de recherche en simulation et validation restreinte en réel, dont les vidéos sont disponibles en ligne, sans calendrier de déploiement annoncé.

Recherche❖Paper

1 source

38

1302arXiv cs.RO 

Cadre de contrôle par vision monoculaire pour la préhension

Des chercheurs présentent un système de préhension robotique piloté uniquement par une caméra RGB monoculaire, capable de manipuler aussi bien des objets rigides que déformables avec un seul pipeline de contrôle, sans capteur tactile ni pince spécialisée. Le framework combine détection d'objets en vocabulaire ouvert, segmentation d'image, assignation de points sensible aux contours, suivi de points en temps réel et estimation de profondeur monoculaire pour reconstruire la géométrie et le mouvement des objets à partir de la seule vision. Son élément central est un modèle qui estime la raideur attendue d'un objet à partir de sa description sémantique, fournissant un a priori pour choisir la stratégie de préhension avant tout contact. Pour les objets déformables, l'adaptation de la prise s'appuie sur une mesure de dissimilarité de type Procrustes calculée sur des points-clés suivis, utilisée comme indicateur visuel de déformation. Pour les objets rigides, l'écartement de la pince est réglé par la mise à l'échelle des distances entre points suivis. Le système a été testé sur un bras Franka Emika Research 3, en conditions réelles de prise et dépose, sur de la salade, de la mozzarella fraîche, des croissants, du papier essuie-tout et des bouteilles en plastique rigide. L'intérêt pratique tient à l'unification: la plupart des approches existantes traitent séparément le rigide et le souple, en s'appuyant souvent sur des capteurs tactiles, des modèles spécifiques par objet ou des pinces dédiées. Démontrer une préhension stable sur les deux catégories avec une seule pipeline vision, sans tactile, ouvre une piste économique et généralisable pour la manutention alimentaire et la manipulation domestique, deux domaines où la variabilité des objets rend coûteuse toute solution sur mesure. Le travail s'inscrit dans la lignée des recherches en préhension robotique cherchant à réduire la dépendance au capteur tactile au profit de la vision seule, à l'heure où les modèles vision-langage-action gagnent en popularité pour la manipulation généraliste. Les auteurs positionnent leur approche comme une alternative sensor-efficient à ces pipelines multimodaux plus lourds, la validation restant pour l'instant limitée à un jeu restreint d'objets en laboratoire.

Recherche❖Paper

1 source

38

1303arXiv cs.RO 

Main d'AnyDexRT : retargeting dextérique sans calibration guidé par peu de démonstrations humaines

Des chercheurs viennent de publier sur arXiv (arXiv:2607.08341, 10 juillet 2026) une nouvelle méthode baptisée AnyDexRT, conçue pour le retargeting cinématique des mains robotiques dextres en téléopération. Le retargeting consiste à traduire les mouvements de la main d'un opérateur humain en mouvements réalisables par une main robotique, une étape cruciale pour la téléopération et pour la collecte de démonstrations utilisées en apprentissage par imitation. Contrairement aux approches existantes, qui reposent souvent sur des objectifs conçus manuellement, un calibrage précis ou un appariement global des formes entre la main humaine et la main robotique, AnyDexRT ne nécessite aucune calibration préalable. La méthode combine un apprentissage auto-supervisé des correspondances entre le bout des doigts humains et robotiques avec un guidage humain en few-shot, c'est-à-dire à partir de très peu d'exemples, pour ancrer la correspondance dans les zones pertinentes pour la tâche. Un classificateur de contact affine ensuite spécifiquement les poses de préhension en pince. Cette approche répond à un problème concret et sous-estimé du secteur : la fragilité des pipelines de téléopération dès qu'on change de main robotique ou d'opérateur, ce qui limite la scalabilité de la collecte de données pour l'apprentissage par imitation, un goulot d'étranglement identifié dans le développement des modèles VLA (vision-langage-action) comme Pi-0 ou GR00T N2. En supprimant la calibration manuelle, AnyDexRT pourrait accélérer la production de démonstrations de qualité pour l'entraînement de politiques robotiques, un enjeu central pour les intégrateurs et laboratoires qui cherchent à faire passer leurs mains dextres de la démonstration en laboratoire à des déploiements plus robustes. Les auteurs rapportent des gains en qualité de retargeting et une réduction du réglage manuel sur des mains dextres variées et des tâches de téléopération réelles, sans toutefois préciser de métriques chiffrées vérifiables dans le résumé. Le travail s'inscrit dans la lignée des recherches sur le retargeting cross-embodiment, un axe actif face à la multiplication des mains robotiques commerciales aux morphologies différentes. Un site de projet accompagne la publication, mais aucun code, benchmark comparatif détaillé ni partenariat industriel n'est mentionné à ce stade : il s'agit d'une contribution académique, pas d'un produit prêt à déployer.

Recherche❖Paper

1 source

37

1304arXiv cs.RO 

Time-to-collision : évitement dynamique d'obstacles pour robots en environnements non structurés via modèles de vision préentraînés

Une équipe de recherche présente une méthode d'évitement d'obstacles dynamiques pour robots mobiles autonomes évoluant en extérieur, dans des environnements non structurés, publiée sur arXiv (arXiv:2607.07885v1). Contrairement aux approches classiques qui nécessitent un entraînement massif spécifique au robot ou des politiques apprises en simulation, cette méthode fonctionne entièrement sur données réelles et évite le problème de transfert simulation-vers-réel. Le pipeline s'appuie sur UniDepth, un modèle pré-entraîné d'estimation de profondeur monoculaire, pour générer des cartes de profondeur denses à partir d'une simple caméra RGB, sans besoin de stéréovision ni de LiDAR au moment de l'inférence. Le système étend le pipeline de correspondance de points-clés SuperPoint et SuperGlue pour suivre des points caractéristiques sur de longues séquences d'images, les projeter en 3D via les intrinsèques caméra et la profondeur estimée, puis calculer un ajustement de faisceaux et un temps avant collision (TTC) par point-clé. Une primitive de mouvement 2D dans le plan au sol permet ensuite d'éloigner le robot du point de rapprochement minimal. Testée sur le jeu de données réel M3ED, la méthode atteint une précision de 0,49 et un rappel de 0,38 pour détecter les images avec un TTC réel inférieur à une seconde, et génère la bonne direction d'évitement dans 84% des détections correctes. Elle détecte au moins une image à risque pour 20 des 22 obstacles physiques uniques testés. L'intérêt principal tient à l'efficacité en données: seulement 74 secondes de données ont suffi pour le réglage des hyperparamètres, contre des milliers d'heures habituellement nécessaires aux méthodes end-to-end apprises. Pour les intégrateurs et décideurs en robotique mobile, cela ouvre une voie de déploiement rapide sans les coûts d'entraînement massif ni les risques de décalage sim-to-real, un problème persistant qui limite la fiabilité des politiques apprises en simulation lors du transfert vers le monde réel. Les chiffres de précision et rappel restent toutefois modestes (0,49 et 0,38), signe que la méthode n'est pas encore prête pour un déploiement critique sans garde-fous supplémentaires, mais la comparabilité et l'interprétabilité de l'approche par rapport aux boîtes noires apprises constituent un argument de poids pour la robotique de sécurité. Cette approche s'inscrit dans une tendance plus large de réutilisation de modèles de vision pré-entraînés à grande échelle (comme UniDepth, SuperPoint, SuperGlue) pour construire des briques robotiques sans réentraînement spécifique, une alternative aux politiques VLA ou aux pipelines de bout en bout qui dominent actuellement la recherche en navigation autonome. Elle se positionne face aux méthodes de simulation-vers-réel largement utilisées chez les acteurs de la robotique mobile et de la navigation extérieure, en misant sur l'interprétabilité plutôt que sur la performance brute. Les auteurs évoquent des perspectives d'amélioration de la précision et du rappel, ainsi qu'une validation plus large sur davantage de types d'obstacles et de conditions environnementales.

Recherche❖Paper

1 source

37

1305arXiv cs.RO 

FSD-VLN : modélisation duale rapide-lente pour la navigation aérienne vision-langage à long horizon

Des chercheurs publient sur arXiv (papier 2607.08359, juillet 2026) FSD-VLN, une architecture de navigation aérienne guidée par le langage destinee aux drones (UAV) évoluant en environnement inconnu, sans dépendance GPS ni trajectoire préprogrammée. Le système repose sur deux flux asynchrones : un flux "lent" qui extrait des priors sémantiques stables a partir de modèles vision-langage pré-entraines, et un flux "rapide" fonde sur un Diffusion Transformer (DiT) qui modélise les distributions d'actions dans le temps pour générer des commandes de vol cohérentes. Un optimiseur adaptatif sensible au temps a été intègre pour stabiliser l'entrainement sur de longues séquences et limiter les oscillations de gradient. En simulation a grande échelle sur des scenarios de vol a basse altitude, FSD-VLN atteint un taux de réussite de navigation jusqu'a deux fois supérieur aux méthodes de référence sur des scènes inédites, tout en réduisant de plus de 50% le délai d'inférence par action et la durée totale des taches. L'enjeu technique vise juste : les systèmes de navigation aérienne par langage souffrent généralement d'un désalignement entre compréhension multimodale globale et génération d'actions séquentielles, ce qui produit des trajectoires saccadées et une latence de décision pénalisante sur les missions longues. En découplant explicitement raisonnement sémantique et génération de commandes bas niveau, FSD-VLN reprend une logique "système rapide / système lent" déjà explorée cote robotique humanoïde (Pi-0, GR00T N2, Helix) et l'applique au vol de drone, un domaine ou la contrainte de latence est encore plus stricte qu'au sol. Pour les intégrateurs de drones industriels (inspection, logistique, surveillance), c'est une piste crédible pour rendre la navigation instructable en langage naturel viable sur des taches longues, même si les gains annonces restent, a ce stade, mesures uniquement en simulation. La navigation vision-langage (VLN) s'est imposée ces dernières années comme alternative aux systèmes GPS-dépendants, en promettant une interaction homme-machine plus intuitive et une meilleure adaptabilité environnementale, au prix d'une charge de calcul et de coordination bien plus lourde qu'un pilotage classique. FSD-VLN s'inscrit dans une lignée de travaux cherchant a résoudre ce compromis vitesse/compréhension, déjà au cœur des débats sur les modèles VLA en robotique générale. Les auteurs présentent leurs résultats comme un "paradigme pratique" plutôt qu'un système déployé : la prochaine étape logique, non couverte par cette publication, sera la validation en conditions de vol réelles, seule capable de confirmer si les gains constates en simulation résistent au bruit sensoriel et aux perturbations physiques du monde réel.

Recherche⚡Actu

1 source

37

1306arXiv cs.RO 

Navigation par objectif à vocabulaire ouvert : généraliser la cartographie sémantique avec CLIP dense

Des chercheurs ont publié une nouvelle version (v2) de l'article arXiv 2407.09016, qui présente OVExp, un framework d'exploration en vocabulaire ouvert pour la navigation robotique vers des objets-cibles non catégorisés au préalable. Le système s'appuie sur des modèles Dense CLIP pour généraliser la cartographie sémantique, sans recourir à l'inférence coûteuse de grands modèles de langage (LLM) ni à un entraînement intensif par apprentissage par renforcement (RL) de bout en bout. L'innovation centrale est une stratégie de transfert cross-modal sur cartographie sémantique : le réseau apprend d'abord uniquement à partir de texte, puis transfère ces représentations, au moment du test, vers une cartographie multimodale combinant localisation spatiale précise des objets et représentations visuelles généralisables. Les auteurs annoncent une généralisation robuste vers des objets-cibles inédits, validée sur les benchmarks établis d'ObjectNav, malgré un entraînement reposant sur des mises en page textuelles limitées en nombre d'objets. Pour l'industrie robotique et les intégrateurs, ce travail cible un problème concret de coût et de latence : les approches actuelles de navigation en vocabulaire ouvert, qui appellent un LLM à chaque décision ou nécessitent des heures d'entraînement RL par environnement, restent difficiles à déployer à grande échelle sur des robots mobiles autonomes (AMR) ou des plateformes d'inspection. En montrant qu'un réseau de prédiction d'objectifs basé sur une carte sémantique peut généraliser sans réentraînement lourd ni appel LLM en boucle, OVExp propose une alternative aux architectures VLA gourmandes en ressources, ce qui intéresse directement tout acteur cherchant à doter des robots de capacités de recherche d'objets flexibles sans exploser les coûts d'inférence en production. Ce travail s'inscrit dans la lignée des recherches sur ObjectNav, la tâche de navigation vers un objet-cible désigné par catégorie ou par image dans un environnement inconnu, un benchmark phare de la navigation embarquée depuis plusieurs années. Il se positionne face à deux familles de méthodes concurrentes : celles qui exploitent des LLM sans entraînement supplémentaire pour raisonner sur la scène, coûteuses en inférence, et celles qui affinent des politiques par RL de bout en bout, limitées en généralisation hors distribution. En s'appuyant sur CLIP, déjà largement utilisé pour l'ancrage vision-langage, et sur un entraînement texte-seul transférable au moment du test, les auteurs proposent une voie plus économe en ressources. Publié en v2 sur arXiv, l'article reste à ce stade une contribution académique évaluée en simulation, sans annonce de déploiement matériel ni de partenariat industriel.

Recherche❖Paper

1 source

37

1307arXiv cs.RO 

Adaptation de la planification avec pensées vision-langage entrelacées

Une équipe de recherche présente APIVOT (Adaptive Planning with Interleaved Vision-Language Thoughts), un planificateur pour robots basé sur un modèle vision-langage (VLM), détaillé dans un article publié sur arXiv le 8 juillet 2026 (référence 2607.08024v1). Le système cible la planification à long horizon, c'est-à-dire des tâches robotiques composées de plusieurs étapes successives, comme des scénarios de cuisine impliquant la manipulation d'objets dans un espace contraint. Sa particularité est d'alterner de façon adaptative entre deux types de raisonnement: du texte pour décomposer les objectifs, sélectionner les objets pertinents et séquencer les actions, et des représentations visuelles générées pour imaginer les états futurs de la scène et vérifier en interne si un plan est géométriquement réalisable, notamment en cas d'espace libre limité ou de risque de collision entre objets. Sur des tâches de cuisine à long horizon, APIVOT surpasse à la fois des VLM généralistes et les frameworks de planification existants, avec l'écart de performance le plus marqué dans les environnements les plus contraints spatialement. Ce résultat s'inscrit dans un débat central pour l'industrie robotique: les modèles vision-langage-action (VLA) et les grands VLM généralistes savent-ils vraiment raisonner sur la géométrie d'une scène, ou se contentent-ils d'un raisonnement sémantique de surface qui échoue dès que l'espace se complique. En montrant qu'un module de vérification visuelle interne améliore concrètement le taux de succès et l'efficacité du raisonnement, APIVOT apporte un argument en faveur d'architectures hybrides plutôt que de VLM purement textuels pour la planification robotique, un enjeu direct pour les intégrateurs qui déploient des bras ou robots mobiles autonomes dans des environnements encombrés. L'article se positionne explicitement par rapport aux VLM généralistes et aux frameworks de planification antérieurs, utilisés comme lignes de base de comparaison, sans toutefois nommer de plateforme robotique commerciale précise ni d'acteur industriel. Il s'agit à ce stade d'une contribution de recherche évaluée en simulation ou en environnement contrôlé de cuisine, sans indication de déploiement produit ni de partenariat industriel annoncé; les auteurs présentent le "modality selection" adaptatif comme la piste principale à explorer pour les futurs systèmes de planification robotique.

Recherche❖Paper

1 source

37

1308arXiv cs.RO 

Système d'exploitation de tubes spatiotemporels sous contraintes d'entrée pour la navigation sûre de systèmes Euler-Lagrange inconnus en environnements dynamiques

Une équipe de chercheurs propose un nouveau cadre de contrôle en temps réel permettant à des robots dont la dynamique est inconnue de naviguer en sécurité dans des environnements changeants, tout en respectant les limites physiques de leurs actionneurs. Publiés sur arXiv (2607.08189v1), ces travaux étendent le cadre des « spatiotemporal tubes » (STT), une technique qui définit des corridors de trajectoires garantissant qu'un système atteint une zone cible, évite les obstacles et s'y maintient dans un temps fini, propriété désignée par les auteurs sous l'acronyme FT-RAS (finite-time reach-avoid-stay). La nouveauté consiste à intégrer explicitement les contraintes d'entrée, c'est-à-dire la puissance ou le couple maximal disponible sur les actionneurs, directement dans la conception du contrôleur, avec des conditions de faisabilité vérifiables hors ligne. L'approche a été validée par simulation sur trois types de systèmes Euler-Lagrange, un robot mobile, un quadrotor et un engin spatial, ainsi que par des expériences matérielles sur un robot mobile réel. L'enjeu dépasse la démonstration académique. La plupart des méthodes de navigation sûre reposent soit sur un modèle dynamique précis du robot, rarement disponible en conditions réelles, soit sur une optimisation résolue en continu pendant le mouvement, coûteuse en calcul et difficile à certifier en temps réel. En s'affranchissant de ces deux contraintes, ce cadre dit « approximation-free » vise les cas concrets où les robots opèrent dans des environnements dynamiques avec une puissance d'actionnement limitée, un enjeu direct pour les intégrateurs déployant des AMR ou des drones en entrepôt, où sous-estimer les limites moteur peut compromettre les garanties de sécurité formulées en amont. Le papier se positionne comme une extension du cadre STT existant, en réponse à une limite connue des méthodes de contrôle sûr comparables, comme les fonctions barrières de contrôle ou la commande prédictive, qui exigent généralement soit un modèle fiable soit une résolution d'optimisation embarquée. Il s'agit ici d'un résultat de recherche théorique et expérimentale à petite échelle, sans annonce de déploiement industriel ni de partenaire commercial identifié à ce stade.

Recherche❖Paper

1 source

37

1309arXiv cs.RO 

Adaptation biomécanique guidée par la physique de la démarche pour la locomotion humanoïde sur terrains extrêmement pentus

Des chercheurs présentent HumoSlope, un framework d'apprentissage par renforcement en deux étapes conçu pour la locomotion humanoïde sur pentes raides, détaillé dans un article publié sur arXiv (référence 2607.07830v1). Le constat de départ : avec des formulations de récompense génériques, les politiques de RL convergent souvent vers des démarches lentes et prudentes, en position accroupie et centre de masse abaissé, pour compenser le biais gravitationnel constant imposé par un terrain incliné. La première étape du framework introduit un régularisateur ZMP (Zero Moment Point) adapté à la pente, évalué directement sur le plan de support incliné local plutôt que sur une référence horizontale globale, ce qui établit un a priori d'équilibre cohérent avec le terrain. La seconde étape, baptisée Biomechanical Slope Gait Adapter (BSGA), exploite des descripteurs macroscopiques du terrain comme signaux privilégiés, disponibles uniquement à l'entraînement, pour moduler dynamiquement la hauteur du centre de masse et la coordination des membres inférieurs selon la géométrie de pente estimée, favorisant une propulsion dominée par la hanche en montée et un freinage piloté par le genou en descente. Point notable : l'acteur finalement déployé reste entièrement proprioceptif, sans capteur extéroceptif embarqué. Les essais sim-to-real ont permis une traversée aveugle et continue de pentes herbeuses extérieures atteignant 62,7 % d'inclinaison, soit 32,1 degrés. L'intérêt principal tient à la démonstration qu'un contrôle purement proprioceptif, sans vision ni LiDAR embarqués, peut gérer des pentes extrêmes en conditions réelles extérieures, réduisant la dépendance à une perception embarquée coûteuse et fragile hors environnement contrôlé. Le résultat contredit aussi l'idée qu'un RL générique suffit : sans priors physiques et biomécaniques explicites, les politiques dégénèrent vers des démarches accroupies sous-optimales. Pour les acteurs de l'humanoïde, dont la plupart des déploiements actuels restent cantonnés aux sols plats d'usine ou d'entrepôt, ce travail pointe une voie concrète pour élargir la robustesse en terrain extérieur non structuré, une faiblesse encore largement non résolue du secteur. La locomotion humanoïde par apprentissage par renforcement a fortement progressé ces dernières années sur terrains plats ou discrets, marches et escaliers notamment, mais les pentes raides restent un axe peu exploré comparé à d'autres défis comme les obstacles ou les terrains accidentés. Aucune plateforme robotique commerciale n'est nommée dans l'article, qui reste à ce stade une contribution de recherche validée en simulation puis en conditions réelles. Les suites naturelles évoquées incluent l'intégration à des piles de contrôle plus larges et des tests sur d'autres surfaces comme la neige, le gravier ou la boue.

Recherche❖Paper

1 source

37

1310arXiv cs.RO 

Politique de non-fabrication : je ne dois pas inventer de traduction pour un titre d'article sans contexte vérifiable au-delà de ce qui est donné, mais ici la tâche est simplement de traduire le titre fourni, donc je peux procéder

Des chercheurs publient sur arXiv (2607.08283) une nouvelle architecture baptisée TFP (Temporally Conditioned Memory-Fusion Policies), conçue pour améliorer les politiques vision-langage-action (VLA) comme π0.5 ou OpenVLA, aujourd'hui limitées par leur caractère réactif : l'action suivante est prédite uniquement à partir de l'observation courante, sans mémoire de la progression de la tâche. TFP ajoute une croyance locale à l'épisode, mise à jour via une dynamique de type Liquid Time-Constant, injectée directement dans le décodeur d'action par flow-matching. Avec un modèle de 3,3 milliards de paramètres, le taux de succès moyen passe de 96,9% à 98,75% sur le benchmark LIBERO et de 91,4% à 93,77% sur LIBERO-plus. Sur le diagnostic MIKASA ShellGameTouch, spécifiquement conçu pour tester la mémoire, TFP atteint jusqu'à 75% de réussite. Les auteurs montrent aussi que les variations du gain d'écriture de la mémoire sont environ six fois plus fortes près des événements de manipulation (contact, relâchement, sous-objectif) que dans les phases stables. Pour l'industrie robotique, ce travail cible un angle mort connu des VLA actuels : la gestion des tâches à étapes, où deux états visuellement identiques nécessitent des actions différentes selon l'historique des interactions, par exemple lors d'occlusions temporaires ou de sous-tâches séquentielles. Un module de mémoire événementielle, plutôt qu'un simple historique passif, pourrait réduire les échecs sur des manipulations complexes en usine ou en logistique, sans nécessiter de refonte complète des backbones VLA existants. Le papier s'inscrit dans la lignée des travaux sur les politiques génératives par flow-matching, après RT-2, OpenVLA et la famille π0 de Physical Intelligence, ainsi que GR00T N2 de NVIDIA. Il s'agit ici d'une contribution de recherche académique évaluée sur des benchmarks de simulation (LIBERO, MIKASA), sans déploiement réel ni intégration annoncée sur un robot commercial. Les auteurs présentent TFP comme un module greffable sur des backbones VLA existants, une piste à confirmer sur des tâches physiques réelles plutôt qu'en simulation.

Recherche⚡Actu

1 source

37

1311arXiv cs.RO 

D-CLIPSE : localisation par consensus distribué avec écoute passive sur échange d'état partagé

Le nom complet du papier est D-CLIPSE, pour "Distributed Consensus-based Localization with Passive Listening on Shared State Exchange" (arXiv:2607.07995v1). Il s'agit d'un nouveau cadre de filtrage distribué pour la localisation multi-robots, conçu pour rester cohérent (au sens statistique du terme) tout en limitant la charge de communication entre robots. Le principe: chaque robot embarque son propre filtre et estime à la fois son état et celui de ses voisins, en échangeant de l'odométrie préintégrée ainsi que des états partagés pertinents via communication inter-robot. Contrairement à une architecture centralisée qui fusionnerait de façon optimale toutes les mesures de capteurs de l'équipe mais qui reste rarement viable en pratique (contraintes matérielles, de bande passante et de puissance de calcul), D-CLIPSE cherche à s'en approcher sans passer par un nœud central. Les auteurs valident leur méthode à la fois en simulation et lors d'expériences réelles, avec des résultats de précision et surtout de cohérence proches d'une solution centralisée. L'enjeu dépasse la simple prouesse académique: la localisation multi-robots est un prérequis direct pour la planification de trajectoire et le contrôle dans toute flotte coordonnée, qu'il s'agisse d'AMR en entrepôt, d'essaims de drones ou de robots d'inspection travaillant en équipe. Le problème classique des filtres décentralisés est la sous-estimation de l'incertitude quand les mêmes informations sont comptées plusieurs fois dans le réseau, ce qui rend les estimations de position trop confiantes et potentiellement dangereuses pour la prise de décision en aval. En visant explicitement la cohérence statistique en plus de la précision, et en réduisant le volume de données échangées entre robots, D-CLIPSE s'attaque directement à ce qui limite aujourd'hui le déploiement de flottes robotiques réellement décentralisées à grande échelle, sans dépendre d'une infrastructure de calcul centrale fragile ou coûteuse en latence. Le papier se positionne explicitement contre l'état de l'art actuel des approches décentralisées, dont il revendique dépasser les performances en cohérence tout en restant efficace en communication, un compromis que la littérature peine généralement à tenir simultanément. Les approches distribuées existantes s'appuient typiquement sur des variantes de filtres de Kalman étendus ou des méthodes d'intersection de covariance pour éviter le double comptage d'information, souvent au prix d'une dégradation de précision ou d'un surcoût de calcul. En publiant à la fois des résultats simulés et expérimentaux, les auteurs cherchent à démontrer une applicabilité concrète plutôt qu'un simple gain théorique, ouvrant la voie à des tests sur des flottes physiques plus larges et à une intégration potentielle dans des piles de navigation multi-robots existantes.

Recherche❖Paper

1 source

37

1312arXiv cs.RO 

Vers des exogants souples robotisés pour la manipulation musculo-squelettique, afin de réduire douleur et spasticité

Des chercheurs présentent le développement préliminaire d'un exogant robotique souple (soft robotic exoglove) conçu pour traiter simultanément deux problèmes distincts chez les patients atteints de spasticité de la main, un trouble qui touche 12 millions de personnes dans le monde, dont des survivants d'AVC, des patients arthritiques et des personnes souffrant de déficiences musculaires ou nerveuses. Le gant intègre des actionneurs pneumatiques souples personnalisés selon la topologie et la cinématique de la main de chaque utilisateur, permettant une conformabilité optimale et une mobilité ciblée. Les chercheurs ont conçu, modélisé en 3D et analysé ces actionneurs par éléments finis sous des pressions de 100 et 200 kPa, puis optimisé les géométries pour minimiser les contraintes avant fabrication. Trois types d'actionneurs ont été testés avec succès : un actionneur dorsal pour doigt personnalisé offrant un contact conforme complet et une distribution de force maximale, un actionneur ventral capable de se comprimer fortement pour s'adapter à l'espace réduit d'un doigt en hyperflexion spastique, et un actionneur palmaire imprimé par stéréolithographie, démontrant le potentiel de géométries complexes en impression 3D. Le gant assemblé a été porté par un utilisateur pilote pour valider les premiers résultats de confort et d'efficacité. L'enjeu principal réside dans la combinaison, au sein d'un seul dispositif, d'une fonction de mobilité et d'une fonction thérapeutique de type massage compressif pour détendre les muscles spastiques, deux besoins généralement traités séparément par les exogants existants. Pour les concepteurs de dispositifs médicaux et les intégrateurs en robotique de réadaptation, cette approche illustre l'intérêt croissant de la personnalisation géométrique par modélisation par éléments finis et fabrication additive, plutôt que des designs génériques à taille unique. Il s'agit toutefois d'un travail à un stade très précoce : un seul utilisateur pilote, pas de données cliniques comparatives, et aucune mesure quantifiée de réduction de la douleur ou du spasme n'est rapportée dans ce résumé, ce qui limite pour l'instant la portée des conclusions à une preuve de faisabilité technique. Ce travail s'inscrit dans la lignée des exogants souples développés ces dernières années pour l'assistance à la préhension chez les patients neurologiques, un domaine où des instituts comme le Wyss Institute ou des laboratoires universitaires de robotique douce ont déjà exploré des actionneurs pneumatiques textiles pour l'AVC. La spécificité ici est la triple architecture d'actionneurs (dorsal, ventral, palmaire) combinée à l'impression 3D par stéréolithographie pour des géométries complexes. Les prochaines étapes attendues, bien que non détaillées dans l'article, porteraient logiquement sur des essais cliniques élargis avec davantage de participants et des mesures objectives de douleur et de spasticité avant d'envisager une commercialisation.

Exosquelettes❖Paper

1 source

37

1313arXiv cs.RO 

FabriVLA : un modèle vision-langage-action léger pour une manipulation précise multi-tâches

FabriVLA, un modèle vision-langage-action (VLA) léger dédié à la manipulation robotique multi-tâches de précision, vient d'être présenté sur arXiv (2607.08575v1). L'architecture associe un backbone vision-langage InternVL3.5 à une tête d'action par flow-matching, dotée d'une auto-attention filtrée entre les tokens d'action et d'une fusion superficielle des couches du VLM pour enrichir le contexte spatial. Le modèle est entraîné en une seule étape d'optimisation conjointe, à partir d'un VLM pré-entraîné combiné à une tête d'action initialisée aléatoirement. Sur le benchmark Meta-World MT50, qui couvre 50 tâches de manipulation variées, FabriVLA atteint un taux de réussite moyen par palier de 90,0%, avec un VLM d'à peine 1 milliard de paramètres. Ce résultat pèse dans le débat sur la taille optimale des modèles VLA. Jusqu'ici, les meilleures performances en manipulation semblaient réservées aux backbones de plusieurs milliards de paramètres, comme Pi-0 ou GR00T N2. Un modèle compact atteignant 90% de réussite sur un benchmark aussi large que MT50 laisse entrevoir des coûts d'inférence et de déploiement embarqué nettement réduits, un enjeu concret pour les intégrateurs travaillant sur des bras robotiques industriels ou des plateformes mobiles aux ressources de calcul limitées. Cela conforte aussi l'hypothèse qu'une conception spécialisée de la tête d'action, via flow-matching et attention inter-tokens, peut compenser la taille réduite du VLM sous-jacent. FabriVLA s'inscrit dans la lignée des modèles VLA ayant suivi RT-2 et Octo, et plus récemment les approches par flow-matching popularisées par Pi-0 chez Physical Intelligence ou les architectures GR00T N2 de NVIDIA. Le choix d'InternVL3.5, backbone open plus modeste que certains VLM propriétaires concurrents, illustre une tendance à réutiliser des composants déjà optimisés plutôt qu'à entraîner des architectures VLA depuis zéro. À ce stade, les résultats restent une validation en simulation sur Meta-World; la suite logique attendue par la communauté robotique sera la démonstration de ces gains sur des tâches de manipulation réelle, hors benchmark simulé.

IA physique⚡Actu

1 source

36

1314arXiv cs.RO 

X-ACTA : algorithme de distribution de tension du centre analytique étendu pour robots parallèles à câbles fixes et mobiles

Les robots parallèles à câbles (Cable-Driven Parallel Robots, CDPR) utilisent plusieurs câbles tendus pour déplacer une plateforme mobile, une architecture prisée pour les grandes portées et les charges lourdes, du levage industriel à l'assistance médicale. Leur fonctionnement reste toutefois contraint à un espace de travail dit "faisable en efforts" (Wrench-Feasible Workspace, WFW), une zone où les tensions de câbles peuvent équilibrer les forces externes sans jamais devenir négatives. Un article publié sur arXiv (identifiant 2607.08265) propose une méthode baptisée X-ACTA (eXtended Analytic Center Tension distribution Algorithm), conçue pour piloter ces robots au-delà de ce WFW, notamment lors de manœuvres agressives ou après la rupture d'un câble. La méthode étend l'approche dite du "centre analytique" en conservant des profils de tension continus et différentiables, une convergence rapide vers une solution unique compatible avec un usage temps réel, et des contraintes non linéaires prises en compte nativement. Contrairement aux formulations existantes basées sur le relâchement de câbles ("slack-based"), elle limite les erreurs de torseur (wrench) à une zone marginale du WFW. Les auteurs valident la supériorité de leur méthode en douceur des trajectoires et en précision d'effort via une dominance de Pareto face à l'état de l'art, complétée par des expériences numériques. Cette avancée touche un point aveugle connu des CDPR : la plupart des algorithmes de calcul de tensions fonctionnent bien à l'intérieur du WFW, mais deviennent instables ou imprécis dès qu'un robot en sort, que ce soit volontairement pour étendre sa portée opérationnelle ou accidentellement après une défaillance matérielle. Pour les intégrateurs industriels qui déploient des CDPR fixes ou mobiles dans des environnements exigeants, comme les grands entrepôts, les chantiers ou les applications de levage, disposer d'un contrôleur capable de gérer une perte de câble sans à-coups ni divergence numérique est un enjeu direct de sécurité et de continuité opérationnelle. La différentiabilité garantie par X-ACTA facilite aussi son intégration dans des boucles de commande plus larges, un critère souvent négligé par les méthodes purement géométriques. Le calcul de la distribution des tensions dans les CDPR est un sujet mature en robotique, mais la littérature s'est historiquement concentrée sur l'optimisation à l'intérieur du WFW plutôt que sur la robustesse aux sorties de cet espace. X-ACTA s'inscrit dans une lignée de travaux cherchant à combler ce manque, en se positionnant explicitement contre les méthodes "slack-based" dominantes. L'article, encore au stade de preprint, ouvre la voie à des implémentations sur robots à câbles mobiles et fixes, sans toutefois préciser à ce stade de partenaire industriel ou de calendrier de transfert vers un produit commercial.

Recherche❖Paper

1 source

36

1315arXiv cs.RO 

Robot Control : un pré-entraînement vidéo-action natif pour un contrôle robotique généralisable

Une équipe de recherche présente, dans un preprint publié sur arXiv (arXiv:2607.08639v1), LingBot-VA 2.0, un modèle fondation vidéo-action conçu spécifiquement pour le contrôle robotique, en succession directe de LingBot-VA. Quatre changements architecturaux structurent cette évolution. D'abord, l'équipe abandonne les VAE classiques axés sur la reconstruction d'image au profit d'un tokenizer visuel-action sémantique, qui aligne les représentations visuelles à la fois sur le sens et sur l'action, ce qui améliore le suivi d'instructions et la précision des gestes lors de l'apprentissage de politiques. Ensuite, le modèle adopte un pré-entraînement causal from scratch plutôt qu'une architecture bidirectionnelle adaptée après coup, pour éviter l'oubli catastrophique observé lors de ce type d'adaptation. Troisième point, un backbone MoE (mixture of experts) épars permet d'augmenter la capacité du modèle sans alourdir l'inférence, condition nécessaire pour du contrôle à haute fréquence. Enfin, un schéma d'inférence asynchrone prédit les futurs états latents en parallèle de l'exécution des actions, en recalant chaque rollout sur la dernière observation via une dynamique prédictive apprise, pour du contrôle en boucle fermée temps réel. Le papier ne précise ni le nombre de degrés de liberté, ni le payload, ni les sites ou volumes de déploiement, ni de calendrier commercial. Cette publication s'inscrit dans la course aux modèles VLA (vision-language-action) pour la robotique généraliste, où l'enjeu central est de dépasser le simple réemploi de générateurs vidéo pensés pour le contenu numérique, souvent inadaptés à la physique du monde réel faute d'ancrage dans l'action. En traitant frontalement l'oubli catastrophique et le coût d'inférence, LingBot-VA 2.0 répond à deux limites fréquemment citées des modèles fondation robotiques actuels: la difficulté à tenir un contrôle réactif et la fragilité des architectures reconverties depuis la génération vidéo pure. LingBot-VA 2.0 vient after LingBot-VA, dans un paysage où rivalisent des modèles comme GR00T N2 (Nvidia), Helix (Figure) ou Pi-0 (Physical Intelligence). Le papier revendique une validation par déploiement réel et une généralisation few-shot sur des tâches de manipulation complexes, mais sans benchmark chiffré ni comparaison directe publiée à ce stade, la portée exacte de ces résultats reste à confirmer par des évaluations indépendantes.

IA physique⚡Actu

1 source

36

1316arXiv cs.RO 

Robot binoculaire non préhensile : apprentissage de primitives de manipulation par catégorie

BiNoMaP présente un nouveau cadre pour l'apprentissage de primitives de manipulation bimanuelle non préhensile, c'est-à-dire des gestes robotiques qui ne saisissent pas l'objet mais le manipulent par contact, comme pousser, faire pivoter, envelopper ou pousser du bout des doigts. Contrairement à la plupart des travaux antérieurs limités à un seul bras ou dépendants de supports environnementaux favorables (murs, rebords), les chercheurs proposent une configuration bimanuelle générique. Leur méthode se distingue aussi par son approche sans apprentissage par renforcement (RL-free), articulée en trois étapes: extraction de trajectoires de mouvement des mains à partir de vidéos de démonstration en vue égocentrique, puis raffinement de ces trajectoires brutes via un algorithme d'optimisation géométrique pour corriger le bruit de perception et les écarts morphologiques entre humain et robot, et enfin paramétrage des primitives selon des attributs géométriques de l'objet, principalement sa taille, pour permettre une généralisation à des instances inédites. Les primitives ont été testées sur deux plateformes robotiques bimanuelles réelles aux configurations cinématiques distinctes, démontrant un transfert cross-embodiment sans redesign de la structure des compétences. L'intérêt pour l'industrie robotique tient à l'angle mort que ce travail comble: la manipulation non préhensile reste largement sous-exploitée car son caractère riche en contacts la rend difficile à modéliser analytiquement, alors que de nombreuses tâches industrielles ou domestiques (repositionner un objet encombrant, l'orienter, le pousser dans un bac) ne se prêtent pas à une simple préhension. En s'appuyant sur des démonstrations vidéo plutôt que sur du RL coûteux en simulation, l'approche répond aussi à un problème récurrent du secteur, le fossé entre simulation et réalité (sim-to-real gap), en apprenant directement des trajectoires exécutables. Pour les intégrateurs et décideurs B2B travaillant sur des bras bimanuels ou des plateformes humanoïdes à deux bras, cela suggère une voie pour doter les robots de compétences de manipulation plus polyvalentes sans multiplier les cycles d'entraînement par RL ni redessiner les primitives à chaque changement de robot. Ce travail s'inscrit dans la lignée des recherches en apprentissage par imitation à partir de vidéos humaines, un axe de plus en plus exploré face aux limites du RL pur pour les tâches de contact complexes, aux côtés d'approches VLA comme GR00T N2 ou Pi-0 qui visent la généralisation à l'échelle. La publication, une version révisée d'un article initialement déposé sur arXiv (2509.21256), a été validée par des expériences robot réel sur "divers objets et configurations spatiales", sans toutefois préciser de partenaire industriel ou de calendrier de déploiement commercial. Aucun acteur français ou européen n'est mentionné dans cette publication, qui reste à ce stade un travail de recherche académique plutôt qu'un produit prêt à déployer.

Recherche❖Paper

1 source

36

1317arXiv cs.RO 

TriphiBot : un robot triphibie combinant propulsion FOC et conception excentrique

TriphiBot est un robot capable de trois modes de déplacement, aérien, terrestre et aquatique, présenté dans un article arXiv (2602.01385v2, version révisée). Le design combine une structure de quadricoptère classique avec deux roues passives, sans actionneur supplémentaire dédié à la locomotion terrestre. Les chercheurs ont introduit un centre de gravité excentré qui aligne naturellement la poussée des rotors avec la direction de déplacement au sol, évitant ainsi les mécanismes de transformation mécanique complexes habituellement nécessaires. Pour piloter la propulsion dans l'air comme dans l'eau, deux milieux aux propriétés très différentes, l'équipe a développé un système unifié basé sur le contrôle orienté champ (FOC), qui résout les problèmes d'adéquation du couple moteur et permet une poussée bidirectionnelle rapide et précise. La stabilité du robot et ses transitions entre domaines reposent sur un système de contrôle hybride combinant commande prédictive non linéaire (HNMPC) et PID. Les essais expérimentaux confirment la capacité du robot à se mouvoir dans les trois milieux et à transiter entre eux. L'intérêt de ce travail tient à son adressage d'un angle mort de la robotique multi-domaine: la plupart des robots dits amphibies ou hybrides existants ne gèrent que deux modes de déplacement, et les rares designs triphibiques souffrent soit d'une complexité mécanique élevée, soit d'une propulsion peu efficace au sol. En proposant une architecture minimaliste, sans actionneur additionnel, et un système de propulsion unique capable de s'adapter électroniquement (via FOC) plutôt que mécaniquement aux deux fluides, TriphiBot ouvre une voie pour des robots plus légers et plus simples à fabriquer, potentiellement utiles pour l'inspection, la surveillance environnementale ou les interventions en zones sinistrées mêlant terre, air et eau. Ce travail s'inscrit dans la lignée des recherches sur les robots multi-modaux, où la plupart des designs antérieurs privilégiaient des architectures dédiées à deux milieux avec des mécanismes de transformation spécifiques pour chaque transition. En misant sur l'excentricité du centre de gravité plutôt que sur des pièces mobiles supplémentaires, et sur un contrôle électronique unifié plutôt que sur des propulseurs séparés par milieu, les auteurs positionnent leur approche comme une alternative plus sobre face aux plateformes triphibiques à haute complexité mécanique. L'article, publié en version révisée sur arXiv, reste à ce stade une validation expérimentale en laboratoire, sans indication de déploiement ou de partenariat industriel.

Recherche❖Paper

1 source

36

1318arXiv cs.RO 

SkillPlug : extraction non supervisée de compétences pour l'adaptation en few-shot dans la manipulation robotique

Une équipe de recherche publie sur arXiv (arXiv:2607.08354v1, soumission nouvelle) SkillPlug, un framework destiné à l'apprentissage par imitation visuomotrice en robotique de manipulation. Le système se présente comme un module "plug-in" qui vient s'ajouter à une politique visuomotrice existante : il ajoute un module de conditionnement par compétences ("skill-conditioning") et extrait, à partir de démonstrations multi-tâches brutes et sans supervision, une bibliothèque de compétences partagée et réutilisable. L'extraction repose sur des objectifs auto-supervisés conçus pour produire des primitives comportementales compactes, non redondantes et transférables d'une tâche à l'autre. Une fois cette bibliothèque figée, l'adaptation à une nouvelle tâche ne nécessite plus qu'un réentraînement léger : seuls un routeur et une tête d'action sont ajustés, sans réentraînement complet de bout en bout. Les auteurs rapportent des tests sur deux bancs d'essai en simulation et sur un robot réel, avec une amélioration observée à la fois en performance multi-tâches et en adaptation à partir de peu de démonstrations (few-shot). L'abstract ne fournit toutefois aucun chiffre précis de gain de taux de réussite ni détail sur les bancs de test utilisés, ce qui limite la portée vérifiable des résultats à ce stade. L'enjeu pratique visé est réel pour les intégrateurs robotiques : la plupart des politiques actuelles sont entraînées de bout en bout et n'offrent aucune structure explicite pour réutiliser des comportements déjà appris, ce qui rend le transfert vers de nouvelles tâches coûteux en données. En figeant une bibliothèque de compétences et en ne réentraînant qu'un routeur léger, SkillPlug promet une adaptation à moindre coût de calcul et de données, un point sensible pour tout déploiement industriel où recollecter des centaines de démonstrations par nouvelle tâche n'est pas viable économiquement. Ce travail s'inscrit dans un courant de recherche plus large qui cherche à réintroduire une structure compositionnelle (bibliothèques de compétences, primitives réutilisables) dans des politiques d'apprentissage par imitation de plus en plus dominées par des modèles monolithiques de type VLA (vision-language-action). Il s'agit ici d'une publication de recherche académique, sans acteur industriel ni produit commercial associé, et sans mention de comparaison directe avec des systèmes VLA à grande échelle déployés dans l'industrie. Les prochaines étapes attendues seraient une évaluation à plus grande échelle et une comparaison chiffrée face aux approches de politique de bout en bout dominantes.

Recherche❖Paper

1 source

34

1319arXiv cs.RO 

Robots-gants souples pour la mobilité dextérique : vers une rééducation personnalisée

Je vais rédiger l'article en français selon les consignes. Des chercheurs présentent la conception, la fabrication et les tests d'un exogant robotique souple personnalisé, destiné à la rééducation et à l'assistance de la main, dans un article publié le 9 juillet 2026 sur arXiv (2607.07968v1). Contrairement aux exogants existants, ajustés selon des mesures standardisées peu adaptées à l'anatomie individuelle, ce dispositif est façonné à partir de scans topologiques de la main de l'utilisateur, puis fabriqué par moulage silicone. L'équipe a mené une analyse par éléments finis (FEA) pour modéliser la flexion des actionneurs pneumatiques et les forces d'interaction physique homme-robot sur un modèle biomécanique simplifié du doigt, ainsi que des essais de contrôle de pression pneumatique pour fléchir le doigt selon des références statiques et dynamiques. Les résultats montrent que les scans topologiques permettent un ajustement précis à l'anatomie, que le contrôle de pression cible efficacement les articulations métacarpophalangienne (MCP) et interphalangienne proximale (PIP) malgré la raideur intrinsèque des tissus, et que l'assouplissement de la couche limitant l'extension améliore l'alignement entre actionneur et articulation. Cette approche répond à une limite bien identifiée mais rarement traitée frontalement dans la robotique portable douce: les gants d'assistance génériques échouent souvent sur la manipulation fine faute d'un ajustement anatomique réel, ce qui freine leur adoption clinique au-delà de la simple flexion globale. En démontrant qu'une personnalisation basée sur l'imagerie 3D peut être combinée à une modélisation prédictive des forces de contact, les auteurs ouvrent la voie à des protocoles de rééducation neuromusculaire plus ciblés, potentiellement pertinents pour les patients post-AVC ou atteints de pathologies neurodégénératives nécessitant une rééducation fine des doigts. Il s'agit toutefois d'un travail de preuve de concept en laboratoire, testé sur un modèle biomécanique simplifié et non encore validé cliniquement à grande échelle: les auteurs eux-mêmes le présentent comme une base méthodologique pour l'optimisation future de la conception, pas comme un dispositif prêt à déployer. Le champ des exogants pneumatiques souples s'est développé depuis plusieurs années autour d'acteurs académiques comme le Wyss Institute de Harvard ou le Soft Robotics Lab de Yale, avec des applications allant de l'assistance post-AVC à la téléopération. La personnalisation par scan 3D et impression ou moulage sur mesure suit une tendance plus large de la robotique portable vers des dispositifs individualisés, comparable aux démarches d'orthèses imprimées en 3D en orthopédie. Les prochaines étapes annoncées par les auteurs concernent l'optimisation de la conception des actionneurs à partir des données de modélisation pHRI, en vue d'une meilleure mobilisation des articulations pour des tâches de manipulation dextre et de rééducation motrice fine, sans calendrier de test clinique précisé à ce stade.

Exosquelettes❖Paper

1 source

30

1320arXiv cs.RO 

Collaboration entre agents pour le diagnostic d'anomalies en robotique sous-marine

Un article de recherche mis à jour sur arXiv (identifiant 2511.03075, version 2) présente AURA, pour Autonomous Resilience Agent, un framework de diagnostic d'anomalies et de pannes destiné à la robotique sous-marine. Le système combine deux agents distincts : un agent de bas niveau, chargé de la caractérisation d'état, qui surveille en continu la télémétrie du robot et traduit les signaux bruts en une description structurée du problème en langage naturel ; et un agent de raisonnement diagnostique de haut niveau, qui mène un dialogue guidé par des connaissances externes avec un opérateur humain pour identifier la cause racine d'une anomalie. L'ensemble s'appuie sur un jumeau numérique haute fidélité et sur de grands modèles de langage (LLM), avec une boucle homme-dans-la-boucle explicite. Une fois qu'un diagnostic est validé par un opérateur, il est reconverti en exemple d'entraînement pour affiner le modèle perceptif de bas niveau. Les auteurs ne publient pas de résultats chiffrés de déploiement dans le résumé ; il s'agit d'une contribution de recherche décrivant l'architecture et une implémentation de référence, pas d'un produit commercialisé. L'intérêt principal de ce travail tient au terrain qu'il cible : les véhicules sous-marins autonomes évoluent dans des environnements où la connectivité est intermittente et où une panne non anticipée peut être coûteuse, voire dangereuse, ce qui rend l'automatisation intégrale du diagnostic risquée sans supervision humaine. En positionnant explicitement l'IA comme partenaire évolutif plutôt qu'outil figé, AURA répond à une critique répandue envers les systèmes autonomes classés comme boîtes noires, en gardant l'humain dans la boucle de validation tout en capitalisant sur chaque cas traité pour améliorer le modèle. Pour les intégrateurs de robotique sous-marine et les opérateurs de flottes d'AUV, ce type d'architecture ouvre la voie à une maintenance prédictive plus fiable, sans sacrifier la traçabilité des décisions critiques. Le papier s'inscrit dans la tendance plus large des architectures agentiques bâties sur des LLM couplés à des jumeaux numériques pour la robotique de terrain, un axe de recherche actif depuis l'essor des modèles de raisonnement conversationnel. Aucun acteur industriel ni concurrent n'est cité dans le résumé, ce qui confirme la nature académique de la publication ; les suites logiques attendues seraient une validation expérimentale sur des plateformes sous-marines réelles et une comparaison avec des approches de diagnostic purement automatisées.

Recherche❖Paper

1 source

41

1321Pandaily 

Dexmal lance MaaS incarné et DexOS, résolvant le passage à l'échelle des modèles en conditions réelles

Dexmal, anciennement connue sous le nom de Yuanli Lingji, a dévoilé lors de sa première conférence développeurs Action une suite complète de produits d'IA incarnée destinée à répondre au problème structurel de la mise à l'échelle des modèles fondationnels sur du matériel robotique hétérogène. Au centre de l'annonce, le modèle DM0.5 voit ses paramètres doubler pour atteindre 4 milliards, entraîné sur 150 000 heures de données dont 50 000 heures issues de robots réels avec annotation 3D au millimètre près des points clés de la main, complétées par 100 000 heures d'enregistrements d'opérations humaines à la première personne. Trois choix d'architecture distinguent ce modèle : une mémoire native supportant jusqu'à 60 secondes de contexte via une couche d'abstraction intégrée au pré-entraînement, un système de raisonnement à deux niveaux qui sépare la planification des tâches de la génération de mouvement avec un entraînement contrefactuel censé garantir une réelle compréhension des instructions, et un alignement des actions par programmation dynamique contrainte pour normaliser des trajectoires exécutées à des vitesses différentes. Autour de ce modèle, Dexmal lance DexOS, présenté comme l'équivalent d'un système d'exploitation standardisé pour la robotique avec un protocole ouvert baptisé ECP, permettant aux développeurs d'intégrer leur modèle une seule fois puis de le déployer sur plusieurs plateformes matérielles. La plateforme DexDev regroupe DFOL 2.0, un système d'apprentissage par renforcement basé sur un modèle du monde (DW0.5) qui réduirait de 60% le volume de données d'entraînement robotique réel nécessaire et de 40% les coûts associés, ainsi qu'un service MaaS d'inférence facturé à l'usage. Dexmal revendique une latence d'inférence de 50 millisecondes et la possibilité d'effectuer du post-entraînement sur une simple carte grand public RTX 4090. Deux nouvelles plateformes matérielles, Apex pour l'industrie et Ferrata pour la logistique, viennent s'ajouter au bras double existant Mint. L'enjeu réel derrière cette annonce est le problème dit du N fois M : sans couche de standardisation, chaque modèle doit être réadapté à chaque configuration matérielle, ce qui freine toute diffusion à l'échelle. En misant sur un écosystème ouvert de développeurs plutôt que sur une intégration verticale fermée à la manière de Tesla ou Figure, Dexmal cherche à devenir la couche logicielle commune du secteur plutôt qu'un fournisseur de robots parmi d'autres. Le fondateur Tang Wenbin a d'ailleurs posé le vrai critère de réussite : que les développeurs choisissent DM0.5 plutôt que les alternatives open source, un test que les modèles précédents de l'entreprise n'avaient pas franchi selon lui. La promesse de réduction des données réelles nécessaires grâce à la simulation dans un modèle du monde touche directement au fossé sim-to-real qui limite encore le déploiement des VLA en conditions réelles, mais ces gains restent pour l'instant des chiffres communiqués par l'entreprise, sans validation indépendante. Le rebranding depuis Yuanli Lingji s'inscrit dans la vague d'entreprises chinoises d'IA incarnée cherchant à se positionner face aux acteurs américains comme Physical Intelligence (Pi-0), NVIDIA (GR00T N2) ou Figure (Helix), ainsi qu'aux humanoïdes concurrents tels qu'Optimus. Aucun acteur français ou européen n'apparaît dans cette annonce. La suite dépendra de l'adoption réelle du protocole ECP par des développeurs tiers et de déploiements pilotes concrets sur les nouvelles plateformes Apex et Ferrata, dont aucun calendrier précis n'a été communiqué.

IA physique⚡Actu

1 source

42

132236Kr 

Nvidia devient premier partenaire mondial de simulation tactile, nouveau financement de centaines de millions et commandes multipliées par quatre au premier semestre

La société pékinoise Tashan Technology (他山科技) a bouclé un tour de série B de plusieurs centaines de millions de yuans, avec la participation de Joyson Electronics, Taiping Innovation, AUX, Pengling, Lavender Hill Capital Partners (LHCP) et Hongshan Capital, ainsi qu'un réinvestissement des actionnaires historiques Daoshi Technology et Binfu Capital. Les fonds serviront à l'itération des capteurs et puces tactiles, au déploiement de solutions par secteur et à la construction d'une plateforme d'entraînement tactile. Fondée en 2017, l'entreprise développe une pile complète de perception tactile pour robots, du silicium à l'application : une équipe issue de Tsinghua et de l'université de Manchester, avec Steve Furber, co-inventeur de l'architecture ARM, comme chercheur en chef, et un laboratoire commun avec Manchester créé dès 2019. Son produit phare est une puce mixte analogique-numérique basée sur un réseau de neurones à impulsions, conçue pour un traitement tactile embarqué à faible latence ; une nouvelle génération vient d'être gravée avec lancement prévu au troisième trimestre 2026. Les capteurs TS-F (bout de doigt, résolution de force de 0,01 N, reconnaissance de plus de 30 matériaux sans contact) et TS-E (pince) ont vu leur fréquence de mesure multipliée par 3 à 4 cette année. Deux centres de collecte de données ont ouvert à Pékin et dans le Hubei en mars et mai 2026, et la société se présente comme premier partenaire mondial de simulation tactile de Nvidia Isaac Sim, avec un moteur open source sur MuJoCo. Selon l'entreprise, les commandes de capteurs tactiles atteignaient fin mai déjà quatre fois le chiffre d'affaires annuel 2025, pour plus de 180 clients incluant Galbot, Xingdong Jiyuan ou BrainCo, et une part de marché revendiquée supérieure à 80 % sur les capteurs tactiles pour mains robotiques humanoïdes. Ces chiffres, invérifiés indépendamment, illustrent néanmoins un basculement réel du secteur : le taux d'équipement tactile des mains articulées serait passé d'environ 20 % à plus de 60 % en un an, un rythme d'adoption rare pour un composant matériel. Cela confirme une hypothèse qui circulait dans l'IA incarnée sans preuve solide jusqu'ici : sans retour de force, la boucle perception-action ne se referme pas sur des tâches de manipulation fine, et la seule vision ne suffit pas à saisir des objets fragiles ou déformables. Que des fournisseurs de modèles achètent désormais des capteurs en volume pour entraîner leurs systèmes tactiles renforce l'idée que la donnée tactile devient une ressource aussi disputée que la vidéo de démonstration, avec des conséquences directes de coût et de fiabilité pour les intégrateurs qui équipent des mains robotiques. Le partenariat le plus marquant reste la collaboration avec Richard Sutton, lauréat du prix Turing et figure fondatrice de l'apprentissage par renforcement, autour d'un projet baptisé "jardin d'enfants pour robots", visant à faire apprendre aux machines par essai-erreur tactile en environnement réel. Tashan prévoit que son activité robotique dépassera l'automobile de 3 à 4 fois en 2026, pour environ deux tiers du chiffre d'affaires, et anticipe une vague d'algorithmes et de modèles tactiles commerciaux à partir de 2027, un calendrier qui reste, comme les autres métriques, à confirmer par les livraisons effectives.

Chine/Asie⚡Actu

1 source

36

1323Interesting Engineering 

Force Aérienne américaine déploie drones et robots au sol pour accélérer l'inspection des avions autonomes

Asylon a obtenu un contrat de Phase Trois du Warner Robins Air Logistics Complex, l'un des plus grands centres de maintien en condition opérationnelle de l'US Air Force, pour déployer son système d'inspection autonome d'aéronefs baptisé MARIA (Multi-modal Autonomous Robotics for Inspection of Aircraft). Ce contrat fait passer la technologie du stade de développement à un usage opérationnel réel sur l'une des bases de sustentation majeures de l'armée de l'air américaine. MARIA combine deux plateformes robotiques : le drone Guardian, un petit système aérien sans pilote (sUAS), et le DroneDog Q-UGV, un robot terrestre à quatre pattes. Les deux évoluent grâce au logiciel d'autonomie Range d'Asylon et remontent leurs données vers la plateforme de commandement DroneIQ, qui centralise imagerie, nuages de points LiDAR et télémétrie dans des vues 2D classiques comme dans des jumeaux numériques interactifs. Concrètement, les équipes de maintenance pourront confier des missions d'inspection visuelle générale aux robots plutôt que de réaliser uniquement des tours d'appareil manuels, les résultats étant ensuite transmis aux techniciens pour analyse. L'enjeu dépasse le simple gadget technologique : il s'agit de démontrer qu'un système robotique aérien-terrestre coordonné peut tenir la charge d'inspections répétitives sur une flotte militaire réelle, sans mobiliser davantage de personnel. Pour les intégrateurs et décideurs de la maintenance industrielle, ce déploiement à Warner Robins constitue un test grandeur nature du passage de la démonstration à l'usage récurrent, un point de bascule que beaucoup de projets de robotique d'inspection peinent à franchir. Si le système tient ses promesses de réduction du temps d'inspection et de plus grande homogénéité des relevés, cela validerait l'approche multimodale (air plus sol, données unifiées dans un même hub logiciel) comme modèle réplicable pour d'autres flottes de maintenance, militaires ou civiles. Reste que les gains annoncés en termes de rapidité et de fiabilité n'ont pas encore été chiffrés publiquement dans ce cadre opérationnel précis, ce qui invite à attendre des retours concrets avant de parler de succès avéré. Ce contrat s'inscrit dans la continuité d'une relation déjà établie entre Asylon et l'Air Force, qui utilisait jusqu'ici les plateformes robotiques de l'entreprise principalement pour des missions de sécurité autonome sur ses bases. L'extension vers la maintenance aéronautique marque une diversification stratégique pour Asylon, qui cherche à démontrer que sa pile technologique (drones, robots terrestres, logiciel de commandement) peut s'appliquer à d'autres cas d'usage industriels critiques. Anthony McCarty, vice-président senior en charge des activités gouvernementales chez Asylon, a présenté cet accord comme un signe de confiance de l'Air Force envers ses plateformes. Warner Robins servira de site pilote avant une éventuelle extension à d'autres centres de sustentation de la défense américaine, la suite dépendant des résultats de cette phase de démonstration en environnement opérationnel réel.

Industriel⚡Actu

1 source

48

1324MIT News Robotics 

New flapping robot nage et vole comme un oiseau plongeur

Une équipe du MIT et de l'EPFL à Lausanne a mis au point un robot volant capable de plonger dans l'eau puis de reprendre son envol, imitant les oiseaux plongeurs comme les macareux, les huarts ou les puffins. Baptisé FAAV (flapping-wing aerial-aquatic vehicle), l'engin pèse moins de 300 grammes et se compose d'un fuselage central, de deux ailes battantes flexibles et d'une queue orientable, ces éléments pouvant être remplacés par différentes tailles selon les besoins. Les essais ont été menés dans un bassin puis sur un lac, où les chercheurs ont identifié les combinaisons de taille d'ailes, de fréquence de battement et d'angle de queue permettant une transition fluide entre la nage sous-marine, le franchissement de la surface et le vol aérien. Les résultats, publiés le 9 juillet 2026 dans la revue Science, s'appuient notamment sur l'observation que les petits oiseaux plongeurs battent des ailes environ 10 fois par seconde dans l'air et 4 fois par seconde sous l'eau, une fréquence légèrement inférieure chez les espèces plus grandes en raison de leur envergure. L'étude est menée par Raphael Zufferey, professeur assistant en génie mécanique au MIT et responsable de l'AURA Lab, avec des co-auteurs de l'EPFL et du Northwest Indian College à Bellingham (État de Washington). L'intérêt de ce robot dépasse la simple prouesse mécanique : il démontre qu'une plateforme robotique mobile peut reproduire la transition air-eau que seule une centaine d'espèces d'oiseaux savent exécuter dans la nature, une bascule rendue complexe par le fait que l'eau est mille fois plus dense que l'air. Pour l'océanographie et la biologie marine, cela ouvre la voie à une nouvelle catégorie de drones capables d'aller prélever des échantillons ou effectuer des mesures dans des zones difficiles d'accès pour les navires classiques (icebergs, ports, zones fréquentées par des cétacés), à un coût nettement inférieur aux méthodes actuelles. C'est aussi une validation concrète que l'approche bio-inspirée, en s'appuyant sur des données de vol réelles issues d'oiseaux plongeurs, peut se traduire en un système robotique fonctionnel et pas seulement en simulation. Le projet s'inscrit dans les travaux de l'AURA Lab du MIT, spécialisé dans les véhicules aériens et aquatiques inspirés de la biomécanique animale pour surveiller la santé des océans et des cours d'eau de façon peu intrusive. Zufferey et son équipe avaient d'abord recensé dans la littérature scientifique les données de vol de puffins, pétrels et martins-pêcheurs avant de concevoir un robot calé sur ces fréquences de battement naturelles. Les auteurs présentent ce projet comme une première étape vers des flottes de drones lancés depuis un bateau ou la côte, capables d'alterner vol et plongée pour la collecte de données environnementales, sans toutefois annoncer à ce stade de calendrier de déploiement opérationnel.

Recherche❖Paper

1 source

49

1325Interesting Engineering 

NVIDIA étend LeRobot (open source) avec des outils IA humanoïde pour accélérer le développement des robots

NVIDIA et Hugging Face élargissent leur collaboration autour de LeRobot, la plateforme robotique open source de Hugging Face, avec l'ajout de deux nouveaux outils. Le premier est NVIDIA Isaac GR00T 1.7, présenté par NVIDIA comme son premier modèle de fondation robotique vision-langage-action (VLA) ouvert et commercialement exploitable, conçu pour simplifier le post-entraînement et le déploiement sur différents designs de robots. Le second est NVIDIA Isaac Teleop, un framework open source permettant de collecter des données d'entraînement de haute qualité via des démonstrations humaines avec des dispositifs de contrôle externes, dans un format standardisé et partageable au sein de l'écosystème LeRobot. Un troisième modèle, Cosmos 3, dédié à la génération de données synthétiques et à la simulation d'environnements, sera intégré ultérieurement. Ces annonces s'appuient sur des briques déjà disponibles sur LeRobot, dont un jeu de données ouvert de plus de 350 000 trajectoires robotiques réelles et simulées et 57 millions d'exemples de préhension, ainsi que les outils de simulation Isaac Sim et Isaac Lab, l'environnement Isaac Lab-Arena pour l'entraînement de politiques, et l'intégration du calculateur embarqué Jetson Thor sur le robot humanoïde Reachy 2. NVIDIA a par ailleurs récemment lancé Halos for Robotics, une plateforme de sécurité complète associant matériel, logiciel, capteurs et outils de validation pour les robots autonomes évoluant aux côtés d'humains. Pour l'industrie robotique, l'enjeu affiché est de reproduire pour la robotique la dynamique d'ouverture qui a accéléré le développement en IA logicielle, où le partage de modèles et de jeux de données a fait baisser les coûts d'entrée. NVIDIA met en avant la connexion entre sa communauté de plus de trois millions de développeurs robotiques et les seize millions de développeurs IA de Hugging Face, dans le but de standardiser un flux de travail encore fragmenté, entre collecte de données coûteuse, simulation, puissance de calcul et validation. Si ces chiffres de communauté restent des éléments de communication à prendre avec prudence, l'initiative traduit une tendance de fond: la bascule des modèles VLA de la démonstration marketing vers des briques réutilisables et déployables par des tiers, un test concret de la promesse d'un "sim-to-real" et d'une généralisation multi-robots qui reste à prouver à grande échelle. L'initiative prolonge le partenariat déjà engagé entre les deux entreprises autour de LeRobot et des outils de simulation NVIDIA Isaac, dans un secteur où les modèles fondation pour la robotique se multiplient face à des approches concurrentes comme Pi-0 ou GR00T N2. Les prochaines étapes attendues concernent l'arrivée effective de Cosmos 3 sur la plateforme et l'élargissement du catalogue de robots et de tâches supportés via Isaac Teleop et le jeu de données partagé.

IA physique⚡Actu

1 source

40

1326MIT News Robotics 

Robots-bateaux miniatures construisent des structures flottantes

Un petit robot flottant modulaire signé MIT : voici la traduction-résumé demandée. Une équipe du MIT CSAIL, dirigée par Daniela Rus et Carlo Ratti, a développé FloatForm, un essaim de petits robots-bateaux carrés capables de s'assembler seuls pour former des structures flottantes plus grandes, de se désassembler, puis de se reconfigurer selon les besoins. Chaque unité mesure 21 centimètres de côté, à peu près la taille d'une assiette, et embarque ses propres propulseurs, capteurs et loquets magnétiques pour s'accrocher à ses voisins. Les travaux, publiés en accès libre dans Nature Communications, sont menés par Wei Wang, ancien chercheur du MIT qui dirige désormais le Marine Robotics Lab de l'université du Wisconsin à Madison, avec la contribution d'Alejandro Gonzalez-Garcia et de Niklas Hagemann, doctorant en architecture au MIT. Le projet prolonge Roboat, l'initiative conjointe du MIT et de l'Amsterdam Institute for Advanced Metropolitan Solutions (AMS) qui avait mis des bateaux autonomes grandeur nature sur les canaux d'Amsterdam. L'enjeu dépasse la démonstration technique : la plupart des systèmes d'auto-assemblage robotique existants, sur l'eau comme ailleurs, dépendent d'un ordinateur central qui dicte chaque mouvement, une architecture fragile en cas de panne et qui ne passe pas à l'échelle, le calcul de planification explosant avec le nombre de robots et l'assemblage devant se faire séquentiellement pendant que la majorité de la flotte reste inactive. FloatForm inverse la logique en s'inspirant des fourmis de feu, capables de former des radeaux flottants sans chef d'orchestre, chaque insecte suivant des règles locales simples. Le système du MIT ne fait intervenir un planificateur central que de façon minimale, laissant chaque robot agir comme un agent quasi autonome. Pour l'industrie robotique et les urbanistes, l'intérêt est de rendre le front de mer programmable à la demande : un pont temporaire après une catastrophe, un marché flottant, une scène de festival qui apparaît puis disparaît, sans infrastructure fixe coûteuse. Le projet s'inscrit dans la continuité de Roboat, qui avait exploré si les canaux d'Amsterdam, autrefois voie de transport de marchandises et aujourd'hui largement dédiés au tourisme, pouvaient servir à la collecte de déchets ou au transport pour soulager la circulation routière. FloatForm miniaturise cette ambition à l'échelle d'une table pour résoudre un problème plus fondamental : comment coordonner des dizaines, puis potentiellement des milliers, de robots flottants sans supervision centralisée lourde. Les chercheurs présentent la ville comme un espace public capable de s'étendre, se contracter ou se reconfigurer sur l'eau à la demande, une piste que l'équipe du CSAIL et du Senseable City Lab entend maintenant pousser vers des essaims plus nombreux et des structures plus complexes.

Recherche❖Paper

1 source

36

132736Kr 

Toengine Wanxun dévoile un moteur universel de recharge "Roulevo" : première solution de service chaotique avec "tolérance de déformation nulle en 0,000 s", résolution complète pour toutes les catégories

Wanxun Technology (万勋科技), société chinoise spécialisée en robotique, a organisé le 9 juillet 2026 à Pékin une conférence stratégique consacrée à la recharge automatique de véhicules électriques. L'entreprise y a présenté « Roufeng Chong » (柔韧充), un moteur de service universel pour la recharge automatisée, censé couvrir à la fois les usages publics, professionnels et domestiques avec une même architecture technique. Le système repose sur la plateforme Pliabot®, une structure d'actionnement souple et compressible associée à une IA multimodale que la société appelle « neuronale », permettant selon elle un temps de réaction quasi instantané au premier point de contact entre le bras et le véhicule. Deux gammes de produits en découlent : CF1, une borne fixe, et CS1, un connecteur mobile sur rail. Trois déploiements sont mis en avant comme démonstrations de référence : une station de recharge publique dans le parc biomédical international de Yizhuang à Pékin, ouverte à tous les modèles et ayant déjà traité plus de 130 modèles de véhicules différents pour environ 3 millions de sessions de charge cumulées ; des essais menés à 5 190 mètres d'altitude, sous une pression atmosphérique d'environ 53 % de la normale, présentés comme un test en conditions extrêmes ; et un robot domestique compact de 10 centimètres d'épaisseur doté de 18 degrés de liberté, annoncé comme interopérable avec le système embarqué Tesla, installable en 30 minutes par l'utilisateur, avec une commercialisation prévue au second semestre 2026 et un lancement international visé pour le CES de janvier 2027. L'enjeu dépasse la simple démonstration technologique : la recharge automatique bute depuis des années sur l'écart entre prototypes contrôlés et environnements réels, où la diversité des marques, des emplacements de trappe, des angles de stationnement et des perturbations (piétons, portières, intempéries) rend les bras robotiques rigides peu fiables à grande échelle. En misant sur une structure passivement souple plutôt que sur une précision purement algorithmique, Wanxun cherche à répondre à ce problème avec un nombre limité de produits couvrant tous les scénarios, plutôt qu'une solution sur mesure par cas d'usage. Si les volumes annoncés pour la station de Pékin se confirment, il s'agirait d'un signal notable pour un secteur encore largement au stade pilote. Il faut toutefois noter que le chiffre de « 0,000 seconde » de temps de réaction relève davantage de l'argument marketing que d'une mesure physique littérale : il désigne une réponse mécanique quasi immédiate de la structure souple, non une latence nulle au sens strict. La recharge automatisée fait l'objet de tentatives depuis plusieurs années, du bras-serpent expérimental présenté par Tesla en 2015 à divers prototypes chinois et occidentaux, sans qu'aucun acteur n'ait jusqu'ici démontré un déploiement multi-marques à grande échelle en conditions réelles. Wanxun se positionne face à des architectures concurrentes fondées sur des bras rigides et une planification de trajectoire de haute précision, en misant sur la conformité mécanique passive comme réponse à l'incertitude du terrain. L'entreprise indique poursuivre des partenariats avec constructeurs automobiles, opérateurs de stations, acteurs des infrastructures énergétiques, flottes de robotaxis et robobus, ainsi que des collectivités locales, pour étendre ces déploiements aux mines, ports, hubs de transport et zones résidentielles, avec comme prochaine échéance commerciale le lancement du produit domestique fin 2026 puis sa présentation internationale au CES 2027.

Chine/Asie⚡Actu

1 source

40

1328Interesting Engineering 

Le premier simulateur open source au monde élargit l'accès à la recherche avancée en robotique spatiale

L'université Rice et la NASA ont dévoilé lors de la conférence ICRA 2026 à Vienne le premier simulateur open source au monde dédié à la robotique intravéhiculaire, baptisé iMETRO Dynamic Simulation. Développé conjointement par une équipe de Rice et du Johnson Space Center, l'outil reproduit sous forme de jumeau numérique haute fidélité l'installation physique iMETRO de la NASA, avec ses maquettes grandeur nature d'intérieurs de vaisseaux spatiaux et d'habitats lunaires. Le cœur du simulateur repose sur un modèle détaillé de manipulateur robotique à huit degrés de liberté (8-DOF), représentatif des plateformes utilisées pour les opérations spatiales. La plateforme s'appuie sur ROS 2 et sur le moteur physique MuJoCo, permettant d'utiliser les mêmes modèles de robots dans les deux environnements sans modification majeure, et intègre un outil de conversion facilitant le passage du logiciel de la simulation vers le robot réel. Lors d'une démonstration, l'équipe a développé une application robotique entièrement en simulation puis l'a déployée sur l'installation physique iMETRO en moins d'une journée. Cette ouverture change la donne pour un secteur de la recherche spatiale historiquement bridé par l'absence d'environnements de simulation publics capables de reproduire fidèlement les contraintes de manipulation en microgravité et dans des espaces confinés. Jusqu'ici, l'essentiel des développements reposait sur des outils propriétaires ou un accès restreint aux installations d'essai de la NASA, ce qui limitait la collaboration entre laboratoires et ralentissait l'innovation. En rendant ce jumeau numérique accessible gratuitement, Rice et la NASA permettent à des équipes de recherche du monde entier de concevoir, tester et valider des logiciels robotiques sans avoir besoin d'un accès physique au Johnson Space Center. Le transfert simulation-vers-réel effectué en moins de 24 heures constitue une validation concrète de la fidélité du jumeau numérique, un point souvent contesté dans les annonces de ce type, et illustre un raccourcissement réel des cycles de développement plutôt qu'une simple promesse marketing. Les robots manipulateurs visés doivent prendre en charge des tâches de logistique et de maintenance à bord des vaisseaux et futurs habitats lunaires, comme le transport de fournitures, le déplacement de cargaisons ou le rangement d'équipements, afin de réduire la charge de travail des astronautes lors des missions longue durée vers la Lune et au-delà. La maintenance et la logistique routinières occupent en effet une part importante du temps d'équipage, et leur automatisation partielle libérerait du temps pour la recherche scientifique. Cette initiative s'inscrit dans une dynamique plus large de développement d'architectures modulaires permettant de tester rapidement de nouveaux logiciels et configurations matérielles dans des maquettes de vaisseaux reconfigurables, sans dépendre des créneaux d'accès limités aux infrastructures physiques de la NASA.

Infrastructure⚡Actu

1 source

31

1329Robotics & Automation News 

Doosan Robotics lance une solution de palettisation basée sur l'IA pour la fabrication à mix élevé

I only have the title and a truncated snippet ("[…]") of this article, not the full body, I can't accurately produce a 200-250 word French article with precise figures from that. Do you have the full source text (or a URL) I can work from?

Industriel⚒Outil

1 source

50

1330Pandaily 

L'Unitree et l'UBTECH : deux expériences commerciales divergentes pour les robots humanoïdes chinois en 2026

L'industrie chinoise des robots humanoïdes a atteint un tournant en juillet 2026, avec deux entreprises leaders adoptant des stratégies de commercialisation radicalement opposées. Unitree Robotics, basée à Hangzhou et connue pour ses robots quadrupèdes, a obtenu l'approbation de son introduction en bourse sur le STAR Market de Shanghai, levant plus de 5,9 milliards de dollars. L'entreprise vise 20 000 livraisons de robots humanoïdes cette année. Son modèle G1, vendu à partir de 13 500 dollars, dispose de plus de 30 degrés de liberté, d'une navigation autonome et de capacités de préhension complexes. Ce prix casse d'un ordre de grandeur celui de l'Atlas de Boston Dynamics (estimé à plusieurs millions de dollars l'unité) et celui de l'Optimus de Tesla. Unitree doit cet avantage à son expérience de fabricant de robots quadrupèdes, dont elle a écoulé des dizaines de milliers d'exemplaires dans le monde, ce qui lui a permis d'affiner sur plusieurs générations les chaînes d'approvisionnement chinoises en réducteurs, moteurs brushless à forte densité de puissance, systèmes micro-hydrauliques et capteurs. Les fonds levés serviront à agrandir sa méga-usine du delta du Yangtsé et à développer WVLA 2.0, son modèle fondationnel World-Video-Language-Action. À l'opposé, UBTECH a dévoilé sa série YouWorld U1, des robots compagnons présentés comme hyperréalistes, avec une réplication annoncée au pore près de la peau et des vaisseaux sanguins sous-cutanés, pilotés par des modèles de langage à visée émotionnelle. Facturé jusqu'à 140 000 dollars dans ses versions haut de gamme, le U1 a déjà enregistré plus de 13 000 commandes en quelques jours auprès d'une clientèle fortunée, un chiffre à prendre avec prudence tant qu'aucune livraison effective n'est confirmée. Ces deux trajectoires illustrent la tension centrale de la commercialisation de l'IA incarnée. Unitree mise sur une logique fordiste, faisant baisser les coûts grâce à la maîtrise de sa chaîne d'approvisionnement pour rendre les humanoïdes accessibles aux usines, aux entrepôts, puis potentiellement aux foyers. UBTECH parie au contraire sur un compagnon émotionnel haut de gamme, façon Westworld, misant sur l'idée que le lien affectif entre humain et robot justifie un prix élevé. Pour les intégrateurs et décideurs industriels, l'écart entre le G1 à 13 500 dollars et les millions facturés par Boston Dynamics ouvre la voie à des déploiements à grande échelle en logistique et en manufacture, à condition que les capacités annoncées tiennent la route en conditions réelles au-delà des démonstrations. Le pari d'UBTECH teste une hypothèse différente et largement inexplorée commercialement : que des particuliers aisés paient une prime importante pour une présence robotique à forte charge émotionnelle plutôt que pour une utilité productive. Menées en parallèle sur le même marché chinois, ces deux expériences généreront des données précieuses sur la question de savoir si la robotique humanoïde se développe d'abord par la baisse des coûts ou par la création de valeur émotionnelle. Unitree s'est imposé ces dernières années comme le principal fabricant mondial de robots quadrupèdes avant de basculer vers l'humanoïde en capitalisant sur cette base industrielle et logicielle. UBTECH, acteur établi de la robotique de service et d'éducation en Chine coté à Hong Kong, investit désormais massivement dans l'IA émotionnelle pour se différencier sur un marché où la concurrence industrielle se durcit. Les deux entreprises bénéficient d'un écosystème chinois particulièrement dense en moteurs, capteurs, batteries et puces de calcul, un avantage structurel que peu d'acteurs occidentaux, à commencer par Boston Dynamics ou Tesla, peuvent répliquer à ce coût. La suite dépendra de la capacité d'Unitree à tenir son objectif de 20 000 unités livrées en 2026 et à démontrer que WVLA 2.0 fonctionne au-delà des vidéos de démonstration, ainsi que de la capacité d'UBTECH à honorer ses premières commandes du U1 et à prouver que la demande pour des compagnons hyperréalistes dépasse l'effet de curiosité initial.

Chine/Asie❧Opinion

1 source

44

1331arXiv cs.RO 

HiMoE-VLA : mélange hiérarchique d'experts pour des politiques VLA généralistes

Des chercheurs ont publié début décembre 2025 sur arXiv une nouvelle architecture baptisée HiMoE-VLA (Hierarchical Mixture-of-Experts for generalist Vision-Language-Action policies), avec code et modèles en accès libre sur GitHub (ZhiyingDu/HiMoE-VLA). Le problème visé : les politiques VLA généralistes sont entraînées sur des mélanges hétérogènes de démonstrations robotiques couvrant des embodiments, espaces d'action et configurations de capteurs différents, ce qui provoque un "transfert négatif" quand un module d'action dense unique doit absorber cette diversité. HiMoE-VLA répond avec un module d'action hiérarchique à mélange d'experts : des couches Action-Space MoE en entrée/sortie spécialisent le calcul par espace d'action, des couches Heterogeneity-Balancing MoE dans les couches voisines absorbent les variations résiduelles de scènes et d'embodiments, et des blocs Transformer denses au centre intègrent les représentations partagées. Deux objectifs auxiliaires guident l'entraînement : une régularisation contrastive par espace d'action pour la spécialisation aux frontières, et un objectif d'équilibrage de charge entre experts. Sur les bancs d'essai, le modèle atteint un score de 3,98 sur CALVIN, 98,0 % de réussite sur LIBERO, et respectivement 75,0 % et 63,7 % de succès moyen sur des tâches réelles avec un bras xArm7 et une plateforme ALOHA. Le résultat le plus significatif tient moins aux scores bruts qu'à la démonstration, en co-entraînement hétérogène contrôlé, que HiMoE-VLA transforme en transfert positif ce qui reste un transfert négatif chez des bases de référence pourtant robustes. C'est un signal notable pour le secteur : l'un des obstacles récurrents à l'entraînement de politiques VLA "généralistes" est justement la difficulté à mélanger des jeux de données robotiques disparates, bras différents, capteurs différents, espaces d'action différents, sans dégrader les performances par rapport à des modèles spécialisés par plateforme. Pour les équipes qui construisent des fondations robotiques multi-embodiment, à l'image de ce que visent Physical Intelligence avec pi-0, NVIDIA avec GR00T N2 ou Figure avec Helix, la capacité à absorber l'hétérogénéité des données sans coût de performance est un enjeu direct de scalabilité : moins de collecte de données spécifiques par plateforme pour chaque nouveau déploiement industriel. HiMoE-VLA s'inscrit dans la lignée des architectures Vision-Language-Action apparues ces deux dernières années pour doter les robots de politiques de contrôle génériques, entraînées comme des modèles de fondation plutôt que comme des contrôleurs tâche par tâche. Le recours aux mélanges d'experts, déjà répandu dans les grands modèles de langage pour augmenter la capacité sans exploser le coût de calcul, est ici adapté spécifiquement au problème de l'hétérogénéité des données robotiques, via une hiérarchie à trois niveaux plutôt qu'un simple routage plat. Le papier, référencé arXiv:2512.05693, est une version révisée d'un travail antérieur, et les auteurs s'appuient sur CALVIN, LIBERO ainsi que des essais réels sur xArm7 et ALOHA comme bancs de test. Code et modèles étant publiés en open source, la validation indépendante par la communauté robotique déterminera si les gains observés se généralisent au-delà des bancs d'essai contrôlés vers des déploiements industriels réels.

Recherche⚡Actu

1 source

44

1332arXiv cs.RO 

Pelican-VLA 0.5 : l'attention avant l'action améliore la généralisation

Pelican-VLA 0.5, un nouveau modèle VLA (vision-langage-action) présenté dans un rapport arXiv publié début juillet, unifie dans une seule architecture la compréhension vision-langage, la génération de trames futures et la prédiction d'action. Sa caractéristique centrale : sans annotations d'objets, sans masques de segmentation, sans supervision explicite de l'attention ni fine-tuning spécifique à la tâche, le module d'action du modèle se concentre spontanément sur l'objet pertinent pour l'instruction et sur sa zone de contact. Ce comportement se maintient sur des scènes inédites et sur des embodiments robotiques jamais vus à l'entraînement, et il est nettement plus marqué que chez les autres modèles VLA open source testés en comparaison. Les auteurs attribuent cette capacité à un module qu'ils nomment Reasoning Slots, inséré entre les étages de perception et d'action. Cette découverte touche un point sensible de l'industrie des VLA : jusqu'ici, obtenir qu'un modèle regarde le bon objet avant de le manipuler exigeait souvent une supervision lourde, annotations manuelles, masques de segmentation ou fine-tuning tâche par tâche, ce qui limite le passage à l'échelle et la généralisation à de nouveaux robots ou environnements. Si l'attention correcte émerge directement de l'architecture plutôt que de données d'entraînement coûteuses, cela réduit la dépendance à l'ingénierie de données et s'attaque directement à l'écart persistant entre démonstrations en laboratoire et déploiement réel, un sujet central pour les intégrateurs qui évaluent des piles VLA comme Pi-0, GR00T N2 ou Helix. Techniquement, les Reasoning Slots agissent comme un goulot d'étranglement compact qui force l'information visuelle pertinente pour la tâche à transiter par un nombre limité de canaux, ce qui induit une attention centrée sur la manipulation dès le pré-entraînement. Les auteurs montrent que ce mécanisme reste efficace même appliqué à des architectures de politique différentes, y compris un style Mixture-of-Transformers (MoT). Il s'agit pour l'instant d'un rapport de recherche déposé sur arXiv (arXiv:2607.06655v1), sans annonce de produit commercial ni de déploiement industriel associé.

IA physique⚡Actu

1 source

44

1333arXiv cs.RO 

GrandTour : un jeu de données de robotique à pattes en conditions réelles pour la perception multimodale et l'estimation d'état

Des chercheurs publient GrandTour, un jeu de données massif dédié à la perception multimodale et à l'estimation d'état pour robots quadrupèdes, disponible sur grand-tour.leggedrobotics.com au format HuggingFace (indépendant de ROS) ainsi qu'en formats ROS. La plateforme utilisée est un ANYmal-D d'ANYbotics équipé de la charge utile capteurs Boxi, combinant LiDAR rotatif, plusieurs caméras RGB aux caractéristiques complémentaires, capteurs proprioceptifs et caméras de profondeur stéréo, le tout synchronisé temporellement. Les données ont été collectées sur des sites très variés : environnements alpins, forêts, bâtiments démolis et zones urbaines, couvrant une large gamme d'échelles, de conditions d'éclairage et de météo. Point clé pour la fiabilité scientifique : les trajectoires de référence (ground truth) proviennent de GNSS RTK par satellite et d'une station totale Leica Geosystems, offrant une précision de localisation bien supérieure aux méthodes d'estimation embarquées classiques. Selon les auteurs, il s'agit du plus grand jeu de données en accès libre jamais publié pour la robotique à pattes. Ce type de ressource comble un manque criant dans la recherche en robotique légère : jusqu'ici, aucun jeu de données public à grande échelle ne permettait de développer et de comparer rigoureusement des algorithmes de SLAM, d'estimation d'état et de fusion de capteurs pour des quadrupèdes évoluant en conditions réelles, hors laboratoire. Pour les équipes travaillant sur la navigation autonome de robots à pattes, en particulier dans des environnements non structurés (chantiers, sites industriels accidentés, terrains extérieurs), GrandTour offre un benchmark commun et une vérité terrain de précision géodésique, rare dans ce domaine. C'est un signal que la communauté cherche à standardiser l'évaluation des systèmes de perception embarqués, plutôt que de se fier à des démonstrations isolées difficiles à reproduire. Le projet s'inscrit dans la lignée des travaux du Robotic Systems Lab, à l'origine de la plateforme ANYmal, aujourd'hui commercialisée par ANYbotics, acteur suisse reconnu de la robotique quadrupède industrielle aux côtés de Boston Dynamics (Spot) et Unitree. La publication constitue une mise à jour (version 3) d'un article déposé sur arXiv sous la référence 2602.18164. Les auteurs annoncent la mise à disposition d'outils et de ressources de démonstration pour faciliter l'adoption du jeu de données par la communauté SLAM et apprentissage multimodal, sans toutefois préciser de calendrier pour d'éventuelles extensions futures du corpus.

Recherche❖Paper

1 source

43

1334arXiv cs.RO 

NativeMEM : compression native de la mémoire pour la manipulation robotique long horizon

Des chercheurs présentent, dans un preprint publié sur arXiv début juillet 2026, NativeMEM, une politique Vision-Language-Action (VLA) dotée d'une mémoire longue durée mise à jour en temps réel. Le cœur du système, baptisé Native Memory Compression, réutilise l'encodeur visuel du VLA lui-même pour compresser chaque image historique de chaque caméra en un unique token, ajouté à la séquence d'entrée du modèle. Cette approche permet au VLA préentraîné d'exploiter un historique long avec un surcoût de latence négligeable, sans planificateur externe ni module mémoire réinitialisé à part. L'entraînement se fait en deux temps : d'abord un tokenizer de mémoire générique, entraîné sous la supervision d'un VLA gelé sur des données exigeantes en mémoire, puis un dégel complet du modèle pour un fine-tuning spécifique à la tâche. Les résultats annoncés sont marqués : le taux de réussite passe de 32,4% à 84,0% en simulation, et grimpe jusqu'à 98,7% sur robots réels, avec une latence d'inférence et une consommation GPU maîtrisées. Le système atteint aussi des performances comparables aux méthodes précédentes en n'utilisant que 20% des données d'entraînement. L'enjeu adressé est concret pour la manipulation robotique longue horizon, un point dur reconnu du secteur : les VLA préentraînés peinent à retenir un historique visuel étendu à haute fréquence de mise à jour sans sacrifier leur réactivité, et les solutions de gestion mémoire externe existantes limitent soit l'horizon temporel, soit la vitesse de réaction. Que la compression tienne dans l'encodeur visuel déjà présent, sans architecture séparée, va à l'encontre de l'hypothèse répandue qu'une mémoire longue nécessite un module dédié coûteux à entraîner. Le saut de performance observé, notamment sur robots réels et non seulement en simulation, est le signal à surveiller pour les intégrateurs qui cherchent à dépasser les tâches courtes et réactives. Ce travail s'inscrit dans la vague de recherche actuelle sur les architectures VLA à mémoire pour la manipulation robotique, un axe activement exploré en parallèle des efforts de robots humanoïdes commerciaux. Le papier n'ayant pas encore été relu par les pairs, ses chiffres restent à confirmer par des évaluations indépendantes ; les prochaines étapes attendues concernent la généralisation à davantage de plateformes robotiques et de tâches multi-étapes en conditions réelles.

Recherche⚡Actu

1 source

42

1335arXiv cs.RO 

PriGo : guidage de primitives en temps de test pour les politiques de diffusion et de flux en manipulation robotique adaptative

Un nouveau papier arXiv (2607.07076v1) présente PriGo, un framework qui améliore les politiques de manipulation robotique basées sur diffusion et flow matching sans nécessiter de réentraînement. Le système repose sur PANet, un module léger qui infère des distributions de primitives d'action directement à partir des observations, couplé à un mécanisme de guidage différentiable qui corrige les trajectoires générées pendant l'inférence pour les aligner sur des comportements sémantiquement cohérents. Contrairement aux approches précédentes conditionnées par primitives, qui exigeaient des labels dès l'entraînement, PriGo s'intègre directement sur des politiques diffusion et flow déjà pré-entraînées. Les auteurs rapportent des gains de robustesse, d'exécution sur horizon long et de généralisation sur les benchmarks LIBERO, CALVIN et SIMPLER, ainsi que sur des tâches robotiques réelles. L'enjeu touche un point faible bien identifié des politiques par imitation apprises à partir de démonstrations: elles ont tendance à mémoriser des corrélations d'actions superficielles plutôt qu'à capturer l'intention sous-jacente du geste, ce qui limite leur transfert à de nouvelles tâches ou environnements. Pour les intégrateurs et les équipes de recherche en robotique, une méthode agissant uniquement au moment de l'inférence est particulièrement intéressante: elle évite le coût d'un réentraînement complet des grands modèles VLA, un frein pratique majeur au déploiement de ces politiques hors laboratoire. C'est un signal de plus que le secteur cherche des correctifs légers pour combler l'écart entre démonstrations en conditions contrôlées et exécution robuste en environnement réel. Ce travail s'inscrit dans la lignée des politiques visuomotrices génératives (diffusion, flow matching) qui ont dominé l'apprentissage par imitation en robotique ces dernières années, dans le sillage de modèles comme GR00T ou Pi-0. Il reste à ce stade une contribution académique, validée sur des benchmarks de simulation standards et des essais réels limités, sans indication de déploiement industriel ou d'intégration dans un produit commercial. Les auteurs ne précisent pas de calendrier pour une extension à d'autres plateformes robotiques.

IA physique⚡Actu

1 source

42

1336arXiv cs.RO 

GeoProp : ancrer l'état du robot dans la vision pour une manipulation généraliste

La proprioception, c'est-à-dire la connaissance par le robot de la position et de la vitesse de ses propres articulations, est généralement injectée dans les politiques de manipulation comme un simple vecteur numérique, sans lien explicite avec les images captées par les caméras. Des chercheurs de l'Alibaba DAMO Academy proposent GeoProp, un module léger et greffable qui corrige ce défaut en projetant géométriquement l'état du robot sur le plan image pour échantillonner les caractéristiques visuelles locales correspondantes, créant un "jeton d'état ancré" dans la scène. Le système injecte ensuite ces informations spatiales dans les caractéristiques visuelles via une modulation FiLM, et anticipe le mouvement en échantillonnant également les caractéristiques à une position future prédite à court terme à partir de la cinématique récente. Testé sur 67 tâches, GeoProp améliore Diffusion Policy de 8,7% sur 63 tâches en simulation, la politique pi0 de 4,0% sur un sous-ensemble RoboTwin, et apporte un gain moyen de 10,6% en conditions réelles sur les deux familles de politiques, pour un coût de seulement 2 à 3% de paramètres supplémentaires. Ce résultat cible un problème connu mais peu résolu du secteur des politiques génératives pour la manipulation robotique: sans ancrage explicite entre kinématique 3D et cartes de caractéristiques 2D, les modèles peinent à situer le bras ou la pince du robot dans la scène, au point de parfois moins bien performer que des politiques n'utilisant que la vision. Pour les intégrateurs qui déploient des politiques de type Vision-Language-Action (VLA) sur des tâches de préhension ou d'assemblage, ce type d'adaptateur plug-and-play est significatif car il s'insère dans des architectures existantes sans réentraînement complet ni changement de backbone, avec un surcoût de calcul marginal. Le problème de fusion proprioception-vision remonte aux premières politiques de manipulation par apprentissage par imitation, où l'état articulaire était généralement simplement concaténé aux caractéristiques visuelles en fin de réseau. L'essor récent des politiques génératives comme Diffusion Policy et des modèles VLA généralistes tels que pi0 (Physical Intelligence) ou GR00T N2 (NVIDIA) a remis cette question au centre des préoccupations, chaque laboratoire cherchant sa propre méthode d'alignement multimodal. Les auteurs positionnent GeoProp comme une brique générique compatible avec plusieurs familles de politiques plutôt qu'une architecture concurrente, et mettent à disposition une page projet dédiée, laissant présager une publication de code pour validation par la communauté.

IA physique❧Opinion

1 source

42

1337arXiv cs.RO 

Rapide apprentissage du contrôle de robots souples via un pas de temps implicite

Des chercheurs démontrent qu'un apprentissage rapide de politiques de contrôle pour robots souples est possible grâce au pas de temps implicite, une avancée jusqu'ici jugée hors de portée en raison du coût de calcul de la simulation de mécanique des milieux continus. Leur simulateur, DisMech, est un moteur généraliste entièrement implicite capable de gérer à la fois la dynamique des corps souples et les contacts frictionnels. L'équipe introduit aussi le contrôle par delta de courbure naturelle, une méthode analogue au contrôle delta de position articulaire des manipulateurs rigides, offrant un moyen intuitif d'appliquer des commandes lors de l'apprentissage. Testée sur quatre tâches de manipulation souple et comparée à Elastica, l'un des frameworks de simulation souple les plus répandus, l'approche atteint jusqu'à 6 fois la vitesse d'exécution sur les scénarios sans contact et jusqu'à 40 fois sur les scénarios riches en contact, avec 500 environnements simulés en parallèle. Une évaluation de l'écart sim à sim, entraînement dans un simulateur puis test dans un autre, confirme que ces gains de vitesse ne sacrifient pas la précision. Cette avancée s'attaque à un verrou connu du secteur : la simulation de corps rigides a permis l'essor massif de l'apprentissage par renforcement pour les robots articulés classiques, mais la robotique souple est restée à la traîne faute d'outils accessibles et rapides. Pour les chercheurs et industriels développant des préhenseurs souples, des trompes robotiques ou des manipulateurs continus destinés à la manutention délicate, ce travail suggère que l'apprentissage de politiques par simulation, longtemps réservé aux morphologies rigides, devient enfin praticable pour les morphologies déformables. Cela pourrait accélérer le transfert de techniques d'apprentissage de bout en bout vers des applications comme la préhension d'objets fragiles ou la chirurgie assistée, où la rigidité mécanique classique est un handicap. Le fossé entre simulateurs rigides matures et frameworks souples rudimentaires explique en partie le retard de la robotique douce sur l'apprentissage par simulation, un constat que ce travail cherche à combler en misant sur un solveur implicite plutôt que sur des approches explicites plus lentes comme Elastica. L'article, publié sur arXiv en version révisée (arXiv:2511.06667v2), s'inscrit dans une dynamique de recherche visant à doter la robotique souple d'outils logiciels aussi matures que ceux dont bénéficie la robotique rigide depuis des années, ouvrant la voie à de futurs benchmarks entre frameworks concurrents.

Recherche❖Paper

1 source

42

1338arXiv cs.RO 

Valider le rêve avant de faire confiance à son verdict : l'admissibilité des simulateurs à modèle du monde

Des chercheurs publient un nouveau cadre méthodologique pour évaluer la fiabilité des modèles de monde (World Models, WM) utilisés en robotique et en conduite autonome, dans un article arXiv (2607.07196) diffusé début juillet 2026. Le constat de départ : ces modèles génératifs, de plus en plus employés comme "oracles" pour tester des politiques d'action en simulant les conséquences de leurs décisions, rendent un verdict de succès ou de sécurité sans que leur propre fiabilité soit vérifiée. Les auteurs pointent une faille des métriques actuelles comme la Fréchet Video Distance (FVD), qui juge le réalisme visuel des vidéos générées mais ignore si le monde simulé réagit correctement aux actions testées, notamment celles absentes des données d'entraînement. Pour y remédier, ils proposent une "échelle d'admissibilité" en cinq niveaux (L0 à L4) que tout WM devrait franchir avant que ses verdicts en boucle fermée soient acceptés comme preuve d'assurance qualité. Le cadre, conçu pour être indépendant du type de robot, est testé sur deux modèles de monde dédiés à la conduite autonome. Le résultat le plus frappant : le modèle qui obtient le meilleur score en qualité visuelle de génération (niveau L0) se classe moins bien sur le suivi effectif des actions demandées (niveaux L1-L2). Autrement dit, la fidélité visuelle d'une simulation ne garantit pas sa robustesse à l'action, ce qui remet en cause l'usage de métriques purement esthétiques pour valider des systèmes destinés à juger des politiques de conduite ou de manipulation robotique en conditions réelles. Pour les industriels et intégrateurs qui misent sur les modèles génératifs pour accélérer les tests en sim-to-real, notamment dans le contexte des architectures VLA (vision-langage-action) où la simulation sert de banc d'essai avant déploiement physique, ce travail est un signal d'alerte méthodologique plutôt qu'une remise en cause technologique. L'approche s'appuie sur des pratiques éprouvées de la simulation critique pour la sécurité, comme la Vérification, Validation et Accréditation (VV&A), le cadre SOTIF (Safety of the Intended Functionality) et les normes de test par scénarios, déjà utilisées dans l'aéronautique et l'automobile. Les auteurs choisissent la conduite autonome comme premier terrain d'application car les méthodes d'assurance qualité pour la simulation classique y sont les plus matures, ouvrant la voie à une extension future vers d'autres domaines robotiques comme la manipulation ou l'humanoïde.

Recherche❖Paper

1 source

42

1339arXiv cs.RO 

SPECTRA : primitives de mouvement spectrales conditionnées par le contexte pour la généralisation des compétences robotiques

Des chercheurs proposent SPECTRA (Spectral Movement Primitive, SMP), un framework d'apprentissage par imitation dans le domaine fréquentiel pour la manipulation robotique, décrit dans un article publié sur arXiv (2607.06978v1). Le principe consiste à représenter les démonstrations de trajectoire par des coefficients de Fourier tronqués sur horizon fini, plutôt que par des points temporels bruts. Une bande de fréquences basses, sélectionnée empiriquement, capture la géométrie dominante du mouvement, tandis que les harmoniques plus élevées, responsables d'une croissance disproportionnée des dérivées (vitesse, accélération, jerk), sont écartées. Un modèle GMM/GMR (mélange de gaussiennes avec régression) conditionné par le contexte et sensible au référentiel prédit les coefficients de la bande de tâche dans un repère canonique ; la trajectoire cartésienne obtenue est ensuite convertie en espace articulaire via cinématique inverse séquentielle. Un régulateur couplé en phase limite la progression temporelle demandée sans toucher aux coefficients spectraux, imposant ainsi les limites de vitesse et d'accélération articulaires tout en conservant le chemin de l'effecteur. Les auteurs valident l'approche sur plusieurs critères (reconstruction de la bande de tâche, robustesse à des démonstrations corrompues, généralisation hors distribution entre repères non vus, admissibilité dynamique en espace articulaire, préservation du chemin) et un déploiement réel sur un bras Franka Panda. Le problème que cible SPECTRA est concret pour tout intégrateur en apprentissage par imitation : les pipelines classiques apprennent une trajectoire en espace de tâche puis lui imposent après coup des limites d'exécution (filtrage, lissage, écrêtage, mise à l'échelle temporelle), ce qui déforme souvent le chemin de l'effecteur jugé critique pour la tâche, par exemple lors d'un versement, d'une insertion de pièce ou du suivi d'un contour précis. En couplant génération de trajectoire et régulation dynamique dès la conception, dans le domaine fréquentiel, SPECTRA évite cette distorsion a posteriori : les résultats rapportés montrent une réduction substantielle des violations dynamiques et du jerk, tout en préservant le chemin voulu pendant la régulation de phase. Pour la robotique industrielle, où les cycles de préhension et d'insertion tolèrent mal les à-coups mécaniques, cela offre une alternative aux primitives de mouvement dynamiques (DMP) classiques et aux méthodes de lissage a posteriori. Les primitives de mouvement existent depuis les Dynamic Movement Primitives (DMP), introduites il y a une vingtaine d'années et largement utilisées en apprentissage par imitation pour encoder des trajectoires robustes et reproductibles. SPECTRA s'en démarque en travaillant dans le domaine fréquentiel plutôt que temporel, et en couplant explicitement génération de tâche et contraintes d'exécution articulaire plutôt que de les traiter séparément. Le choix du Franka Panda comme plateforme de validation, un bras collaboratif conçu par l'allemand Franka Robotics (ex Franka Emika) très utilisé en recherche académique, ancre les travaux dans l'écosystème européen de manipulation robotique. L'article ne mentionne ni calendrier de transfert industriel ni partenariat commercial : il s'agit à ce stade d'une contribution de recherche évaluée en laboratoire, dont la suite logique serait une validation sur des tâches de manipulation plus complexes et une comparaison directe avec les approches DMP existantes.

Recherche❖Paper

1 source

41

1340arXiv cs.RO 

RoboLight : un jeu de données à éclairage linéairement composable pour la manipulation robotique

Voici l'article traduit et résumé. RoboLight, présenté dans un article arXiv, est le premier jeu de données de manipulation robotique capturant des épisodes synchronisés sous des conditions d'éclairage systématiquement variées. Il comprend deux volets : RoboLight-Real, avec 2 800 épisodes réels collectés sur un dispositif calibré baptisé Light Cube, équipé de huit lampes LED RGB programmables et faisant varier trois dimensions indépendantes (couleur, direction, intensité), chaque dimension étant associée à une tâche dédiée impliquant des objets de géométries et matériaux différents pour créer des défis perceptifs ; et RoboLight-Synthetic, qui compte 196 000 épisodes générés par interpolation dans l'espace image HDR de RoboLight-Real, un volume potentiellement extensible à volonté en affinant la granularité d'interpolation. Toutes les images sont enregistrées au format HDR pour préserver la précision radiométrique. Les auteurs valident la qualité du jeu de données via une analyse qualitative et des déploiements de politiques en conditions réelles, en étudiant la difficulté des tâches, la diversité de distribution et l'efficacité des données synthétisées, avec trois cas d'usage représentatifs à l'appui. Pour l'industrie robotique, ce jeu de données cible un angle mort persistant des modèles vision-langage-action (VLA) et des politiques de manipulation apprises : leur fragilité face aux variations d'éclairage, un facteur rarement isolé et contrôlé dans les données d'entraînement existantes. En permettant de faire varier couleur, direction et intensité lumineuse de façon indépendante et reproductible, RoboLight offre un banc d'essai pour mesurer la robustesse réelle des politiques de perception, une question centrale pour tout déploiement industriel où l'éclairage n'est jamais parfaitement contrôlé, entrepôt, ligne de production, environnement extérieur. L'approche par interpolation HDR pour générer des données synthétiques à moindre coût illustre aussi une piste concrète pour réduire la dépendance à la collecte réelle, un goulot d'étranglement connu pour l'entraînement des modèles de manipulation à grande échelle. Le projet s'inscrit dans la lignée des efforts récents visant à combler l'écart entre démonstrations en laboratoire et robustesse en conditions réelles, un problème régulièrement pointé du doigt concernant les modèles VLA générique (dans la veine de Pi-0 ou GR00T N2). Contrairement à des jeux de données généralistes, RoboLight isole spécifiquement la variable lumineuse via un montage matériel dédié, ce qui le distingue des benchmarks existants qui ne contrôlent pas systématiquement ce paramètre. Les auteurs annoncent la publication en open source du jeu de données complet, ainsi que des conceptions logicielle et matérielle du système Light Cube, ce qui laisse présager une adoption possible comme outil de benchmark standard par la communauté robotique si la promesse de reproductibilité est tenue.

Recherche❖Paper

1 source

41

1341arXiv cs.RO 

Communication efficace du mouvement du cou d'un robot : axe unique vs multi-axes

Un consortium de chercheurs en robotique publie sur arXiv (arXiv:2607.07390v1) un cadre théorique inédit pour mesurer l'efficacité communicative des mouvements de cou robotiques. L'équipe a utilisé une plateforme de cou robotique dotée de trois degrés de liberté (DoF) en rotation et a enregistré 84 stimuli vidéo en faisant varier l'amplitude, l'accélération et la fréquence des mouvements sur un, deux ou trois axes simultanément. Pour chaque configuration, les chercheurs ont calculé l'entropie de Shannon des signaux de changement de pixels, une mesure de l'information transmise visuellement, tout en mesurant la consommation énergétique associée. Une étude perceptive complémentaire a permis de valider comment des observateurs humains interprètent ces gestes. Résultat central: l'information communicative culmine à deux DoF actifs puis chute au troisième, alors même que la dépense énergétique continue d'augmenter, un phénomène que les auteurs baptisent le goulot d'étranglement informationnel morphologique. Cette découverte contredit une hypothèse répandue dans la conception des robots humanoïdes, selon laquelle multiplier les degrés de liberté du cou améliorerait automatiquement l'expressivité. Pour les ingénieurs et intégrateurs qui conçoivent des interfaces homme-robot, cela signifie qu'ajouter un troisième axe de rotation n'apporte aucun bénéfice communicatif, gaspille de l'énergie et, pire, brouille la lisibilité du geste selon les données perceptives collectées auprès des participants humains. Les auteurs proposent un nouvel outil, le Motor Information Space, qui met en regard entropie et énergie pour comparer différentes morphologies de cou robotique. Dans ce cadre, la configuration optimale identifiée atteint 5,26 bits d'information pour un coût énergétique jugé compétitif. Ce travail s'inscrit dans un champ de recherche plus large sur la communication non verbale des robots sociaux, où le mouvement de tête et de cou joue un rôle clé dans la signalisation d'intentions ou d'émotions chez l'humain. En établissant une base quantitative pour arbitrer entre complexité mécanique et clarté du signal, l'étude fournit aux concepteurs de robots humanoïdes un critère chiffré pour orienter le choix du nombre d'axes motorisés au niveau du cou, plutôt que de calquer par défaut l'anatomie humaine ou de multiplier les DoF par souci de réalisme.

Recherche❖Paper

1 source

41

1342arXiv cs.RO 

Recherche technique d'ABot-C0 sur les comportements fondamentaux pour robots quadrupèdes

ABot-C0, présenté dans un rapport technique publié sur arXiv (2607.07370), est un système généraliste de contrôle de mouvement pour robots quadrupèdes reposant sur trois piliers complémentaires. Les chercheurs ont d'abord construit une pyramide de données combinant génération vidéo conditionnelle, capture de mouvement annotée, téléopération et conception manuelle, pour produire 16 074 séquences de mouvement physiquement réalisables. Sur cette base, ils ont entraîné une politique généraliste par flow-matching qui, selon les auteurs, démontre pour la première fois une loi d'échelle pour le suivi de mouvement chez les quadrupèdes: les performances s'améliorent de façon constante avec l'augmentation des données d'entraînement, avec une capacité à suivre des mouvements inédits sans exemples spécifiques (zero-shot). Pour la locomotion sur tout-terrain, l'équipe a développé un cadre en trois étapes passant d'un contrôle privilégié à un contrôle perceptif, appuyé sur une mémoire temporelle LiDAR et une supervision prédictive du terrain. Le système a été testé en navigation autonome sur terrain urbain et en interaction multimodale de type compagnon. L'enjeu dépasse la simple démonstration technique. Contrairement aux robots humanoïdes, qui bénéficient de vastes corpus de capture de mouvement humain et d'un paradigme de motion-tracking déjà mature, les quadrupèdes souffrent d'un manque criant de données animales exploitables, et le transfert d'un squelette à un autre reste fragile. En traitant ce problème par la synthèse vidéo et une politique d'apprentissage unifiée, ce travail cherche à combler l'écart entre les deux familles de robots. La revendication centrale, faire passer les quadrupèdes de démonstrations mono-fonction à une intelligence comportementale de niveau produit, doit toutefois être lue comme une affirmation d'auteurs de papier de recherche, non comme un déploiement commercial vérifié: les expériences relatées restent des tests en conditions contrôlées ou semi-contrôlées, pas des mises en service industrielles à grande échelle. Ce travail s'inscrit dans une dynamique plus large où l'apprentissage de bout en bout par grands modèles de mouvement, déjà éprouvé sur les humanoïdes commerciaux, cherche à s'étendre aux plateformes quadrupèdes utilisées en inspection, sécurité ou logistique, un segment où des acteurs comme Unitree, ANYbotics ou Boston Dynamics dominent aujourd'hui avec des commandes plus classiques. En s'appuyant sur des données synthétiques plutôt que sur la capture animale, coûteuse et rare, les auteurs ouvrent une piste pour industrialiser l'entraînement de ces robots. Aucune date de déploiement commercial ni partenaire industriel n'est mentionnée dans ce rapport, qui reste à ce stade une contribution académique destinée à être suivie par d'autres itérations.

Recherche❖Paper

1 source

40

1343arXiv cs.RO 

GemNav : navigation robotique visuelle par tokens discrets via un grand modèle de langage multimodal

GemNav, une nouvelle politique de navigation visuelle pour robots, s'écarte de la recette habituelle du secteur : un encodeur visuel dédié, une tête d'action sur mesure, et un entraînement sur des milliers d'heures de données cross-embodiment. À la place, l'équipe adapte un Modèle de Langage Multimodal (MLLM) figé via LoRA appliqué uniquement à la tour langage, sans encodeur visuel auxiliaire ni tête de régression continue. Les waypoints et les signaux de navigation catégoriels partagent un unique vocabulaire de tokens discrets généré par la tête du modèle de langage, et une perte auxiliaire "soft-decoded" permet de récupérer la structure métrique que l'entropie croisée pure perdrait autrement. Entraîné sur un seul corpus ouvert de 8,7 heures, soit environ mille fois moins de données que les jeux d'entraînement concurrents, GemNav transfère en zero-shot vers quatre environnements physiquement distincts et inédits. Sur 20 essais réels, le robot s'arrête entre 0,25 et 0,42 mètre de l'objectif, couvrant un parking extérieur, un parking avec obstacles, une longue cour industrielle chimique en extérieur et un entrepôt intérieur. Ce résultat pèse sur un débat central de la robotique fondée sur les modèles de fondation : faut-il vraiment des encodeurs visuels spécialisés et des volumes massifs de données pour obtenir une navigation robuste et généralisable ? En montrant qu'une simple adaptation par tokens discrets d'un MLLM déjà pré-entraîné suffit à atteindre une précision d'arrivée sous le demi-mètre sur des terrains variés jamais vus à l'entraînement, GemNav suggère une voie plus économe en données et en calcul pour déployer des politiques de navigation, un argument qui parlera directement aux intégrateurs et décideurs B2B soucieux du coût d'entraînement et de collecte de données. L'étude apporte aussi une nuance utile : ajouter un historique d'images courtes améliore les métriques hors ligne mais n'apporte aucun bénéfice mesurable sur le robot réel, ce qui indique un plafond sur l'utilité du contexte temporel une fois que les features visuelles pré-entraînées sont en place. Le travail s'inscrit dans la lignée des politiques de navigation dites "VLA" (vision-language-action) qui cherchent à réutiliser des modèles de fondation existants plutôt que d'entraîner des architectures spécialisées from scratch, une tendance également explorée par des approches comme GR00T N2 ou Pi-0 dans le domaine de la manipulation. En limitant drastiquement la taille du corpus d'entraînement nécessaire, GemNav ouvre la voie à des déploiements plus rapides et moins coûteux pour des flottes de robots mobiles autonomes (AMR) en environnement industriel ou logistique, même si la validation reste pour l'instant limitée à des essais ponctuels plutôt qu'à un déploiement à grande échelle.

IA physique❧Opinion

1 source

40

1344arXiv cs.RO 

VOTE : optimisation vision-langage-action par vote d'ensemble de trajectoires

Le papier VOTE ("Vision-Language-Action Optimization with Trajectory Ensemble Voting"), publié sur arXiv sous la référence 2507.05116, propose une nouvelle méthode d'entraînement pour les modèles Vision-Language-Action (VLA) utilisés en robotique manipulatrice. Les auteurs, dont le code est disponible sur GitHub (LukeLIN-web/VOTE), s'attaquent à deux limites des VLA actuels : la génération de tokens d'action très nombreux, qui alourdit la latence d'inférence et le coût d'entraînement, et une exploitation insuffisante des actions déjà générées, qui dégrade les performances. Leur framework finetune les modèles pour produire beaucoup moins de tokens d'action, en parallélisant fortement le décodage, puis combine les prédictions courantes et passées via une stratégie de vote d'ensemble au moment de l'inférence. Résultat annoncé : des taux de réussite supérieurs à l'état de l'art, avec une inférence 39 fois plus rapide qu'OpenVLA et un débit de 46 Hz sur plateformes embarquées. Ce gain de vitesse cible directement le principal frein au déploiement réel des VLA : leur latence, souvent incompatible avec un contrôle robotique en temps réel sur du matériel embarqué à ressources limitées. Si les chiffres se confirment en dehors des benchmarks propriétaires des auteurs, cela renforcerait l'idée qu'on peut réduire drastiquement la latence sans changer d'architecture ni ajouter de puissance de calcul, simplement en repensant le nombre de tokens générés et leur exploitation post-inférence. C'est un argument concret pour les intégrateurs qui cherchent à faire tourner des politiques VLA sur des bras robotiques ou plateformes mobiles sans GPU serveur. Le travail s'inscrit dans une course plus large à l'efficacité des VLA, où OpenVLA sert de référence open source largement citée, aux côtés d'approches comme Pi-0 (Physical Intelligence), GR00T (NVIDIA) ou Helix (Figure), toutes confrontées au même compromis entre richesse de représentation et vitesse d'exécution. VOTE se positionne comme une optimisation d'inférence complémentaire à ces modèles plutôt qu'un concurrent direct, avec pour prochaine étape l'adoption par la communauté via son code publié.

IA physique⚡Actu

1 source

39

1345arXiv cs.RO 

Robots miniatures modulaires : des graphes de synchronisation programmables pour plus d'adaptabilité et de tolérance aux pannes

Des chercheurs publient sur arXiv (arXiv:2607.07281v1) un nouveau cadre appelé "programmable synchronization graphs" pour coordonner des essaims de robots miniatures modulaires, chaque module associant un actionneur et un capteur. Le principe : représenter chaque paire actionneur-capteur comme un nœud de réseau, et encoder la coordination locomotrice via un couplage de graphe plutôt que via un leader central ou un gabarit de démarche fixe. Des liens fixes à l'intérieur de sous-groupes synchronisent des groupes hétérogènes d'actionneurs, tandis qu'un petit nombre de liens signés entre sous-groupes programme les relations de phase. Sur des collectifs physiques allant jusqu'à neuf modules, les chercheurs montrent l'émergence de la synchronisation, un contrôle du déphasage entre mouvement en phase et en opposition de phase, et des allures de type galop ou trot sur un assemblage de cinq modules au sol. Remplacer un couplage dense (tous les modules connectés entre eux) par des topologies creuses "d-régulières" préserve la synchronisation tout en réduisant la charge de communication. Un algorithme d'apprentissage par sélection de liens (upper-confidence-bound) permet en outre au système d'apprendre en ligne les connexions nécessaires pour atteindre un état de phase cible. L'intérêt pratique tient surtout à la tolérance aux pannes : plus le degré du graphe de couplage est élevé, plus le système supporte de désactivations de modules avant de perdre la synchronisation. Sur un test de désactivation, ce contrôleur distribué évite le mode de défaillance typique du contrôle centralisé leader-suiveur, où la perte du module leader fait s'effondrer toute la coordination, et réduit l'erreur de phase dans le pire cas d'un facteur d'environ trois. Pour l'industrie des robots modulaires et essaims miniatures, c'est une piste concrète pour des systèmes robustes sans point de défaillance unique, un enjeu classique en robotique en essaim et en inspection dans des environnements confinés. Ce travail s'inscrit dans une problématique ancienne de la robotique modulaire : comment coordonner de nombreux modules imparfaits, à calcul et communication limités, sans dépendre d'une hiérarchie rigide. Les approches concurrentes reposent typiquement sur des architectures leader-suiveur ou des gabarits de démarche prédéfinis, moins robustes à la perte d'unités. Le papier ne précise pas de calendrier de déploiement industriel ; il s'agit à ce stade d'une démonstration en laboratoire sur des collectifs à petite échelle (jusqu'à neuf modules), dont la généralisation à des essaims plus grands reste à établir.

Recherche❖Paper

1 source

39

1346arXiv cs.RO 

IA incarnée, HumAIN : la navigation sociale implicite du robot conscient des humains

Des chercheurs présentent HumAIN (Human-Aware Implicit Social Robot Navigation), un nouveau framework publié sur arXiv (arXiv:2607.07357v1) qui vise à rendre la navigation des robots sociaux plus sensible aux comportements humains. Le système repose sur un modèle enseignant de type transformer qui fusionne plusieurs sources de données : images historiques, points clés du squelette humain (keypoints), état du robot et objectif de destination, afin d'apprendre des représentations robustes pour planifier la trajectoire future du robot. Cette connaissance est ensuite distillée dans un modèle élève beaucoup plus léger, optimisé conjointement pour reconstruire la trajectoire et aligner ses caractéristiques latentes sur celles de l'enseignant, ce qui permet un déploiement en temps réel. Lors des tests, HumAIN améliore les métriques de prédiction de trajectoire de 29,8% en moyenne sur l'ensemble des métriques évaluées, par rapport aux meilleures méthodes existantes. L'enjeu principal de ces travaux est de combler l'écart entre prédiction et planification, un problème récurrent dans la navigation robotique en environnement humain : beaucoup de systèmes prédisent bien le mouvement des piétons mais peinent à traduire cette prédiction en trajectoire exploitable en temps réel, surtout sur du matériel aux ressources limitées. En s'appuyant sur des indices sociaux implicites, comme la démarche ou l'orientation du corps, plutôt que sur des règles explicites ou des modèles de forces sociales classiques, cette approche pourrait rendre les robots mobiles (AMR, robots de service, plateformes embarquées) plus fluides et prévisibles dans des espaces partagés avec des humains, un facteur clé pour l'acceptabilité et la sécurité de ces systèmes en usage réel, notamment en logistique ou en environnement industriel où humains et robots cohabitent. Ce travail s'inscrit dans la lignée des recherches sur la navigation sociale des robots, un domaine qui cherche depuis plusieurs années à dépasser les modèles purement géométriques d'évitement d'obstacles pour intégrer une compréhension plus fine du comportement humain. La technique de distillation de connaissances, empruntée à l'apprentissage profond, est ici appliquée pour rendre exploitables sur des plateformes à ressources contraintes des représentations normalement coûteuses à calculer. Les auteurs positionnent HumAIN par rapport à des méthodes de l'état de l'art en prédiction de trajectoire, et les prochaines étapes attendues porteraient sur une validation au-delà de la simulation, sur des robots physiques en conditions réelles.

Recherche❖Paper

1 source

39

1347arXiv cs.RO 

Modèle vision-langage-action partagé et modulaire pour le contrôle universel de la morphologie en MDP contextuels

Une équipe de recherche propose une nouvelle architecture pour piloter des robots de morphologies très différentes avec un seul contrôleur, dans un article intitulé "Shared Modular Recurrence in Contextual MDPs for Universal Morphology Control" (arXiv:2506.08630, version 3, republiée en cross-listing début juillet 2026). Le système repose sur une architecture transformer combinée à une récurrence modulaire partagée entre les composants du robot (bras, jambes, articulations), conçue pour reconstruire des informations contextuelles sur les propriétés physiques d'un robot même quand ces données ne sont que partiellement disponibles au départ. Les chercheurs l'ont testé sur un large ensemble de robots simulés dans MuJoCo, le moteur physique open source largement utilisé en apprentissage par renforcement, à travers quatre environnements distincts. Résultat clé: le modèle affiche un gain net en généralisation zero-shot, c'est-à-dire sa capacité à piloter correctement des robots aux dynamiques, cinématiques et topologies jamais rencontrées pendant l'entraînement, sans réglage additionnel. Cette avancée s'inscrit dans un enjeu central pour l'industrie robotique: réduire le coût d'entraînement et de déploiement de contrôleurs spécifiques à chaque morphologie de robot. Un contrôleur universel capable de généraliser à de nouveaux designs mécaniques réduirait drastiquement les besoins en données et en calcul pour chaque nouveau modèle de robot, un problème que rencontrent aujourd'hui les fabricants de robots humanoïdes et de bras manipulateurs multiples. C'est aussi une contribution au débat sur la viabilité des architectures de type VLA (vision-language-action) et des politiques génériques à grande échelle: ici, la généralisation ne vient pas d'un volume massif de données mais d'une architecture qui exploite explicitement la structure modulaire du robot. L'approche s'inscrit dans une lignée de travaux en RL contextuel et en contrôle multi-robots qui exploitent déjà des informations sur la morphologie pour entraîner des agents partagés, mais qui peinaient jusqu'ici à généraliser à des morphologies fortement dissimilaires. Le fait que cet article soit republié en tant que "replace-cross" sur arXiv suggère une révision après retours de la communauté, un signe que le sujet suscite un intérêt actif en apprentissage par renforcement appliqué à la robotique. Les prochaines étapes attendues concernent une validation sur robots physiques réels, au-delà des simulations MuJoCo, pour confirmer le transfert sim-to-real.

Recherche❖Paper

1 source

39

1348arXiv cs.RO 

Multi-agent : contrôle robotique par modèles vision-langage embarqués

Une équipe de recherche présente, dans un article publié sur arXiv (arXiv:2607.07403v1), une architecture multi-agents (MAS) pour le contrôle robotique conçue pour fonctionner entièrement en local, sans dépendre d'une infrastructure de calcul externe. Le système pilote un manipulateur mobile autonome polyvalent dans un entrepôt industriel simulé, où il exécute cinq catégories de tâches : inspection de sécurité, maintenance de l'entrepôt, recherche d'objets, vérification de la qualité des colis, et réponse aux demandes humaines. L'architecture s'appuie sur des modèles vision-langage (VLM) compacts, entre 3 et 20 milliards de paramètres, avec un fine-tuning appliqué spécifiquement pour améliorer la précision de l'inspection des colis. Un agent d'orchestration baptisé "Megamind" a été conçu pour limiter les pertes de contexte que subissent les petits modèles sur des tâches de planification à long horizon. Le système a été validé en configuration hardware-in-the-loop, sur un mini PC AMD Ryzen AI, combinant simulation et matériel embarqué réel. Ce travail s'attaque à trois limites récurrentes des VLM et des modèles vision-langage-action (VLA) appliqués à la robotique : l'explicabilité, la généralisation et les besoins en calcul. En s'appuyant sur des modèles compacts exécutés localement plutôt que sur des VLA massifs hébergés dans le cloud, l'approche promet une réduction des coûts d'infrastructure et une latence moindre, deux critères déterminants pour les intégrateurs industriels qui veulent déployer des robots autonomes sans dépendre d'une connectivité permanente. Les auteurs présentent leurs résultats comme une preuve qu'une architecture multi-agents entièrement embarquée constitue une alternative viable et économique aux déploiements dépendants du cloud, avec un potentiel de transfert vers le réel. Ces résultats restent toutefois obtenus en environnement simulé ; le passage à un robot physique en conditions réelles d'entrepôt demeure l'étape déterminante pour confirmer la promesse. L'essor de VLA comme Pi-0, GR00T N2 ou Helix a mis en évidence la dépendance de nombreux systèmes robotiques à des clusters de calcul distants, un frein pour les déploiements industriels à grande échelle. En misant sur des modèles plus petits orchestrés collectivement plutôt que sur un modèle monolithique unique, cette recherche se distingue des approches dominantes centrées sur des VLA de grande taille. Les chercheurs ont publié l'environnement de simulation en open source sous licence Apache 2.0, ouvrant la voie à des extensions et comparaisons par la communauté robotique. Les prochaines étapes attendues concernent la validation sur robot physique en entrepôt réel ainsi que l'élargissement des catégories de tâches couvertes par le système.

Recherche❖Paper

1 source

39

1349arXiv cs.RO 

Robotique sociale : projection multimodale de l'activité vocale pour la gestion des tours de parole avec des encodeurs préentraînés liés à l'activité vocale

Les chercheurs à l'origine de ce travail présentent MM-VAP (Multimodal Voice Activity Projection), un système de prédiction des tours de parole conçu pour les robots sociaux impliqués dans des interactions humain-humain, en particulier en contexte de médiation. Contrairement à l'approche VAP originale qui ne traite que l'audio, MM-VAP synchronise les flux audio et visuel tout en conservant l'objectif d'apprentissage auto-supervisé de projection future. Le système s'appuie sur des architectures audio-visuelles pré-entraînées, initialement conçues pour des tâches liées à la parole, adaptées au problème du tour de parole via la technique LoRA (Low-Rank Adaptation), qui permet un fine-tuning léger sans réentraîner l'intégralité des poids. Après un encodage indépendant de chaque locuteur, une couche d'attention inter-locuteurs modélise les dynamiques relationnelles nécessaires pour anticiper l'activité vocale future, complétée par une fonction de perte de cohérence sémantique régularisant un espace de sortie à 256 états selon des patterns de dialogue de plus haut niveau. Les tests ont été menés sur les corpus NoXi et NoXi+J, avec une évaluation complémentaire sur le corpus Haru EDR. Ce travail s'inscrit dans un enjeu clé pour les robots conversationnels et sociaux : anticiper la dynamique d'une conversation plutôt que réagir mécaniquement aux silences, ce qui reste un point faible des systèmes de dialogue actuels. Pour les concepteurs de robots de médiation ou d'assistance sociale (accueil, animation de réunion, robots compagnons), une meilleure prédiction des tours de parole se traduit directement par des interactions moins mécaniques et plus naturelles. Les résultats montrent des améliorations par rapport aux références existantes, notamment sur certains types spécifiques d'événements de tour de parole, ce qui suggère que l'ajout de la modalité visuelle apporte un signal réellement exploitable, au-delà du simple audio, pour ce type de tâche. Le champ du "turn-taking" prédictif s'appuie historiquement sur des modèles purement acoustiques, le cadre VAP servant de référence. Cette extension multimodale s'inscrit dans une tendance plus large de l'interaction humain-robot consistant à combiner plusieurs canaux sensoriels pour améliorer la robustesse des modèles conversationnels, avec le corpus Haru comme banc d'essai orienté robotique de médiation, ouvrant la voie à des évaluations sur des plateformes robotiques réelles au-delà des corpus d'interaction humain-humain enregistrés.

Recherche❖Paper

1 source

39

1350arXiv cs.RO 

SPEAR : un simulateur d'IA incarnée photoréaliste pour la recherche

Une équipe de recherche présente SPEAR (Simulator for Photorealistic Embodied AI Research), un nouveau simulateur conçu pour entraîner des agents incarnés (embodied agents) et générer des données visuelles synthétiques photoréalistes. Publié sur arXiv début juillet 2026, SPEAR se présente comme une bibliothèque Python capable de se connecter à n'importe quelle application Unreal Engine (UE) et de la piloter via une architecture de plugins modulaires. Elle expose plus de 14 000 fonctions UE uniques à Python, soit un gain d'un ordre de grandeur en fonctionnalités programmables par rapport aux simulateurs UE existants. Côté performance, une seule instance de SPEAR peut rendre des images photoréalistes en 1920x1080 directement dans un tableau NumPy à 73 images par seconde, également dix fois plus rapide que les plugins UE existants, tout en fournissant des modalités de vérité terrain inédites, comme la décomposition intrinsèque non diffuse, les IDs de matériaux ou les paramètres de shading physiquement basé (PBR). Pour un ingénieur en robotique ou en IA incarnée, l'enjeu dépasse la simple prouesse technique : la plupart des simulateurs photoréalistes actuels souffrent d'un compromis entre réalisme visuel et vitesse de rendu, ou entre flexibilité de programmation et généralité. En combinant vitesse élevée, richesse des modalités de sortie et contrôle programmatique fin de scènes UE complexes, SPEAR vise à réduire l'écart entre simulation et réalité (sim-to-real) pour l'entraînement d'agents visuels, un point critique pour la robotique mobile, les véhicules autonomes et les modèles vision-langage-action (VLA). Les chercheurs démontrent l'outil sur des cas variés : contrôle de multiples agents aux espaces d'action distincts (humains, voitures, robots) dans des projets UE existants, rendu d'environnements urbains à grande échelle, manipulation des systèmes de génération procédurale de contenu d'UE, rendu multi-vues synchronisé de visages humains détaillés, co-simulation avec le moteur physique MuJoCo, et édition de scènes en langage naturel via un assistant de code IA. SPEAR s'inscrit dans la lignée des simulateurs bâtis sur Unreal Engine comme AirSim ou CARLA, mais cherche à en dépasser les limites de généralité et de vitesse.

Recherche❖Paper

1 source