Actualités robotique — page 30

7 512 articles au fil, du plus récent au plus ancien.

40

1451arXiv cs.RO 

Whole-Body UMI : transfère les compétences de manipulation aux humanoïdes par génération de mouvement en temps réel

Un article publié le 22 septembre 2026 sur arXiv (2609.22829) présente Whole-Body UMI (WB-UMI), une méthode qui étend l'Universal Manipulation Interface (UMI), protocole de collecte de démonstrations par préhenseur portatif qui évite la téléopération, au contrôle corps entier des robots humanoïdes. Le système ajoute un générateur de mouvement temps réel conditionné par la position de l'effecteur, entraîné séparément sur des données de capture de mouvement retargetées, sans capteurs corporels ni démonstrations appariées. En déploiement, une architecture asynchrone combine une politique de diffusion apprise sur les démonstrations UMI natives, ce générateur de mouvement et un contrôleur corps entier avec compensation de latence. Testée sur le robot G1 d'Unitree, l'approche atteint 90% de réussite pour fermer un tiroir, 80% pour un pick-and-place sur étagère, 40% pour une tâche combinant déplacement et prise (Loco-PnP), et 30% pour un lancer de balle. Cet écart de performance, de 90% à 30% selon les tâches, montre que le transfert de compétences captées à la main vers un contrôle corps entier reste partiel, les mouvements dynamiques comme le lancer restant nettement plus difficiles que des gestes quasi-statiques. Pour l'industrie humanoïde, l'enjeu dépasse la démonstration technique : la téléopération demeure le principal goulot d'étranglement pour entraîner des politiques vision-language-action sur des robots à jambes, et découpler l'apprentissage de la coordination corps entier de celui de la sémantique de tâche réduirait la dépendance à des données coûteuses capturées directement sur le robot. Le travail teste ainsi, en boucle fermée sur robot réel, l'hypothèse qu'une interface de collecte générique comme UMI peut s'étendre aux humanoïdes sans instrumentation corporelle supplémentaire. UMI avait été conçu comme un outil de collecte à bas coût pour l'apprentissage de politiques de manipulation, via un préhenseur instrumenté plutôt qu'un robot téléopéré. WB-UMI s'inscrit dans une compétition plus large de modèles vision-language-action et d'architectures de contrôle humanoïde, aux côtés d'approches comme Pi-0 de Physical Intelligence, GR00T N2 de NVIDIA ou Helix de Figure AI, qui visent toutes à réduire le coût de la collecte de données réelles. Contrairement à ces initiatives industrielles, WB-UMI reste une contribution académique en preprint, validée sur quatre tâches avec un seul robot, le G1 d'Unitree, sans partenaire annoncé ni calendrier de déploiement.

Recherche❖Paper

1 source

40

1452arXiv cs.RO 

Exploration multi-robots décentralisée par intention probabiliste des pairs et propagation de plans multi-sauts

Des chercheurs publient sur arXiv (identifiant 2609.22726, soumis le 22 septembre 2026) une méthode baptisée Probabilistic Peer Intent (PPI), destinée à l'exploration multi-robot décentralisée sous contrainte de communication limitée. Le travail s'appuie sur Decentralized Monte Carlo Exploration (DMCE), une approche existante basée sur la recherche arborescente de Monte Carlo (MCTS) qui permet à des robots de planifier localement en tenant compte des intentions de leurs pairs, ces intentions étant échangées sous forme de séquences de points de passage entre robots à portée de communication directe. PPI transforme ces trajectoires de pairs en une représentation spatiale continue et probabiliste de leurs intentions prévues, intégrée directement dans l'évaluation des actions du MCTS local. Les auteurs ajoutent un second mécanisme, la propagation de plans sur plusieurs sauts (multi-hop), qui permet de partager l'intention des pairs au-delà de la portée radio directe. La méthode a été testée dans plusieurs environnements simulés avec des tailles d'équipe variables, puis validée en conditions réelles sur trois robots opérant dans différents types d'environnements. L'enjeu est la coordination de flottes robotiques sans infrastructure de communication centralisée, un scénario courant en exploration de zones sinistrées, en logistique d'entrepôt distribuée ou en surveillance de sites étendus, où une liaison permanente vers un serveur central n'est pas garantie. En améliorant la qualité des décisions locales sans reconstruire une carte globale partagée en temps réel, ce type d'approche répond à une limite connue des architectures centralisées, qui échouent dès que le lien réseau se dégrade. Les résultats, selon les auteurs, montrent des gains qui dépendent fortement de la structure de l'environnement et du nombre de robots, ce qui nuance la portée générale de la méthode plutôt que d'en faire une solution universelle. Le travail s'inscrit dans la lignée des méthodes MCTS appliquées à l'exploration robotique multi-agents, dont DMCE constitue la référence directe. Les auteurs ne mentionnent pas de partenariat industriel ni de calendrier de déploiement commercial, le test à trois robots relevant de la validation expérimentale d'un laboratoire de recherche plutôt que d'un pilote produit.

Recherche❖Paper

1 source

40

1453arXiv cs.RO 

Quantification bas-débit native des modèles vision-langage-action via repliement cohérent : FoldQuantVLA

Des chercheurs détaillent FoldQuantVLA, un framework de quantification post-entraînement pour modèles vision-langage-action (VLA), dans un preprint publié sur arXiv (2609.24433v1). La méthode préserve une représentation d'activation cohérente de la calibration jusqu'à l'exécution native en entiers, en combinant mise à l'échelle par canal, transformées de Hadamard par blocs et quantification dynamique par token, sans réentraîner la politique. Des plugins TensorRT exécutent en 4 bits (poids et activations, W4A4) les projections du backbone langage et de l'expert d'action, sur GPU Ada et sur Jetson AGX Orin. Testé sur LIBERO, SimplerEnv, trois checkpoints GR00T et π0.5, le W4A4 gagne 1,20 à 1,33x sur Orin et 1,25 à 1,52x sur desktop face à TensorRT en flottant. En repassant certaines projections du module langage en 8 bits, le succès de GR00T N1.7 sur quatre tâches réelles grimpe de 80,0% à 92,5% sur 80 essais par configuration, pour 1 ms de latence supplémentaire sur Orin. Pour les intégrateurs, l'enjeu n'est pas le gain de vitesse, modeste (1,2 à 1,5x), mais la preuve qu'une quantification agressive et uniforme dégrade mesurablement le comportement du robot : la chute de 92,5% à 80,0% de succès entre configuration mixte et W4A4 uniforme montre que la latence gagnée coûte cher à la fiabilité si le compromis bits/couches est mal calibré. La méthode permet d'exécuter des VLA volumineux directement sur du matériel embarqué comme le Jetson Orin, sans datacenter ni réentraînement, réduisant le coût d'ingénierie du déploiement en périphérie. Elle offre aux décideurs B2B une méthode reproductible pour arbitrer précision et vitesse couche par couche, plutôt qu'un choix binaire entre flottant complet et quantification uniforme. Le travail s'inscrit dans les efforts pour exécuter en temps réel des VLA de référence comme GR00T N1.7 (NVIDIA) et π0.5 (Physical Intelligence), conçus sur GPU de datacenter mais visés pour l'inférence embarquée. FoldQuantVLA adapte au contexte robotique des techniques de compression déjà connues pour les grands modèles de langage, scaling par canal et transformées de Hadamard, couplées à une quantification dynamique par token propre à la boucle observation-action. Le preprint, soumis en septembre 2026, ne précise ni affiliation industrielle ni calendrier de production ; les tests reposent sur deux plateformes robotiques réelles non identifiées, sans code public ni partenariat annoncé avec un fabricant de robots.

Recherche❖Paper

1 source

40

1454arXiv cs.RO 

AquaOrbit : apprentissage par renforcement simulation-réel pour l'orbite autour d'une cible sous-marine avec retour visuel intermittent

Des chercheurs ont publié le 22 septembre 2026 sur arXiv (2609.24054) une étude présentant AquaOrbit, un contrôleur par apprentissage par renforcement pour faire orbiter un robot sous-marin autour d'une cible malgré des pertes intermittentes de flux visuel. Un module de récupération exploite, lors d'une perte de détection, des références figées de ligne de visée, de roulis et de profondeur pour stabiliser le véhicule et retrouver la cible. Entraîné dans le simulateur Isaac Sim avec randomisation de la dynamique, des observations et des pertes de vision, le contrôleur a ensuite été évalué sans réentraînement dans Gazebo/ROS2, un moteur physique différent : 20 essais réussis sur 20 en cible statique comme en cible mobile, sur une trajectoire 3D à profondeur variable inédite. Face à une cible mobile, l'erreur moyenne de ligne de visée baisse d'environ 46% par rapport à un contrôleur PID de servovision équipé du même module, pour une précision de trajectoire comparable ; sans ce module, la réussite chute à 9 essais sur 20. Un déploiement physique zero-shot, perception et contrôle entièrement embarqués, a suivi des trajectoires elliptiques, en huit et circulaires à profondeur variable, avec stabilité maintenue lors d'occlusions manuelles jusqu'à 8 secondes et réacquisition de cible en 2,5 secondes. Pour les intégrateurs de véhicules sous-marins autonomes et les opérateurs d'inspection offshore (pipelines, coques, aquaculture), ce travail cible un point de friction concret : la perte de suivi visuel en virage serré ou en eau trouble fait généralement échouer l'orbitage automatisé. Le transfert simulation-vers-réel démontré sans réentraînement, y compris sur un moteur physique distinct de celui de l'entraînement, soutient l'idée que des politiques de RL peuvent généraliser au-delà du simulateur d'origine, un point encore débattu en robotique sous-marine où bruit acoustique et optique diffèrent fortement du monde simulé. L'écart chiffré entre configurations avec et sans module de récupération (20/20 contre 9/20) quantifie l'apport réel du mécanisme plutôt que de s'appuyer sur une vidéo sélective. Il s'agit d'une publication de recherche en preprint, sans entreprise ni produit commercial associé : un résultat scientifique, pas un déploiement industriel. Le travail se positionne face aux méthodes classiques de servovision visuelle par PID, utilisées comme référence de comparaison, et s'inscrit dans le mouvement plus large de transfert simulation-vers-réel déjà exploré pour des robots terrestres et aériens mais encore peu démontré pour l'orbitage sous-marin de cibles mobiles. Aucun acteur français ou européen n'apparaît dans cette étude. Les essais physiques réels, incluant des trajectoires absentes de l'entraînement, dépassent la simple démonstration en environnement contrôlé, mais aucun calendrier de transfert commercial ni volume de déploiement n'est communiqué à ce stade.

Recherche❖Paper

1 source

40

1455arXiv cs.RO 

Méthode de prévision multimodale d'étiquettes pour séries temporelles visuo-motrices apériodiques

Une équipe de recherche présente une nouvelle méthode de prévision multimodale destinée à une tâche inédite en apprentissage profond : anticiper les chutes pendant la locomotion de robots humanoïdes, à partir de vision égocentrique et de proprioception. Publié sur arXiv (référence 2609.07930, version 2), le travail introduit deux jeux de données de référence, l'un issu de simulation, l'autre de matériel réel. Les auteurs proposent une architecture combinant variables endogènes et exogènes, entraînée selon un protocole qui impose un échantillonnage rigoureusement indépendant et identiquement distribué (i.i.d.) des exemples d'entraînement. Les gains annoncés sont statistiquement significatifs face aux méthodes existantes : au moins 12,73% d'amélioration sur les données réelles et au moins 10,40% sur les données de simulation. Le code et les jeux de données seront publiés après acceptation de l'article. L'apport est autant conceptuel que technique. La plupart des benchmarks de prévision de séries temporelles, qu'ils s'appuient sur des architectures Transformer ou MLP, supposent une quasi périodicité des signaux. Les auteurs montrent que cette hypothèse s'effondre dès que les trajectoires de marche sont suffisamment variées, et que les méthodes récentes peinent alors à généraliser, quel que soit le camp du débat Transformer contre MLP. Pour les intégrateurs et concepteurs de systèmes de sécurité en robotique humanoïde, cela pointe un angle mort : les outils de prévision standards ne sont pas directement transposables à la détection précoce de chute, une fonction pourtant critique avant tout déploiement en environnement industriel ou partagé avec des humains. Le travail traduit aussi un glissement plus large de la recherche humanoïde, qui déplace son attention de la seule stabilité du contrôle moteur vers des couches logicielles de sécurité prédictive. Le document est signalé comme une soumission de remplacement sur arXiv, c'est à dire une version révisée d'un travail déjà déposé, en attente d'acceptation en conférence ou revue. Aucun acteur industriel n'est cité : il s'agit d'une contribution académique, sans lien annoncé avec un fabricant de robot humanoïde en particulier. La prochaine étape est la publication du code et des données dès l'acceptation de l'article, ce qui permettra à la communauté de reproduire les résultats et de comparer d'autres méthodes sur ces deux nouveaux benchmarks.

Recherche❖Paper

1 source

40

1456arXiv cs.RO 

Apprentissage par imitation hybride : primitives de téléopération augmentée que les politiques apprennent à déclencher

Les Teleoperation Augmentation Primitives (TAPs), une nouvelle méthode d'apprentissage par imitation pour robots, sont détaillées dans un article publie sur arXiv (2512.04960, version 2, mise a jour récente). Le problème cible est connu des roboticiens: une politique d'imitation ne peut apprendre que ce qu'un opérateur humain parvient a démontrer via une interface de téléopération, or certains mouvements triviaux pour un robot (maintenir une orientation exacte, revenir précisément au même point de vue, ou tourner un poignet sur plusieurs tours complets) sont difficiles a reproduire manuellement. Les TAPs introduisent quatre primitives déclenchables pendant la démonstration, par commande vocale, menu en réalité augmentée ou simple bouton de manette: verrouillage d'axe, points d'ancrage ("perching waypoints"), ancres de pose, et routines spécifiques a l'embodiment du robot. Ces primitives étant enregistrées dans les données de démonstration, la politique entraînée peut ensuite apprendre a les déclencher elle-même de manière autonome. En simulation, leur ajout a des jeux de démonstrations humaines existants fait grimper le taux de réussite d'une tache d'insertion de cheville (avec camera au poignet uniquement) de 37,2% a 53,1%, et celui d'une tache de rangement de mug utilisant une ancre "mémoriser cette pose" de 20,3% a 32,3%. Sur robot réel, trois taches confirment la tendance, avec un cas notable ou une politique ayant appris a déclencher une routine de dévissage réussit dans 67% des essais contre 38% pour une politique classique incapable de résoudre seule, a partir des images, un mouvement nécessitant plusieurs rotations. Ce travail s'attaque directement au goulot d'étranglement des données dans l'apprentissage par imitation et les modèles vision-langage-action (VLA): la qualité des politiques n'est pas seulement limitée par la capacité des réseaux de neurones, mais par ce qu'un rig de téléopération peut physiquement capturer d'un geste humain. Sans mécanisme de contournement, les taches exigeant une précision surhumaine ou des mouvements répétitifs multi-tours restent hors de portée, quelle que soit la quantité de démonstrations collectées. Pour les intégrateurs et décideurs B2B en robotique, le résultat suggère que l'augmentation structurée des données, plutôt que la seule montée en échelle du nombre de démonstrations, peut améliorer les taux de réussite de 15 a 20 points sur des taches de manipulation standard, nuançant l'hypothèse dominante selon laquelle il suffirait de collecter davantage de démonstrations brutes pour atteindre la fiabilité nécessaire au déploiement. Les TAPs s'inscrivent dans un courant de recherche visant a réduire l'écart entre ce qu'un opérateur peut démontrer et ce qu'un robot est mécaniquement capable d'exécuter, en se concentrant sur le pipeline de collecte de données plutôt que sur l'architecture des politiques elles-mêmes. Les auteurs mentionnent également un cas d'usage industriel présente comme "preuve de concept", sans détail public sur l'entreprise ou le secteur concerne, ce qui suggère des tests en cours vers un déploiement commercial. Aucun calendrier de publication élargie ou de partenariat n'a été communique; le code et les démonstrations du projet sont disponibles sur le site associe a l'étude.

Recherche❖Paper

1 source

40

1457arXiv cs.RO 

DualWAM : modèles monde-action à double système pour la planification globale asynchrone et le raffinement local

DualWAM (Dual-System World Action Models) associe génération d'actions robotiques et prédiction de l'état futur du monde à partir de priors appris par pré-entraînement vidéo, en séparant un module de planification globale et un module de raffinement local. Le premier effectue périodiquement un débruitage bidirectionnel à fort bruit sur un segment d'action étendu ; le second, dédié au poignet, affine ce plan en continu à partir des observations visuelles les plus récentes du point de contact, qui renseignent sur la géométrie locale et le moment du contact. Testée en zero-shot sur des tâches de manipulation avec les robots Franka et Galbot, l'architecture améliore le taux de succès de 4,5 points de pourcentage en moyenne face à la meilleure référence évaluée, avec un temps de chemin critique divisé par 16,6. Des données égocentriques et UMI adaptées au rôle de chaque module ajoutent par ailleurs 14 points de succès, selon le papier arXiv:2609.24868v1, publié en septembre 2026. L'enjeu visé touche un point sensible des modèles vision-langage-action (VLA) : prédire les images futures coûte cher en calcul, ce qui pousse la plupart des architectures existantes à utiliser de longs segments d'action pour amortir ce coût, au prix de la réactivité en boucle fermée. En séparant planification à long horizon et correction haute fréquence, DualWAM répond à ce compromis sans sacrifier ni la portée du plan ni la vitesse nécessaire lors du contact fin. Pour les intégrateurs industriels, l'architecture ouvre aussi une piste de déploiement en edge-cloud, le plan global, plus lourd, pouvant tourner dans le cloud pendant que le raffinement reste embarqué, avec une bande passante nécessaire nettement réduite. Les gains restent toutefois mesurés en zero-shot sur un nombre limité de tâches et seulement deux plateformes, ce qui invite à la prudence avant toute extrapolation à une mise en production à grande échelle. Les World Action Models prolongent la lignée des modèles VLA qui transfèrent des priors appris sur vidéo vers le contrôle robotique, une approche qui a gagné du terrain face aux limites des politiques entraînées uniquement sur des démonstrations robotiques. Le compromis entre horizon de prédiction et fréquence de contrôle que cible ce travail est un problème connu du secteur, habituellement contourné en allongeant les segments d'action au détriment de la réactivité. Le résumé du papier ne nomme aucun système concurrent précis, se limitant à une comparaison avec la "meilleure référence évaluée", ce qui empêche de le positionner clairement face aux modèles VLA commerciaux ou aux travaux académiques récents du secteur. Aucun partenaire industriel, pilote ou calendrier de déploiement n'est mentionné : il s'agit pour l'instant d'une contribution de recherche publiée sur arXiv, sans indication de mise en production.

Recherche⚡Actu

1 source

40

1458arXiv cs.RO 

Engagement sélectif pour la récupération d'objets guidée par le langage en observabilité partielle

Un article publié sur arXiv (référence 2609.23131v1, catégorie "nouveau") présente un système robotique en boucle fermée destiné à retrouver un objet désigné en langage naturel par rapport à un contenant de référence, dans des scènes partiellement observables. À chaque étape, le système arbitre entre quatre options: recueillir davantage de preuves visuelles, interagir avec la scène, saisir un candidat, ou s'abstenir. Il maintient une croyance conjointe persistante sur l'identité de la cible, sa relation au contenant et sa présence, structurée en trois hypothèses (objet suivi, cible non observée, cible absente), mise à jour par des observations catégorielles issues d'un modèle vision-langage (VLM) conditionnées par le point de vue. L'éligibilité de la prise est calibrée par prédiction conforme et combinée à la faisabilité robotique pour décider du moment de l'engagement, tandis qu'une planification en espace de croyances à horizon fini sélectionne les actions de collecte d'information. Sur cinq scénarios simulés, la méthode réussit 19 épisodes sur 25, contre 12 sur 25 pour la meilleure référence adaptée à la tâche, et c'est la seule politique testée à obtenir au moins une réussite dans chacun des cinq scénarios. Des essais sur robot réel montrent une ré-observation en boucle fermée et une récupération autonome après des échecs de prise provoqués artificiellement, mais des échecs de point de vue injectés se traduisent par de faux abandons, le robot renonçant à tort. Ces résultats s'adressent directement à un problème connu de la manipulation robotique en logistique et en intralogistique: la plupart des systèmes actuels supposent une observabilité quasi complète de la scène, ce qui s'effondre dès qu'un objet est partiellement occulté dans un bac ou un tiroir. En formalisant explicitement le choix entre agir, observer davantage ou renoncer, ce travail illustre une piste pour réduire les échecs silencieux des pipelines vision-langage-action (VLA) déployés en conditions réelles, où la confiance mal calibrée d'un modèle mène souvent à des prises ratées plutôt qu'à un report prudent. Les auteurs notent toutefois eux-mêmes une limite importante: leurs ablations montrent que le système complet ne surpasse pas systématiquement des variantes simplifiées, ce qui nuance la promesse d'un gain automatique lié à la complexité du cadre proposé. Ce travail s'inscrit dans la lignée des recherches académiques sur la prise de décision sous incertitude en robotique de manipulation, à la croisée des modèles vision-langage et de la planification bayésienne, sans lien annoncé avec un produit commercial ou un déploiement industriel. Il reste à ce stade au niveau de la validation en simulation complétée par des essais limités sur robot physique, et non un système prêt à l'emploi. Les auteurs ne mentionnent ni partenariat industriel ni calendrier de transfert vers une plateforme commerciale, ce qui distingue clairement cette contribution des annonces produit du secteur des humanoïdes ou des bras robotiques en entrepôt.

Recherche❖Paper

1 source

40

1459arXiv cs.RO 

Post-entraînement en ligne stable et efficace pour VLA en conditions réelles via l'amélioration de politique ancrée sur le replay asynchrone

Une équipe de recherche publie sur arXiv (papier 2609.22888, soumis en septembre 2026) une méthode baptisée RAPolicy (Replay-Anchored Policy improvement), destinée a l'entrainement en ligne de modèles vision-langage-action (VLA) sur robot réel. Le système fait tourner en parallèle la collecte de trajectoires et l'apprentissage, en ancrant les mises a jour du critique et de l'acteur sur les actions rejouées depuis un buffer de replay plutôt que sur des prédictions d'actions futures. Le critique apprend des valeurs au niveau de blocs d'actions et construit ses cibles de Bellman sans prédire l'action suivante, ce qui réduit le calcul nécessaire. L'acteur, a flux en une seule étape, réutilisé le bruit initial stocke pendant le rollout et s'entraine par vraisemblance conditionnelle pondérée par l'avantage. Teste sur quatre taches isolées et un scenario conjoint a cinq taches en conditions réelles, avec un budget d'entrainement en ligne de seulement une a deux heures, RAPolicy part de politiques déjà affinées sur dix démonstrations par tache. Il atteint un taux de réussite moyen de 86,3% sur les taches isolées, et fait grimper le taux de réussite global du scenario multi-tache de 52% a 88%, tout en préservant les taches déjà maîtrisées et en améliorant les plus faibles. Ce résultat s'attaque a un point de friction connu du post-entrainement en ligne des VLA sur robot réel: l'instabilité de l'apprentissage par renforcement lorsque les données arrivent en flux continu et que la politique change pendant la collecte. Pour les intégrateurs et décideurs B2B, l'enjeu concret est le cout d'adaptation: passer d'une politique généraliste a une compétence fiable sur une nouvelle tache en une a deux heures de pratique, avec seulement dix démonstrations de départ et moins d'interventions humaines que les méthodes de référence, change l'économie d'un déploiement capable d'apprendre sur site plutôt qu'en laboratoire. Le résultat va aussi a l'encontre de l'hypothèse répandue selon laquelle le fine-tuning en ligne des VLA reste trop instable hors des environnements simules, même si l'évaluation reste limitée a cinq taches et aux conditions de laboratoire des auteurs, sans réplication indépendante ni comparaison sur des taches plus complexes ou des robots tiers. Cette approche s'inscrit dans la lignée des modèles VLA généralistes tels que Pi-0, GR00T N2 ou Helix, pretraines sur de larges corpus de démonstrations puis adaptes a des taches spécifiques, une étape qui repose habituellement sur davantage de démonstrations ou sur du reinforcement learning hors ligne, deux voies gourmandes en données ou fragiles en stabilité. RAPolicy se positionne comme une alternative asynchrone a ces méthodes, misant sur l'ancrage dans les trajectoires rejouées pour stabiliser simultanément critique et acteur. Les auteurs mettent a disposition une page de projet avec, selon toute vraisemblance, code et vidéos de démonstration, mais ne précisent ni institution ni calendrier pour une intégration a des piles VLA commerciales existantes.

IA physique❧Opinion

1 source

40

1460arXiv cs.RO 

CARE : correction atomique guidée par l'expérience pour les politiques vision-langage-action

Une équipe de chercheurs a publié le 24 septembre 2026 sur arXiv (référence 2609.24118v1) un article présentant CARE, pour Corrective Atomic Robotic Execution, un framework destiné à améliorer la récupération des politiques Vision-Language-Action (VLA) lorsque l'exécution d'une tâche de manipulation robotique dévie de sa trajectoire nominale. Plutôt que de générer des données correctives à partir de perturbations manuelles ou aléatoires, comme le font les approches existantes, CARE collecte des rollouts ayant échoué, modélise les déviations post-échec en fonction de l'étape de la tâche, puis synthétise à partir de ces distributions empiriques des états d'échec représentatifs et des démonstrations correctives. Au moment de l'exécution, le système combine une planification par étapes avec un suivi 3D ancré physiquement pour déclencher des ajustements ponctuels ou des reprises d'opération, sans perdre la progression déjà accomplie sur la tâche. Les auteurs introduisent également un nouveau benchmark, le Failure State Recovery Benchmark (FSR-Bench), conçu pour évaluer spécifiquement la capacité de récupération à partir d'états d'échec intermédiaires, qu'il s'agisse de déviations locales ou d'anomalies structurelles. Testé sur plusieurs backbones VLA, en simulation et sur des tâches réelles à deux bras, CARE affiche des gains moyens de taux de réussite de 14,5 points en simulation et 15,9 points en conditions réelles. Le code, les modèles et les données sont publiés sur GitHub. Ce travail s'attaque directement à un point faible connu des politiques VLA: leur robustesse s'effondre dès que l'exécution s'écarte du script appris, un écart classique entre démonstration contrôlée et déploiement réel. Pour les intégrateurs et les équipes robotique en entreprise, le message est clair: empiler des données de démonstrations réussies ne suffit pas à obtenir un système fiable en production, il faut des mécanismes dédiés à la détection et à la correction des échecs. Cela nuance l'hypothèse selon laquelle le passage à l'échelle des modèles VLA résoudrait seul le problème de généralisation, et remet la question de la récupération d'erreur au centre des critères d'évaluation avant tout déploiement industriel. Le papier s'inscrit dans la lignée des politiques VLA généralistes pour la manipulation, sans revendiquer de lien avec un produit commercial ou un robot humanoïde particulier: il s'agit d'une contribution de recherche publiée en preprint, non encore validée par relecture par les pairs, avec un code ouvert permettant sa reproduction. Aucun acteur français ou européen n'est mentionné dans cette publication. Les prochaines étapes attendues concernent l'extension de FSR-Bench à d'autres familles de politiques VLA et la validation sur davantage de plateformes robotiques réelles au-delà des configurations à deux bras testées ici.

Recherche❧Opinion

1 source

39

1461arXiv cs.RO 

Intelligence collaborative générale : architecturer la cognition pour des écosystèmes multi-agents résilients

Une équipe de chercheurs publie sur arXiv (référence 2609.22967v1, catégorie cross-listing) un article de synthèse intitulé "General Collaborative Intelligence: Architecting Cognition for Resilient Multi-Agent Ecosystems", consacré aux systèmes multi-agents non habités (drones, véhicules, robots industriels) qui échangent des données compactes entre eux plutôt que de raisonner isolément. Les auteurs proposent une taxonomie à cinq dimensions (stade de collaboration, paradigme de communication, architecture de fusion, stratégie d'apprentissage, domaine d'application) et trois conditions de "synergie cognitive" baptisées désambiguïsation sémantique, échange d'information pragmatique et recherche informationnelle proactive, censées transformer ce concept flou en critères opérationnels mesurables. Ils introduisent aussi GCI-Bench, un protocole de notation à cinq piliers avec un modèle de maturité, destiné à comparer les méthodes collaboratives sur une base commune. Quatre domaines d'application sont couverts: le V2X (véhicules connectés), les systèmes aériens sans pilote, la logistique industrielle et les villes intelligentes. Ce travail ne décrit ni produit ni déploiement réel: il s'agit d'un article de recherche académique qui cartographie un champ jugé fragmenté, où les études existantes traitent architecture, communication, résilience et confiance de façon cloisonnée. Son intérêt pour les intégrateurs et décideurs robotique tient à son diagnostic sur la saturation des benchmarks actuels, qui rend les comparaisons entre méthodes multi-agents peu fiables, et à sa mise en avant d'un problème concret pour les flottes d'AMR en entrepôt, les essaims de drones ou les capteurs urbains: les occlusions et la portée limitée des capteurs individuels, que seule une perception distribuée et partagée peut contourner. Le papier s'inscrit dans une transition déjà engagée du secteur, de la perception égocentrique vers une intelligence collaborative distribuée, en traitant le canal de communication comme un composant différentiable du pipeline neuronal plutôt qu'une simple couche réseau. Les auteurs consacrent une section critique à la reproductibilité, au fossé simulation-réel et aux cas où la collaboration dégrade en fait les performances, plutôt que de présenter uniquement des résultats favorables. Aucun acteur commercial, français ou étranger, n'est cité: le texte reste une contribution théorique destinée à orienter les travaux futurs sur l'intelligence collaborative générale en conditions réelles incertaines.

Recherche❖Paper

1 source

39

1462arXiv cs.RO 

BiView-Touch : apprentissage de représentations tactiles bimanuelles par complétion croisée des mains

Des chercheurs présentent BiView-Touch dans un article arXiv (2609.23352v1, catégorie "cross"), publié en soumission anonyme pour relecture en double aveugle. Le cadre auto-supervisé reconstruit les latents masqués d'une main cible à partir des régions tactiles encore visibles de cette même main et de la main controlatérale synchronisée. Il repose sur un encodeur étudiant associé à un décodeur directionnel conditionné par la géométrie, qui prédit des cibles latentes complètes calculées par moyenne mobile exponentielle (EMA) sur un réseau enseignant. Des contrefactuels temporels et de disposition spatiale forcent le modèle à exploiter une information controlatérale réellement alignée dans le temps et organisée anatomiquement, et non un simple bénéfice de l'entrée bilatérale brute. Évalué sur le jeu de données public HumanTouch, BiView-Touch dépasse des méthodes auto-supervisées de référence en régime de faible annotation: avec seulement 5% des étiquettes disponibles pour l'entraînement en aval, les gains relatifs de précision équilibrée atteignent 7,1% pour la reconnaissance du mouvement bimanuel du poignet et 14,1% pour la reconnaissance de phase d'interaction dérivée des forces mesurées. Les auteurs publient aussi BVT-20, un nouveau jeu de données tactile bilatéral couvrant 20 tâches, et montrent un transfert des représentations entre sessions d'enregistrement et corpus de pré-entraînement, y compris vers une tâche bimanuelle totalement absente de l'entraînement. L'intérêt pour la robotique tient au fait que la plupart des approches tactiles auto-supervisées traitent encore chaque main indépendamment, ou ne fusionnent les deux flux qu'au niveau de la prédiction finale, sans modéliser leur relation croisée. Montrer qu'une structure inter-mains explicite améliore la qualité des représentations, surtout avec très peu d'étiquettes, cible un vrai goulot d'étranglement: les données tactiles annotées avec vérité terrain force/contact restent coûteuses à produire. Le résultat intéresse directement les pipelines de téléopération, l'apprentissage par imitation pour la manipulation bimanuelle ou humanoïde, et les tâches d'assemblage sensibles à la force en industrie, où généraliser sans gros volumes annotés est un enjeu concret. Le travail s'inscrit dans la lignée des méthodes de prédiction de latents masqués avec schéma enseignant-étudiant EMA (type data2vec/JEPA), jusqu'ici surtout appliquées à la vision ou à une seule main, en les adaptant spécifiquement au tactile bimanuel. L'article ne nomme aucun concurrent industriel ni laboratoire, conformément à sa soumission anonyme; le code et les détails du jeu de données sont déjà accessibles sur une page projet anonyme, une publication complète étant probable après l'issue du processus de relecture.

Recherche❖Paper

1 source

39

1463arXiv cs.RO 

Apprentissage sûr pour les tâches robotiques à contact riche : état de l'art, des méthodes classiques aux modèles fondation sécurisés

Une nouvelle version (v3) de l'article de synthèse arXiv 2512.11908, intitulé "Safe Learning for Contact-Rich Robot Tasks: A Survey from Classical Learning-Based Methods to Safe Foundation Models", dresse un état des lieux des méthodes d'apprentissage sûr appliquées aux tâches robotiques à contact riche, comme l'assemblage, l'insertion de pièces ou la manipulation fine. Les auteurs classent les approches existantes en deux grandes familles : l'exploration sûre et l'exécution sûre. Ils passent en revue des techniques telles que l'apprentissage par renforcement sous contraintes, l'optimisation sensible au risque, la modélisation consciente de l'incertitude, les fonctions de barrière de contrôle et les boucliers de sécurité par commande prédictive. Une section importante du papier étudie comment ces principes de sécurité s'articulent avec les modèles de fondation robotiques émergents, en particulier les modèles vision-langage (VLM) et vision-langage-action (VLA), qui unifient perception, langage naturel et commande motrice. Les auteurs publient une bibliographie et des ressources complémentaires sur un dépôt GitHub dédié. Ce travail de synthèse importe pour les intégrateurs et les décideurs du secteur robotique parce qu'il pointe précisément le goulot d'étranglement qui sépare les démonstrations impressionnantes de manipulation des déploiements industriels fiables : la sécurité, pendant l'apprentissage comme pendant l'exécution. À mesure que les modèles VLA se généralisent dans les bras manipulateurs et les humanoïdes, le papier montre que le langage naturel peut servir à spécifier des contraintes de sécurité et à ancrer des signaux de sécurité multimodaux, mais il souligne aussi que ces mêmes modèles de fondation amplifient les risques et compliquent l'évaluation, faute de méthodologies de test standardisées. C'est un rappel utile que la capacité à générer un comportement plausible ne garantit pas l'absence de dommage lors d'un contact physique réel. Le sujet s'inscrit dans la montée en puissance des modèles de fondation robotiques ces deux dernières années, qui ont déplacé la recherche de contrôleurs spécialisés vers des politiques génériques entraînées à grande échelle, sans que les garanties de sécurité suivent au même rythme. Les auteurs concluent en identifiant les limites actuelles et des pistes de recherche pour des robots fiables et alignés sur la sécurité dans des environnements à contact riche, sans annoncer de produit ni de déploiement concret.

Recherche❖Paper

1 source

39

1464arXiv cs.RO 

Au-delà des variations d'apparence : calibration sémantique des actions pour les modèles VLA

Un papier publié sur arXiv (2609.23650v1) présente BAS-VLA, un framework de calibration d'action pour les modèles vision-langage-action (VLA) utilisés en manipulation robotique. Les auteurs identifient deux défauts récurrents des politiques VLA actuelles : sous des changements qui préservent la tâche (variation de style visuel, d'éclairage, d'encombrement de la scène ou reformulation de la consigne), les modèles dévient inutilement de leur trajectoire ; à l'inverse, quand la sémantique de la tâche change réellement (objet cible ou contrainte modifiés), ils continuent souvent à suivre l'ancienne trajectoire au lieu de s'adapter. BAS-VLA s'appuie sur un modèle VLA de base gelé et combine un mécanisme central orienté rupture sémantique avec un module auxiliaire de préservation, activé seulement quand une variation sans enjeu sémantique est détectée. Testé sur le benchmark OpenPI-pi0.5 / LIBERO-Object Milk-Swap, le système maintient un taux de réussite de 98,0% en conditions propres et de 97,5% sous variations préservant la sémantique, tout en faisant chuter le taux de réussite au critère "propre" à 0,0% lorsque l'objet cible est délibérément substitué, preuve d'une nette séparation entre stabilité et adaptation. Sur des variations de style validées, le taux de succès passe de 42% à 70% sans dégrader les performances de référence. Ce travail touche un point sensible pour les intégrateurs et les équipes R&D qui déploient des modèles VLA en environnement réel : la robustesse apparente aux changements visuels, souvent mise en avant dans les démonstrations, ne garantit pas que le robot comprenne réellement ce qu'on lui demande. Un modèle capable d'ignorer un changement d'éclairage mais incapable de détecter qu'on lui a substitué l'objet à manipuler représente un risque opérationnel concret, notamment en logistique ou en usine où les tâches et les objets varient constamment. L'étude questionne ainsi l'hypothèse répandue selon laquelle la robustesse à l'apparence équivaut à une bonne généralisation : elle montre qu'un défaut de sensibilité sémantique à la tâche peut coexister avec une stabilité comportementale en apparence solide, ce qui complique l'évaluation des VLA à l'échelle industrielle. BAS-VLA s'inscrit dans la vague de recherche actuelle sur les modèles vision-langage-action, qui cherchent à transposer les capacités de généralisation des grands modèles de langage à la manipulation robotique physique. La méthode est construite par-dessus pi0.5, un modèle VLA de la suite OpenPI utilisé comme base gelée, et évaluée sur LIBERO-Object dans sa variante Milk-Swap, un protocole conçu pour tester spécifiquement la substitution d'objets cibles. Il s'agit à ce stade d'un travail de recherche publié en preprint, sans indication de déploiement industriel ni de partenariat annoncé ; les auteurs présentent leurs résultats comme un argument en faveur d'une nouvelle direction méthodologique, la calibration sémantique explicite des actions, plutôt que la seule recherche de robustesse à l'apparence, pour la prochaine génération de politiques VLA.

IA physique⚡Actu

1 source

39

1465arXiv cs.RO 

HapticWAM : distiller le toucher imaginé dans un modèle monde-action sans détection tactile à l'inférence

Un article déposé sur arXiv (référence 2609.23888v1) présente HapticWAM, un modèle combinant perception et action (« world-action model ») pour la manipulation robotique, testé sur trois tâches réelles de prise et dépose impliquant des contacts physiques délicats. Sa version « élève » atteint un taux de réussite moyen de 77% par tâche, soit 41 essais réussis sur 50 (82% en cumulé sur l'ensemble des tâches), avec un pic à 95% sur la tâche la plus favorable, devançant à la fois le modèle « enseignant » dont elle dérive et les configurations de référence testées. Sa particularité : elle agit sans aucun capteur tactile physique au moment de l'exécution, alors que son apprentissage s'appuie sur des données tactiles riches (images de gel déformable, déformation, cisaillement, forces distribuées, couple résultant) issues de capteurs optiques de contact. Ces capteurs tactiles optiques, coûteux et fragiles, restent difficiles à généraliser sur des pinces industrielles ou des mains humanoïdes déployées en volume, ce qui forçait jusqu'ici un choix entre finesse du toucher et robustesse mécanique. HapticWAM contourne ce compromis par une distillation enseignant-élève : le modèle apprend à anticiper les futurs événements de contact (géométrie, glissement, effort) plutôt qu'à seulement reproduire des pixels tactiles, et conserve cette capacité de prédiction pour guider ses actions même sans capteur au déploiement. Pour les intégrateurs et décideurs de la robotique industrielle, cela suggère qu'un savoir-faire tactile appris en laboratoire peut se transférer vers du matériel moins instrumenté, donc moins coûteux, sans perdre la capacité à manipuler des objets fragiles ou glissants, un point de friction connu entre démonstrations et déploiements réels. Le travail reste un article de recherche publié sur arXiv, et non un produit commercial : les résultats se limitent à trois tâches et 50 essais par tâche en environnement contrôlé, sans partenaire industriel annoncé ni calendrier de transfert vers un système de production. Il s'inscrit dans la lignée des capteurs tactiles optiques désormais associés aux modèles de manipulation fine, mais s'en distingue en structurant explicitement la prédiction du contact au sein du même modèle génératif que la politique d'action, plutôt qu'en la traitant comme un simple signal auxiliaire. La contribution reste pour l'instant une preuve de concept technique destinée à la communauté de recherche en apprentissage robotique.

IA physique⚡Actu

1 source

39

1466arXiv cs.RO 

Collaboration hétérogène entre robots dans des environnements non structurés grâce à l'IA générative ancrée

Les chercheurs a l'origine de SPINE-HT ont publie une version mise a jour de leur article sur arXiv (référence 2510.26915v2) présentant un framework de collaboration pour des équipes de robots hétérogènes évoluant dans des environnements non structures. Le système s'appuie sur des grands modèles de langage (LLM) et des modèles vision-langage (VLM) pour déduire les sous-taches nécessaires a partir d'une spécification de mission formulée en langage naturel et du contexte de l'environnement. Le processus se déroule en trois étapes: un LLM infère d'abord les sous-taches requises a partir de la mission et des capacités déclarées de l'équipe, ces sous-taches sont ensuite validées pour vérifier leur faisabilité avant d'être assignées aux robots selon des critères comme la franchissabilite du terrain ou les capacités de perception, puis le framework les met a jour en continu grâce aux retours collectes sur le terrain (cartes sémantiques, résultats des taches). En simulation, avec perception et contrôle en boucle fermée, SPINE-HT obtient un taux de réussite près de deux fois supérieur aux approches antérieures de teaming hétérogène basées sur des LLM. En conditions réelles, l'équipe a teste le système sur une flotte composée d'un robot a roues Clearpath Jackal, d'un robot a roues Clearpath Husky, du quadrupède Spot de Boston Dynamics et d'un drone volant a haute altitude, atteignant un taux de réussite de 87,5% sur des missions exigeant un raisonnement sur les capacités de chaque robot et un ajustement des sous-taches via retour d'information en ligne. Ce résultat s'attaque directement a une limite récurrente des méthodes de teaming multi-robots pilotées par LLM: la plupart supposent des environnements bien structures et connus a l'avance, ce qui dégradé leurs performances des que le terrain devient incertain ou changeant. Pour les intégrateurs travaillant sur des flottes mixtes (drones, robots a roues, robots a pattes) destinées a l'inspection, la recherche et sauvetage ou la surveillance de sites industriels, la démonstration montre qu'une spécification de mission en langage naturel peut remplacer une bonne partie de l'ingénierie manuelle de taches, a condition que le système puisse vérifier la faisabilité et se corriger en temps réel plutôt que de suivre un plan fige. Il s'agit toutefois d'un prototype de recherche, teste sur un nombre limite de plateformes et de scenarios de mission, et non d'un produit commercialise ni d'un déploiement opérationnel a grande échelle. Aucune entreprise ni financement n'est mentionne dans l'article; les auteurs renvoient vers un site dédié au projet pour plus de détails. La progression par rapport aux méthodes antérieures de teaming hétérogène base sur LLM situe ce travail dans un courant de recherche actif visant a ancrer le raisonnement des modèles génératifs dans le contexte physique et évolutif de robots réels, plutôt que dans des simulations idéalisées.

Recherche❖Paper

1 source

39

1467arXiv cs.RO 

Recherche, ancrage, planification : suffisance fonctionnelle pour la planification tâche-mouvement avec connaissance incomplète de la scène

GRAB-TAMP est un framework de planification de tâches et de mouvements (TAMP) piloté par des foundation models, capable de traiter des instructions en langage naturel et des observations visuelles. Publié sur arXiv le 22 septembre 2026 sous la référence 2609.23113, avec un code disponible sur GitHub (dépôt Narendhiranv04/GRAB-TAMP), le système recherche dans la scène les entités nécessaires à la tâche, ancre chaque rôle fonctionnel requis à un objet physique valide via des contrôles sémantiques, géométriques et relationnels, puis ne déclenche la planification qu'une fois obtenue une affectation complète établissant ce que les auteurs nomment la "suffisance fonctionnelle". Testé sur 32 variantes de scènes réparties en trois domaines simulés, cuisine, salon et atelier, et sur 200 essais jugés faisables, le système atteint 54,0% de réussite de bout en bout et 67,3% de couverture des objectifs de plan, soit 25,7 points de pourcentage de mieux que la moyenne de trois autres frameworks TAMP concurrents testés dans les mêmes conditions d'exécution. L'enjeu visé est un angle mort connu des pipelines TAMP pilotés par foundation models: comprendre une instruction en langage ne garantit pas que la scène observée contienne réellement de quoi la réaliser, et la plupart des architectures existantes supposent à tort une connaissance complète de la scène, produisant des plans irréalisables dès que la perception est partielle, un cas fréquent hors laboratoire. En conditionnant la planification à cette vérification préalable, GRAB-TAMP réduit ce risque et améliore nettement le taux de réussite face à des baselines comparables. Un score de 54% en environnement simulé, même en net progrès, montre toutefois que le problème de la connaissance incomplète de la scène reste loin d'être résolu à l'échelle, un repère utile pour les intégrateurs qui évaluent des piles VLA ou des agents de planification fondés sur des LLM avant un déploiement réel plutôt qu'en démonstration contrôlée. GRAB-TAMP prolonge le TAMP classique, historiquement fondé sur une modélisation symbolique complète de l'environnement, vers des tâches spécifiées par le langage et la vision grâce aux foundation models. L'abstract ne précise ni l'affiliation des auteurs ni les noms des trois frameworks concurrents servant de référence, mais fixe une comparaison à conditions d'exécution identiques, ce qui rend les écarts de performance directement lisibles. Aucun déploiement sur robot physique n'est mentionné: les résultats proviennent uniquement de scènes simulées, sans partenariat industriel ni pilote annoncé à ce stade. La suite passe par la publication du code, ouvrant la voie à une réplication indépendante et à une extension éventuelle vers des scènes ou des robots réels.

Recherche❖Paper

1 source

39

1468arXiv cs.RO 

StateMem : mémoire résiduelle à état unique et inférence adaptative pour les modèles vision-langage-action

Publié le 22 septembre 2026 sur arXiv sous la référence 2609.22684, StateMem est un nouveau framework de mémoire pour les politiques vision-langage-action (VLA) utilisées en manipulation robotique. Plutôt que de s'appuyer sur des banques de mémoire externes comme celles de MemoryVLA, il maintient un unique token de mémoire persistant mis à jour par résidus de faible rang et route de façon adaptative les préfixes mis en cache, avec un contrôleur sans entraînement ajustant le seuil en ligne et une correction rapide compensant la dérive des données en cache. Sur le benchmark LIBERO, StateMem atteint 97,6% de réussite moyenne tout en réduisant de 20,25% la fréquence de rafraîchissement complet du préfixe du modèle vision-langage. Sur RoboMemArena, catégorie Occlusion, il devance les autres méthodes VLA isolées avec 21,8% de taux de succès par tâche et 44,3% de taux de succès cumulé, et gagne 21 points de réussite moyenne sur six tâches de manipulation réelle. L'enjeu est concret pour l'industrie: la manipulation robotique dépendante de la mémoire, où une action tardive doit exploiter une information vue plus tôt, comme un objet temporairement caché, reste un point faible des VLA qui ne regardent que l'observation courante. En évitant le stockage et la récupération explicites d'une mémoire externe, StateMem allège le pipeline d'inférence et réduit le calcul redondant, un critère décisif pour la latence et le coût de calcul embarqué en déploiement temps réel. Les gains en environnement d'occlusion sont particulièrement significatifs car ils ciblent l'écart entre démonstrations de laboratoire et conditions réelles d'usine ou d'entrepôt, où l'occlusion visuelle est fréquente. Le travail s'inscrit dans la lignée des politiques VLA qui cherchent à dépasser la réaction à l'instant présent pour intégrer un raisonnement temporel, en se positionnant comme alternative plus légère aux architectures à mémoire externe explicite telles que MemoryVLA. Les auteurs valident leur approche sur trois terrains complémentaires, la suite standardisée LIBERO, le benchmark récent RoboMemArena axé sur mémoire et occlusion, et des tâches réelles sur robot physique, limitant le risque de sur-optimisation à un seul environnement simulé. Déposé en pré-publication sans mention de licence commerciale ni de partenariat industriel, StateMem reste à ce stade une contribution de recherche dont l'adoption en production dépendra de sa reproduction indépendante.

Recherche⚡Actu

1 source

39

1469arXiv cs.RO 

BEACON : contrôle adaptatif basé sur la croyance pour l'apprentissage par imitation en contexte incertain

Une équipe de recherche présente BEACON (Belief-Enabled Adaptive CONtrol), une méthode d'apprentissage par imitation pour la manipulation robotique en environnement partiellement observable, décrite dans un article publié sur arXiv le 22 septembre 2026 (arXiv:2609.22730v1). Le problème ciblé : quand une tâche de manipulation dépend d'un état caché qui ne peut être observé directement mais doit être inféré via des interactions physiques successives, conditionner une politique uniquement sur l'historique brut d'observations récentes produit de mauvaises performances, un phénomène appelé aliasing d'état, où des observations identiques correspondent à des états cachés différents et génèrent des étiquettes d'action contradictoires pour une même entrée. BEACON conditionne à la place une politique de diffusion sur une représentation structurée de croyance bayésienne, qui expose à la fois l'estimation la plus probable de l'état courant et l'incertitude résiduelle. La méthode est testée sur deux tâches aux représentations de croyance qualitativement différentes : une croyance continue pour l'alignement d'une pince sur une tige de maïs via détection tactile, et une distribution catégorielle discrète pour l'ouverture d'une porte verrouillée. Sur les deux tâches, la politique conditionnée par la croyance surpasse nettement la référence fondée uniquement sur l'observation et s'approche de la performance obtenue avec un accès privilégié à la vérité terrain sur l'état caché. Des ablations montrent que la politique module implicitement son comportement entre exploration et exploitation selon le niveau d'incertitude au moment de l'inférence, sans bascule de mode explicite ni ingénierie de récompense. Ce résultat cible une limite connue des politiques d'apprentissage par imitation conditionnées sur historique brut, y compris dans des architectures type vision-langage-action : leur difficulté à distinguer des états physiquement différents mais similaires en apparence ou au toucher, un problème fréquent en manipulation fine où le contact porte l'essentiel de l'information utile. Pour des intégrateurs travaillant sur la préhension délicate ou la manipulation d'objets à contrainte mécanique cachée (loquets, verrous, alignement d'outils agricoles), l'approche esquisse une voie pour réduire l'écart entre démonstrations contrôlées et robustesse en conditions réelles, sans dépendre uniquement de volumes massifs de données. BEACON s'inscrit dans la lignée des politiques de diffusion pour l'apprentissage par imitation, devenues une approche de référence en manipulation robotique ces dernières années, et s'attaque spécifiquement à leur angle mort en environnement partiellement observable. L'article ne mentionne ni déploiement industriel ni partenariat commercial : il s'agit d'un travail de recherche évalué en laboratoire sur des tâches ciblées, sans mise à l'échelle annoncée ni calendrier de transfert vers des plateformes commerciales.

Recherche❖Paper

1 source

39

1470arXiv cs.RO 

Politique de dérive d'horloge d'exécution partagée pour la manipulation dynamique de précision

Une équipe de chercheurs, dont l'identité reste masquée le temps d'une évaluation en double aveugle, publie le 22 septembre 2026 sur arXiv (référence 2609.23305) une méthode baptisée SECD, pour Shared Execution-Clock Drifting, destinée à la manipulation robotique sous contrainte de temps. Le principe consiste à faire prédire par une politique en une seule étape de génération, à la fois une courbe d'action indexée sur la progression de la tâche et une horloge monotone partagée qui associe les instants de contrôle fixes à des positions sur cette courbe, l'ensemble étant calé sur des démonstrations puis affiné par un processus de "drifting" sur les actions décodées. Testée sur quatre tâches robotiques réelles avec inférence embarquée sur un module NVIDIA Thor, la méthode atteint un taux de réussite moyen de 77,00 % sur 300 essais, avec 91 % de réussite pour récupérer une tasse sur un convoyeur roulant à 16 mètres par minute, et 54 % pour redéplier et plier un vêtement froissé en moins de 90 secondes ; une variante à horloge fixe monte à 79 % sur le même protocole de convoyeur. L'enjeu dépasse la simple performance chiffrée : les politiques génératives en une seule étape, plus rapides à calculer que les approches par diffusion multi-étapes, laissaient jusqu'ici le rythme d'exécution implicite dans la séquence d'actions prédite, ce qui les pénalise dès qu'un objet bouge ou qu'une échéance s'impose. En rendant ce rythme explicite sans sacrifier la cadence de contrôle fixe ni ajouter d'évaluation réseau supplémentaire, SECD s'attaque directement à un angle mort de la course actuelle aux modèles vision-langage-action rapides. Le score de 54 % sur le pliage de tissu, nettement inférieur aux 91 % du convoyeur, rappelle toutefois que la manipulation déformable dynamique reste un problème largement non résolu, loin des démonstrations soignées habituellement mises en avant. Le travail s'inscrit dans la lignée des politiques dites "one-step", comparées ici à plusieurs bases de référence du même type, et complète ses essais réels par des expériences sur le simulateur RoboMimic, incluant des ablations multi-graines sur les tâches Transport et Square. Aucune affiliation industrielle, aucun partenaire ni calendrier de déploiement n'est mentionné : il s'agit à ce stade d'une contribution de recherche accompagnée d'une page de projet dédiée, sans indication de suite commerciale annoncée.

Recherche❖Paper

1 source

39

1471arXiv cs.RO 

PredActor : diffusion d'action prédictive pour un contrôle humanoïde embarqué et pilotable

PredActor, une politique de diffusion d'action prédictive pour le contrôle embarqué d'humanoïdes, est détaillée dans une publication arXiv de septembre 2026 (2609.24840). À la différence des architectures hiérarchiques classiques, qui séparent trajectoire de référence et tracker de suivi, elle s'exécute seule, conditionnée sur l'historique proprioceptif et un contexte de tâche optionnel, sans état corporel complet mesuré en externe, et génère à la fois les actions et une trajectoire d'état futur interne, guidée par classifier-free guidance pour le texte et par guidage de classifieur pour les objectifs de test. En simulation, elle atteint les 15 cibles testées, avec un score de récupération de texte de 0,580 contre 0,373 pour une diffusion d'action classique, et une résistance aux perturbations comparable. Sur une carte Jetson Orin NX, le cycle de calcul tombe à 16,790 ms en médiane et 19,383 ms au 95e percentile, sous les 20 ms requis ; déployée sur un robot Unitree G1, elle a démontré mouvement piloté par texte, réaction aux perturbations, contrôle au joystick et interpolation sémantique. Ce résultat répond à un point de friction du secteur : les politiques de diffusion pour humanoïdes fonctionnent bien hors ligne mais restent rarement pilotables en temps réel embarqué. En tenant le calcul sous les 20 ms sur du matériel edge accessible, sans tracker séparé ni perception externe de l'état corporel complet, PredActor allège la pile logicielle qu'un intégrateur doit maintenir et contredit l'idée qu'un pilotage sémantique par texte ou joystick exige une architecture hiérarchique lourde. Pour des décideurs industriels évaluant des humanoïdes pour des tâches réelles, la robustesse conservée malgré cette contrainte est encourageante, même si les métriques reposent sur un nombre limité de cibles et un score de récupération de texte propre au papier, peu comparable aux autres benchmarks du secteur. PredActor s'inscrit dans la lignée des politiques de diffusion pour le contrôle robotique et des modèles vision-langage-action, aux côtés d'approches comme Pi-0 de Physical Intelligence, GR00T N2 de NVIDIA ou Helix de Figure AI, dont il se distingue en évitant tout tracker de mouvement ou état privilégié externe. Classée comme nouvelle soumission sur arXiv, la publication ne précise ni laboratoire porteur ni entreprise associée et ne mentionne aucun calendrier de déploiement commercial : il s'agit d'un travail de recherche validé en simulation et sur un seul robot physique, sans pilote industriel annoncé.

Recherche❖Paper

1 source

39

1472arXiv cs.RO 

De la cognition au contrôle : apprentissage multi-agents pour le transport collaboratif humain-humanoïde

Des chercheurs ont présenté C2C (Cognition-to-Control), une architecture de collaboration homme-robot pour le transport d'objets, dans une version mise à jour d'un article publié sur arXiv (2603.03768v2, catégorie "replace"). Plutôt que de standardiser les modules logiciels eux-mêmes (planificateur, modèle du partenaire, politique de coordination, contrôleur), C2C standardise les signaux physiques échangés entre eux : un chemin de charge vérifié géométriquement pour représenter l'intention de tâche, un état physique indépendant de sa source pour décrire le partenaire, des commandes bornées en espace de tâche à 11 dimensions pour la coordination apprise, la faisabilité propre au robot restant du ressort du contrôle corps entier (whole-body control). Le système de référence associe un modèle vision-langage, une vérification géométrique déterministe et de l'apprentissage par renforcement multi-agent (MARL) sensible au partenaire ; sur neuf scénarios de transport, les variantes MARL adaptatives atteignent 77,1 à 82,1 % de succès moyen, contre 56,5 % pour une référence à partenaire scripté. Sur robot physique, un Unitree G1 associé à un humain obtient 100 % de succès en transport dans un espace confiné et 80 % pour la manipulation d'objets très longs, et un système à trois porteurs (deux humanoïdes G1 et un humain) valide la même structure d'interface sur matériel réel. Le problème visé est concret pour les intégrateurs : les piles de collaboration homme-robot pleinement intégrées deviennent fragiles dès qu'on change un seul composant, par exemple en remplaçant un partenaire simulé par un humain, ou une équipe à deux porteurs par une équipe à trois. En montrant que la même interface reste fonctionnelle avec des acteurs neuronaux ou des arbres de décision interprétables, avec deux ou trois porteurs, et avec une substitution simulation-vers-réel, les auteurs suggèrent qu'un système de transport collaboratif homme-humanoïde peut être construit de façon modulaire plutôt que reconstruit à chaque itération. C'est un signal pertinent pour les déploiements d'humanoïdes en logistique et en usine, où la coordination physique fiable avec des opérateurs humains reste un frein avant la montée en échelle commerciale. Ce travail s'inscrit dans la vague de recherche combinant modèles vision-langage-action et apprentissage multi-agent pour la robotique humanoïde, où l'écart entre démonstrations simulées et performance réelle reste un point de friction classique du secteur. Le choix du Unitree G1, robot bipède largement utilisé par les laboratoires académiques pour ce type d'expérimentation en raison de sa disponibilité commerciale, situe l'étude comme une validation de laboratoire plutôt qu'un déploiement industriel : l'article ne mentionne ni institution ni entreprise partenaire, ni calendrier de mise en production, et les scénarios à deux et trois porteurs testés ouvrent la voie à une généralisation vers des équipes homme-robot plus larges comme prochaine étape.

Recherche❖Paper

1 source

39

1473arXiv cs.RO 

Verti-WM : un modèle du monde extéroceptif assisté par la physique pour l'apprentissage par renforcement tout-terrain

Verti-WM, un modèle de monde physique et extéroceptif destiné à l'apprentissage par renforcement en navigation tout-terrain, a été présenté dans un article déposé sur arXiv sous la référence 2609.23118. Le système fusionne de façon récurrente un Transformer figé, dédié aux terrains rigides, et un modèle neuro-symbolique de terramécanique pour les terrains déformables, en interrogeant à chaque pose prédite une carte fournie pour en extraire l'élévation et la sémantique du sol, ce qui permet des simulations à six degrés de liberté sans accès supplémentaire à un simulateur. Cette approche réduit l'erreur de prédiction de 34,6% par rapport à une base purement data-driven et de 21,7% par rapport à une base purement physique. Des politiques entraînées uniquement dans Verti-WM atteignent des taux de réussite comparables à celles entraînées dans un simulateur haute-fidélité, tout en réduisant le temps de calcul d'un facteur 23,6. Les auteurs valident enfin l'approche sur des données réelles: une politique optimisée dans une dynamique apprise à partir du monde réel atteint 80% de réussite sur la plateforme robotique Verti-4-Wheeler, contre 40% pour un transfert sim-to-real direct. Ce travail cible une limite connue des world models utilisés en RL: la seule proprioception ne suffit pas à anticiper les interactions roue-sol en tout-terrain, où la nature du sol change radicalement la dynamique du véhicule. En combinant un module data-driven efficace sur sols rigides avec un modèle physique adapté aux sols déformables, Verti-WM atténue le compromis habituel entre fidélité physique et coût de collecte de données en simulation haute-fidélité. Pour les équipes robotiques travaillant sur des véhicules autonomes tout-terrain, agricoles, de défense ou d'exploration, la division par plus de 23 du temps de calcul change l'économie de l'entraînement de politiques, et l'écart entre 80% et 40% de réussite en conditions réelles constitue une indication chiffrée, bien que limitée à une seule plateforme, de réduction du fossé sim-to-real. Le travail s'inscrit dans la continuité des recherches sur les world models pour la RL, transposées ici au véhicule tout-terrain, domaine historiquement partagé entre approches data-driven et modèles physiques de terramécanique que Verti-WM cherche à combiner. La validation s'appuie sur la plateforme Verti-4-Wheeler, déjà utilisée dans des travaux antérieurs du même laboratoire sur la navigation verticale tout-terrain. L'article ne mentionne aucun partenaire industriel ni plan de déploiement commercial: il s'agit à ce stade d'une contribution académique, dont les suites attendues porteraient sur l'extension à d'autres plateformes, d'autres types de terrains déformables et une validation à plus grande échelle du transfert sim-to-real.

Recherche❖Paper

1 source

39

1474arXiv cs.RO 

ContactDP : politique de diffusion guidée par le contact pour les tâches d'insertion de précision

Une équipe de recherche présente ContactDP (Contact-Guided Diffusion Policy), une politique de diffusion conçue pour l'insertion de connecteurs à tolérances serrées, dans un preprint publié sur arXiv (2609.23800v1). Le système fusionne trois flux de perception en temps réel : une caméra RGB montée au poignet pour l'alignement global, des capteurs tactiles au bout des doigts et des mesures de force-couple au poignet, afin d'inférer l'état de contact et de générer des corrections de trajectoire temporellement cohérentes pendant l'insertion. Cette politique apprise pilote un contrôleur hybride position-force en boucle basse, qui assure une interaction compliante lors du contact physique avec le connecteur. Les auteurs l'ont testée sur une série de tâches d'insertion de connecteurs de qualité industrielle, en faisant varier la géométrie des pièces, les conditions de préhension et le désalignement initial de la pince. Le résultat annoncé est un gain net de performance, de fiabilité et de capacité de généralisation par rapport aux politiques de diffusion qui ne s'appuient que sur la vision. Cette approche s'attaque à un point de friction classique de la manipulation fine en robotique : dès que la pince entre en contact avec la pièce, l'occlusion visuelle et l'ambiguïté du contact rendent l'image seule insuffisante pour corriger la trajectoire, ce qui explique une partie de l'écart persistant entre les démonstrations en laboratoire et la fiabilité requise en ligne d'assemblage. En montrant qu'ajouter du tactile et de la force-couple à une politique de diffusion améliore nettement la robustesse sur des connecteurs aux géométries variées, les auteurs apportent un argument concret pour les intégrateurs qui cherchent à automatiser des tâches d'assemblage électronique ou de câblage, un segment où les robots à apprentissage visuel seul échouent encore souvent en production. Le travail s'inscrit dans la lignée des politiques de diffusion pour la manipulation robotique, une famille de méthodes popularisée ces dernières années comme alternative aux politiques de clonage comportemental classiques, et vise spécifiquement le sous-problème de l'insertion contact-rich plutôt que la manipulation générale à la manière des modèles VLA de type Pi-0 ou GR00T. L'abstract ne précise ni l'affiliation des auteurs ni de calendrier de transfert vers un produit industriel : il s'agit à ce stade d'un résultat de recherche évalué en conditions contrôlées, sans déploiement commercial annoncé.

Recherche❖Paper

1 source

39

1475arXiv cs.RO 

Modélisation conjointe monde-action sensible aux affordances pour la manipulation robotique (AffordanceWAM)

Une équipe de recherche a publié le 22 septembre 2026 sur arXiv, sous la référence 2609.22332, AffordanceWAM, un nouveau modèle conjoint de monde et d'action pour la manipulation robotique généraliste. Bâti sur un Transformer de diffusion vidéo pré-entraîné, il associe un module « World Expert » et un module « Action Expert » reliés par une attention conjointe masquée, pour prédire simultanément les images RGB futures de la scène, un champ d'affordance scalaire, une carte de chaleur des zones manipulables et la trajectoire d'action continue du robot, sous un objectif d'entraînement unique de type flow-matching. Les vidéos humaines filmées à la première personne supervisent ces trois flux visuels, tandis que les démonstrations robotiques ajoutent la supervision d'action, sans retargeting ni étiquetage manuel des gestes humains, avant validation sur les bancs d'essai RoboCasa et CALVIN (protocole ABC vers D) et sur des tâches de manipulation réelles. Le problème visé est la pénurie de données d'entraînement pour les politiques vision-langage-action : les vidéos robot avec actions étiquetées restent coûteuses et peu diversifiées, tandis que les vidéos humaines égocentriques, abondantes, manquent d'actions robotiques exploitables et diffèrent en morphologie. AffordanceWAM affiche des gains constants face à des références limitées au RGB seul ou aux seules données robot, et surtout une amélioration monotone sur RoboCasa à mesure que le volume de vidéos humaines annotées en affordance augmente, à supervision robot constante. Pour les équipes entraînant des modèles VLA à grande échelle, ce résultat trace une voie pour réduire la dépendance à la téléopération coûteuse en exploitant des corpus vidéo humains déjà disponibles en masse. Le travail s'inscrit dans la tendance des modèles du monde appliqués à la robotique, où prédiction vidéo et génération d'action sont fusionnées dans une architecture unique plutôt que traitées séparément, une direction également suivie par plusieurs laboratoires industriels développant des modèles vision-langage-action. Il s'agit à ce stade d'une prépublication non encore validée par relecture par les pairs, testée sur des bancs d'essai académiques et un nombre restreint de scénarios réels, et non d'un produit ou d'un déploiement commercial. Le papier ne précise ni la taille exacte des corpus vidéo humains, ni de calendrier de publication du code ou des poids du modèle, laissant la reproductibilité comme prochaine étape à vérifier.

Recherche⚡Actu

1 source

39

1476arXiv cs.RO 

Cher LLaVA, conduis" : un agent vision-langage sensible à la profondeur pour le contrôle robotique en boucle fermée

Une équipe de recherche a publié le 22 septembre 2026 sur arXiv (référence 2609.22925v1) un article intitulé "Dear LLaVA, Please Drive", décrivant une méthode pour adapter un modèle vision-langage (VLM) préentraîné, dérivé de l'architecture LLaVA, à la navigation autonome de robots mobiles. Contrairement aux approches classiques qui reposent sur l'apprentissage par imitation et nécessitent de vastes jeux de trajectoires annotées, le système utilise un paradigme dit d'Imperative Learning : il optimise directement contre des champs de coût géométriques différentiables, calculés à partir d'observations de profondeur stéréoscopique, plutôt que d'apprendre à partir de trajectoires étiquetées. L'architecture combine un backbone VLM partagé avec des modules d'adaptation Low-Rank (LoRA) spécifiques à chaque tâche, reliant la sélection sémantique d'une cible en langage naturel à la planification bas niveau de trajectoire. Moins de 1 % des paramètres totaux du modèle sont mis à jour lors du fine-tuning. Les auteurs rapportent un score SPL (Success weighted by Path Length) compétitif dans des environnements inédits, ainsi que des essais qualitatifs en conditions réelles démontrant une généralisation du simulateur au monde physique sans réentraînement sur données réelles. Pour l'industrie robotique, ce travail s'attaque à un goulot d'étranglement connu des architectures VLA appliquées à la navigation : le coût et la rareté des données de trajectoires labellisées, qui freinent le passage à l'échelle des agents pilotés par instructions en langage naturel. En s'appuyant sur un fine-tuning paramétrique léger plutôt que sur un réentraînement massif, l'approche illustre une voie pour déployer des capacités de navigation sémantique sur des robots mobiles à moindre coût de collecte de données, un argument pertinent pour les intégrateurs cherchant à réduire la dépendance aux pipelines d'annotation. Le papier s'inscrit dans la vague plus large des travaux combinant VLM et robotique mobile, où la question centrale reste la fiabilité du transfert simulation vers réel. Il s'agit ici de résultats qualitatifs et d'une preuve de concept académique, sans mention de partenaire industriel, de déploiement commercial ni de calendrier de suite, l'article se présentant comme une contribution méthodologique plutôt qu'une annonce produit.

IA physique⚡Actu

1 source

39

1477arXiv cs.RO 

CHOREO : chaque compétence humanoïde représentée comme une trajectoire

CHOREO est un framework de recherche qui permet de composer des compétences hétérogènes de robots humanoïdes sans réentraînement, testé sur le robot Unitree G1 dans le simulateur physique MuJoCo. L'idée centrale : quelle que soit sa méthode d'apprentissage (renforcement, imitation de mouvement, modèles génératifs), une compétence peut toujours s'exprimer comme une trajectoire exécutable, convertie en une représentation unifiée baptisée SkillMotion, qui combine états de mouvement, contacts, sémantique et conditions aux limites. Les compétences s'enchaînent ensuite par continuation directe, lissage cubique de Hermite ou mouvements de transition validés, sans réentraîner les modèles source ni les mettre à jour au moment du test. Sur 2 950 assets SkillMotion issus de sources hétérogènes, le système atteint 95,4% de réussite sur 130 tâches multi-actions, dont 93,8% sur des séquences de huit actions. Le problème visé est structurel : les compétences humanoïdes sont aujourd'hui produites par des méthodes incompatibles, chacune avec ses représentations, interfaces et contrôleurs, ce qui oblige intégrateurs et équipes R&D à reconstruire des politiques monolithiques à chaque nouvelle capacité, une contrainte coûteuse face à des modèles généralistes comme Pi-0 (Physical Intelligence), GR00T N2 (Nvidia) ou Helix (Figure). En montrant qu'une trajectoire exécutable peut servir d'interface commune indépendamment de la méthode d'apprentissage, CHOREO esquisse une voie vers des bibliothèques de comportements cumulables sans coût de réentraînement, un enjeu central pour l'industrialisation des humanoïdes polyvalents. Ces résultats restent toutefois obtenus entièrement en simulation, sur un seul robot, sans validation matérielle mentionnée, laissant ouverte la question du transfert réel. Ce travail s'inscrit dans la multiplication des approches d'apprentissage de compétences pour humanoïdes : renforcement pour la locomotion et la manipulation, imitation à partir de capture de mouvement, et modèles vision-langage-action popularisés par Physical Intelligence, Nvidia ou Figure, chacun produisant des politiques aux espaces d'action et contrôleurs incompatibles entre eux. Le choix du Unitree G1, plateforme très utilisée en recherche académique pour son coût et sa disponibilité, signale un positionnement scientifique plutôt que produit, aucune entreprise partenaire n'étant citée. Publié en preprint sur arXiv, le papier n'annonce pas de calendrier précis, mais les suites logiques seraient l'extension de la bibliothèque de compétences et une validation sur robot physique pour confirmer la tenue hors simulateur.

Recherche❖Paper

1 source

39

1478arXiv cs.RO 

Télépathie latente : communication multi-robots par latents perceptuels auto-supervisés

Publié sur arXiv (2609.23269) le 22 septembre 2026, un article de recherche présente Latent Telepathy, un protocole de communication pour équipes de robots décentralisées évoluant sous observabilité partielle. Plutôt que d'échanger position ou trajectoire, chaque robot diffuse à ses coéquipiers le vecteur latent perceptif qu'il calcule déjà pour lui-même, issu d'un encodeur auto-supervisé de type JEPA (joint-embedding prédictive architecture) gelé avant tout entraînement de politique. Un coéquipier apprend à s'en servir uniquement via la récompense de tâche, sans jamais connaître sa signification. Dans un protocole où bande passante, latence et topologie restent fixées, ce seul signal permet d'éviter un danger occulté dans 99,7% des épisodes, un score équivalent à un message idéal conçu à la main. Les messages de position ou de trajectoire restent au niveau du hasard, et l'image caméra brute, 186 fois plus lourde en bande passante, s'avère moins fiable que le vecteur latent compressé. Sur un robot physique réel, l'encodeur décode correctement le danger dans 102 décisions sur 102 en conditions live. Pour les intégrateurs de flottes de robots mobiles autonomes en entrepôt ou de robots de service coordonnés, ce travail comble un angle mort des architectures existantes: aucune ne transmettait ce qu'un robot perçoit mais que son coéquipier ne voit pas, comme un obstacle masqué. Les communications apprises en apprentissage par renforcement multi-agent existent depuis des années, mais produisent des messages opaques et couplés à la tâche d'entraînement, donc peu réutilisables d'un contexte à l'autre. Ici, un vecteur déjà calculé pour la perception, sans coût de calcul supplémentaire ni entraînement joint des politiques, suffit à approcher la fiabilité d'un canal idéal, ce qui ouvre une voie vers un canal de communication partagé et interprété de façon cohérente par des flottes hétérogènes, même sans supervision explicite du sens du message. L'approche prolonge les travaux de communication apprise en RL multi-agent, jusqu'ici limités par l'opacité et le couplage à la tâche, en gelant l'encodeur perceptif avant tout entraînement de politique afin que le message garde le même sens pour toute l'équipe. Les auteurs identifient une condition nécessaire pour transposer ces résultats du RL discret au contrôle continu: la décision informée par le message doit rester atteignable par l'exploration du récepteur, et proposent une méthode pour la restaurer quand elle fait défaut. Les expériences vont d'un gridworld discret simplifié jusqu'à une validation sur robot physique réel, au-delà de la simple démonstration en simulation. L'abstract ne mentionne ni affiliation industrielle ni partenaire commercial: il s'agit d'une contribution de recherche fondamentale, sans pilote ni déploiement commercial annoncé à ce stade.

Recherche❖Paper

1 source

39

1479arXiv cs.RO 

Conception et optimisation d'actionneurs à réducteur orientées tâche pour la robotique

Un article publié le 22 septembre 2026 sur arXiv (arXiv:2609.22795v1) présente un cadre d'optimisation conjointe du matériel et de la commande pour les actionneurs à réducteur des robots à pattes. Les auteurs, non identifiés dans le résumé, l'ont validé en fabriquant un actionneur testé sur une jambe sautante à deux degrés de liberté. Sur la base de sa masse mesurée, le prototype atteint une densité de couple de sortie nominale de 35,7 N·m/kg, environ 60% de plus qu'un actionneur articulaire à réducteur commercial largement utilisé, tout en étant 18,6% plus léger. Dans des conditions de banc d'essai identiques, il produit un saut 12% plus haut lorsqu'il est sollicité à deux fois son couple nominal. La méthode combine des modèles de substitution pour accélérer l'évaluation des moteurs, une optimisation hiérarchique à variables mixtes mêlant énumération discrète et recherche continue, ainsi que des profils de couple articulaire paramétrés par courbes de Bézier optimisés conjointement avec le matériel. L'enjeu dépassé ici est un angle mort courant de la conception d'actionneurs: ils sont généralement optimisés composant par composant, moteur, réducteur, capteurs, sur des métriques génériques comme le couple ou la densité de puissance, sans lien explicite avec la tâche réelle du robot. Les auteurs montrent qu'un gain isolé sur un composant ne se traduit pas forcément par une meilleure performance robotique, en raison du couplage entre comportements mécaniques, électriques et électromagnétiques et du coût de calcul d'une optimisation système complète. Pour les intégrateurs et fabricants de robots à pattes, cela ouvre une méthode reproductible pour dimensionner des actionneurs sur mesure selon un cahier des charges de mouvement précis, plutôt que de sélectionner un actionneur générique sur catalogue, un enjeu direct pour l'autonomie et la mobilité des futurs quadrupèdes et humanoïdes. Le travail s'inscrit dans un effort de recherche plus large sur la co-conception matériel-commande des actionneurs de robots à pattes, motivé par le constat que la marche, la course ou le saut imposent des exigences de couple et de vitesse très différentes qu'un actionneur générique ne peut satisfaire de façon optimale. Le résumé arXiv ne cite ni institution, ni entreprise partenaire, ni plan de commercialisation. Il s'agit d'une validation expérimentale en laboratoire, limitée à un seul actionneur testé sur une jambe sautante isolée, sans démonstration sur un robot quadrupède ou bipède complet. Les auteurs présentent leur cadre comme une méthode générale, transposable à d'autres tâches et morphologies, ouvrant la voie à des actionneurs conçus directement à partir des exigences de mouvement plutôt que sélectionnés après coup dans un catalogue.

Recherche❖Paper

1 source

39

1480arXiv cs.RO 

SCRAMPPI : planification contrainte par les imprévus via l'atteignabilité de Hamilton-Jacobi

Une équipe de recherche en robotique a publié une version révisée (v2) d'un article arXiv (référence 2603.26995) présentant SCRAMPPI, une méthode de planification de trajectoire sous contrainte de contingence. Le problème ciblé est celui des robots autonomes qui optimisent un coût nominal tout en devant garantir, à chaque état vérifié le long du plan, l'existence d'une manœuvre de secours admissible capable d'atteindre une cible de récupération désignée dans un horizon de contingence fixé. SCRAMPPI formule cette contrainte comme un problème de type reach-avoid et s'appuie sur l'analyse de réachabilité de Hamilton-Jacobi (HJ) pour évaluer la faisabilité des manœuvres de secours, soit en calculant hors ligne une fonction de valeur reach-avoid, soit en la mettant à jour au fur et à mesure que l'environnement est découvert. Couplée à un contrôleur MPPI (model predictive path integral) via des rollouts par rééchantillonnage, la méthode maintient une fréquence de planification de 15 à 20 Hz. Les auteurs présentent des expériences en simulation et sur matériel réel de navigation de robot mobile, ainsi qu'une simulation de récupération limitée par friction en cinq dimensions. L'enjeu pratique est la fiabilité opérationnelle des robots autonomes : sans préparation explicite aux imprévus, un plan optimisé pour le seul coût nominal expose le système à un risque d'échec de mission dès qu'un obstacle imprévu ou une défaillance survient. Les approches existantes soit co-optimisent la trajectoire de secours avec le plan nominal, ce qui alourdit le calcul, soit évaluent la contrainte de contingence via des recherches imbriquées par échantillonnage, coûteuses en temps de calcul et difficilement compatibles avec le temps réel. En démontrant une replanification à 15-20 Hz avec garanties de récupération intégrées au contrôleur, SCRAMPPI cherche à rapprocher la planification à garanties formelles de la cadence nécessaire à une exécution embarquée réelle, un point clé pour les intégrateurs de robots mobiles autonomes (AMR) appelés à opérer dans des environnements partiellement inconnus ou à proximité d'humains. Le travail s'inscrit dans la lignée des recherches sur la planification robuste et la commande prédictive stochastique, en combinant deux outils établis séparément dans la communauté contrôle et robotique : la réachabilité de Hamilton-Jacobi, utilisée pour certifier des ensembles de sécurité, et le contrôle MPPI, reconnu pour sa capacité à gérer des dynamiques non linéaires par échantillonnage. L'article, marqué comme remplacement (replace) d'une version antérieure sur arXiv, ne précise ni affiliation institutionnelle ni calendrier de déploiement industriel ; il reste au stade de la recherche, avec validation en simulation et sur plateforme matérielle de navigation mobile plutôt qu'un produit commercialisé.

Recherche❖Paper

1 source

39

1481arXiv cs.RO 

Vers une récupération des échecs robotiques supervisée par l'humain : combler les lacunes de communication en collaboration homme-robot

Une équipe de recherche présente LD-HRI (Listener Differences in Human-Robot Interaction), un jeu, un jeu de données et un benchmark publiés sur arXiv (2609.24055v1), pour évaluer les demandes d'aide qu'un robot adresse à un passant quand il échoue sur une tâche. Le constat : les méthodes de génération de requêtes dites "inverse semantics" n'avaient jusqu'ici été testées qu'avec un seul modèle d'auditeur, sans jamais faire varier son niveau réel de connaissance. Le corpus rassemble 446 requêtes écrites par des humains, évaluées sur 1302 essais, plus 24 requêtes générées par des grands modèles de langage (LLM), testées auprès de 70 auditeurs humains sur 560 essais répartis en quatre tâches. Les novices réussissent descriptivement mieux avec les requêtes générées par IA, mais un écart expert-novice subsiste, atteignant 16 points de pourcentage pour les requêtes LLM. Ce résultat nuance l'idée que les LLM auraient déjà résolu la communication homme-robot en cas d'échec : produire une phrase compréhensible ne suffit pas à combler l'écart entre auditeur expert et novice, un enjeu critique pour tout robot de service ou humanoïde déployé hors laboratoire et amené à solliciter des passants sans formation. Pour les intégrateurs qui misent sur des architectures VLA (vision-language-action) pour gérer les échecs en environnement réel, LD-HRI offre un cadre de test reproductible, chiffrant précisément où la communication échoue selon le public visé. La formulation "descriptivement plus élevé" appelle toutefois la prudence : elle suggère un effet observé sans garantie de significativité statistique forte, sur un échantillon de seulement 70 auditeurs. LD-HRI s'inscrit dans la lignée des travaux d'"inverse semantics", qui génèrent des requêtes de robot en simulant comment un auditeur les interpréterait, jusqu'ici validés sur un seul modèle plutôt que sur des humains aux connaissances variées. En mesurant la performance réelle d'auditeurs classés par niveau d'expertise, l'équipe comble un vide méthodologique fréquent en interaction homme-robot, où la démonstration de faisabilité prime souvent sur la mesure d'écart entre utilisateurs. Aucun acteur commercial ni robot physique n'est nommé : il s'agit d'une contribution de recherche, pas d'une annonce produit. Les auteurs présentent LD-HRI comme une fondation destinée à guider la conception de futurs systèmes de communication homme-robot plus robustes, dataset et benchmark à l'appui pour de futures comparaisons entre générateurs de requêtes.

Recherche❖Paper

1 source

39

1482arXiv cs.RO 

MR-SPITE : accélérer la détection de conflits multi-robots grâce à une approximation hiérarchique des volumes balayés

MR-SPITE (Multi-Robot SPITE) est un filtre conservateur qui accélère la détection de conflits entre trajectoires de robots synchronisées, décrit dans un article publié sur arXiv (2609.23928v1). La méthode découpe chaque trajectoire en intervalles temporels et attribue à chaque segment des bornes géométriques conservatrices : un ordonnanceur compare les bornes des mouvements qui se chevauchent dans le temps, certifie sans conflit toute fenêtre aux bornes disjointes, et ne transmet au vérificateur de collision détaillé que les cas restés ambigus. Intégrée au planificateur ARC et combinée au moteur de collision VAMP, la méthode testée sur une flotte de 16 robots Fetch obtient une accélération médiane du scan de conflits de 7,18x et réduit de 57 % le temps de planification médian par rapport à la référence ARC avec PRM et VAMP seuls. Pour les intégrateurs qui coordonnent des flottes de robots mobiles ou des cellules multi-bras, le vrai goulot d'étranglement n'est pas la planification individuelle mais la vérification, à chaque pas de temps et pour chaque paire de robots, que les trajectoires synchronisées ne se percutent pas, une opération répétée à chaque correction de conflit. En filtrant la majorité des paires par un test géométrique grossier mais sûr avant d'invoquer le vérificateur détaillé, MR-SPITE réduit ce coût récurrent de replanification plutôt que le coût de génération initiale des trajectoires. Le résultat montre que des bornes calculées au niveau du segment complètent les accélérations existantes au niveau de la configuration, comme VAMP, sans changer le comportement du scanner discrétisé sous-jacent, un signal utile pour passer de démonstrations à quelques robots à des flottes denses. L'article s'inscrit dans les travaux de recherche en planification multi-robots, où la coordination de flottes homogènes comme les 16 robots de service Fetch utilisés en test se heurte au coût combinatoire de la vérification de collision par paire. ARC, le planificateur hôte, et VAMP, le moteur de collision vectorisé auquel MR-SPITE est associé, sont des briques existantes de l'écosystème académique de planification de mouvement ; MR-SPITE se positionne en couche de filtrage complémentaire, non en remplacement. L'étude, encore au stade de résultat de recherche évalué en simulation, ne fixe aucun calendrier de déploiement industriel ni partenaire commercial.

Recherche❖Paper

1 source

39

1483arXiv cs.RO 

Navigation faisable pour la manipulation d'obstacles mobiles par poussée à contacts discrets

Un article publié sur arXiv (référence 2609.23312) présente un framework hiérarchique de navigation parmi des obstacles mobiles pour manipulateurs mobiles, conçu pour les environnements encombrés de gros objets non préhensibles. Au niveau supérieur, un planificateur repère les obstacles bloquants sur la trajectoire prévue et cherche des plans de relocalisation respectant simultanément les contraintes géométriques, de manipulation et de navigation en aval. Quand un déplacement direct est entravé par d'autres objets mobiles, un grand modèle de langage (LLM) est invoqué de façon sélective pour inférer des dépendances de manipulation auxiliaires, ensuite vérifiées par une planification géométrique déterministe plutôt qu'exécutées telles quelles. Pour l'exécution physique, les auteurs définissent des modes de contact discrets sur les faces d'obstacles en forme de boîte, sélectionnés en ligne selon l'erreur de position et d'orientation, ce qui permet des poussées droites, latérales ou en coin via des changements de contact. Une politique d'apprentissage par renforcement récurrente coordonne base mobile et bras manipulateur pour suivre les cibles de l'effecteur (tool center point, TCP) tout en conservant l'accessibilité de l'outil pendant une poussée prolongée. Le système a été validé en simulation et sur robot réel, sur des scénarios de détour, de relocalisation d'un ou plusieurs obstacles et de dépendances entre objets, avec du code publié en open source. Ce travail s'attaque à une limite connue de la navigation robotique: contourner systématiquement les obstacles devient inefficace, voire impossible, dans des espaces encombrés de mobilier ou de caisses volumineuses. En couplant un LLM pour le raisonnement sur les dépendances entre objets et un planificateur géométrique qui vérifie chaque plan avant exécution, l'architecture limite le risque d'hallucination inhérent aux LLM employés seuls pour planifier des actions physiques, un point sensible pour quiconque évalue des pipelines robotiques fondés sur des modèles de langage. Pour les intégrateurs en logistique ou en robotique de service, cela esquisse des robots mobiles autonomes (AMR) capables d'interagir avec des obstacles non saisissables plutôt que de rester bloqués, un scénario encore rarement démontré au-delà de la simulation pure. La navigation parmi les obstacles mobiles est étudiée en robotique depuis le milieu des années 2000, mais les approches historiques se limitaient souvent à des obstacles simples ou à des poussées isolées, sans coordination fine entre base et bras. Ce travail se distingue des modèles vision-langage-action génératifs comme Pi-0, GR00T N2 ou Helix, orientés vers la manipulation générale par apprentissage à grande échelle, en ciblant un cas plus étroit mais concret: la poussée de contact soutenue sur des objets trop volumineux ou trop lourds pour être saisis. Encore au stade de prépublication (version 1), le projet met son code à disposition pour reproduction, sans calendrier de déploiement industriel ni partenariat annoncé; les auteurs évoquent une extension à des obstacles de formes plus variées et à des environnements plus dynamiques que ceux testés jusqu'ici.

Recherche❖Paper

1 source

39

1484arXiv cs.RO 

Planification de trajet fondée sur le bon sens à partir d'instructions abstraites

CoRS (commonsense ranked search), décrit dans un article arXiv du 22 septembre 2026 (arXiv:2609.22813v1), est un planificateur de chemin qui traduit une instruction abstraite comme "déplace-toi prudemment" en itinéraire respectant des considérations de bon sens jamais formulées explicitement, à l'image d'un sol mouillé qu'un ouvrier contourne sans consigne écrite. Le système combine grands modèles de langage (LLM) et modèles vision-langage (VLM) : pour chaque région observée, il déduit une considération locale ("sol glissant, détour justifié"), compare ces considérations entre elles ("la foule pèse plus que le sol mouillé"), puis convertit ce classement en coûts pour un algorithme de recherche classique garantissant toujours un chemin valide. Les auteurs publient un benchmark dédié : trois environnements, 1350 problèmes, cinq instructions réparties sur trois niveaux d'abstraction. Les résultats montrent que CoRS repère les considérations implicites, contourne celles qui méritent un détour et traverse normalement les autres zones, un comportement que les planificateurs récents fondés sur des LLM ne reproduisent pas. Pour les intégrateurs de robots mobiles autonomes appelés à opérer parmi des humains (entrepôts, hôpitaux, bureaux), cela pointe un écart persistant entre le raisonnement affiché par les LLM en démonstration et leur capacité réelle à transformer un ordre flou en trajectoire sûre. L'étude suggère que le bon sens doit être ancré région par région dans la perception visuelle puis structuré en classement comparatif, plutôt qu'ajouté comme simple contrainte textuelle dans un prompt. Publié comme preprint "new" sur arXiv, sans évaluation par les pairs à ce stade, CoRS s'inscrit dans les efforts visant à combler l'écart entre planification symbolique classique, robuste mais rigide face à l'implicite, et approches tout-LLM, flexibles mais incapables de garantir un chemin valide. L'article ne cite ni fabricant, ni site de déploiement, ni calendrier commercial : son apport tient au benchmark public et à la méthode de classement comparatif plutôt qu'à un produit prêt à intégrer. Les suites logiques évoquées restent une validation sur robot physique en conditions réelles et une comparaison directe avec les planificateurs LLM concurrents cités dans l'étude.

Recherche❖Paper

1 source

39

1485arXiv cs.RO 

Planification de trajectoire cinodynamique quasi optimale par grille, itérée rapidement

Une équipe de recherche a mis au point le RDG (Rapidly-iterating kinoDynamic Grid), un nouvel algorithme de planification de mouvement kinodynamique, décrit dans un preprint publié le 22 septembre 2026 sur arXiv (arXiv:2609.22733v1). Contrairement aux méthodes classiques de recherche du plus proche voisin, RDG s'appuie sur une décomposition en grille de l'espace des états pour sélectionner les nœuds, propager la dynamique et réviser le graphe de trajectoires en temps constant, indépendamment du nombre de nœuds dans l'arbre. Les auteurs démontrent, via une preuve d'induction par séquence de boules couvrantes, que l'algorithme est asymptotiquement quasi optimal et probabilistiquement complet. Testé en simulation sur des environnements complexes allant jusqu'à 10 degrés de liberté (DOF), RDG améliore la qualité moyenne des solutions finales de 104% par rapport à SST (Stable Sparse RRT) et de 40% par rapport à DIRT, deux algorithmes de référence pour la planification kinodynamique éparse avec garanties d'optimalité. Il maintient également un taux de réussite de 100%, y compris sur le cas de test à 10 DOF où SST et DIRT échouent partiellement. Ce résultat concerne un problème central pour toute la robotique mobile et manipulatrice : planifier des trajectoires qui respectent non seulement les contraintes géométriques (éviter les obstacles) mais aussi les contraintes physiques du système (vitesse, accélération, couple, inertie), typiques des bras robotiques industriels, des drones ou des véhicules autonomes à haute dimensionnalité. Un gain de convergence plus rapide vers des trajectoires de meilleure qualité, à complexité constante par nœud, intéresse directement les intégrateurs qui doivent faire tourner ces calculs en temps réel, sur des systèmes embarqués aux ressources limitées. Il s'agit toutefois d'un travail académique validé uniquement en simulation, pas d'un produit ou d'un déploiement matériel : la portée réelle du gain reste à confirmer sur du hardware physique et dans des environnements moins contrôlés qu'un banc de test simulé. RDG s'inscrit dans la lignée des algorithmes dérivés de RRT (Rapidly-exploring Random Tree), dont SST et DIRT sont les variantes kinodynamiques les plus citées en recherche de robotique. En comparant systématiquement ses sous-composants (sélection de nœuds, biais d'exploration) à ces méthodes basées sur la recherche de voisins, l'étude cherche à isoler la source du gain de performance plutôt que de se contenter d'un résultat global. Les prochaines étapes attendues, non détaillées dans ce preprint, seraient une validation sur plateformes robotiques réelles et une extension à des espaces de dimensionnalité encore plus élevée.

Recherche❖Paper

1 source

39

1486arXiv cs.RO 

ActiveArena : benchmarking et compréhension de la perception active en manipulation robotique

Un nouveau papier de recherche publié sur arXiv (référence 2609.24124v1, soumission de type "new") présente ActiveArena, un ensemble d'outils pour évaluer la perception active en manipulation robotique. Il se compose de trois briques : ActiveArena-Sim, un simulateur à points de vue contrôlables et grands espaces de travail ; ActiveArena-Bench, un benchmark de 35 tâches réparties en 5 catégories couvrant l'exploration visuelle et l'acquisition interactive d'informations, chaque tâche étant conçue pour être insoluble à partir d'une seule observation passive et exigeant plusieurs cycles de collecte de preuves et un raisonnement fondé sur la mémoire ; et ActiveArena-VLA, une suite modulaire de 13 configurations vision-langage-action permettant d'isoler l'effet de l'écriture en mémoire, de la capacité mémoire, des entrées proprioceptives, de la supervision de sous-tâches et de la planification de haut niveau. Le benchmark fournit aussi des annotations de mémoire détaillées, des données d'entraînement standardisées et des protocoles distinguant distribution connue (ID) et hors distribution (OOD), avec scènes disjointes, distracteurs inédits et arrière-plans nouveaux. Les résultats rapportés montrent un écart de performance important entre ID et OOD, confirmant que les systèmes vision-langage-action actuels généralisent mal dès qu'ils sortent des scènes d'entraînement, un doute déjà répandu dans le secteur sur la robustesse réelle des VLA. Le papier identifie toutefois des leviers concrets : un échantillonnage mémoire uniforme, une capacité mémoire accrue couplée à des politiques d'écriture fiables, l'ajout d'entrées proprioceptives et la supervision de sous-tâches améliorent la généralisation OOD, tandis qu'une gestion de la mémoire pilotée par un planificateur permet d'approcher les performances des meilleures configurations avec une mémoire beaucoup plus éparse, donc moins coûteuse en calcul. Pour les équipes qui développent des manipulateurs devant opérer dans des environnements changeants ou partiellement occlus, ce travail fournit un cadre de comparaison objectif, plutôt qu'une nouvelle démonstration isolée. Ce travail s'inscrit dans une évolution plus large des benchmarks de manipulation robotique, qui se déplacent des tests de saisie statique vers des scénarios exigeant exploration active et mémoire persistante, alors que les architectures vision-langage-action se généralisent comme approche de contrôle robotique. Aucune affiliation institutionnelle, aucun partenaire industriel ni date de mise à disposition du code ne sont précisés dans l'annonce : il s'agit d'une contribution académique en amont de tout déploiement, dont l'utilité dépendra de son adoption par la communauté de recherche comme référence pour évaluer les futurs modèles.

Recherche❖Paper

1 source

39

1487arXiv cs.RO 

Bridge3D : permettre aux modèles vision-langage-action de voir et d'agir en 3D

Des chercheurs présentent Bridge3D, décrit dans un article publié sur arXiv sous la référence 2609.24525v1 (numérotation qui situe la soumission en septembre 2026). La méthode ajoute une guidance géométrique 3D, à la fois implicite et explicite, à des modèles vision-langage-action (VLA) pré-entraînés uniquement sur des observations 2D. Deux mécanismes sont combinés : l'Implicit Fusion, qui enrichit les tokens visuels avec des caractéristiques issues de modèles de fondation 3D pour améliorer la perception spatiale, et l'Explicit Conditioning, qui couple le débruitage des actions à un champ sémantique 3D explicite pour guider l'exécution des gestes. Les auteurs ajoutent une technique de "layer-wise linear probing" pour accélérer l'apprentissage. Sur le benchmark de simulation RoboTwin 2.0, Bridge3D dépasse le modèle Pi-0 de 14,0 points de pourcentage ; en expériences réelles, il surpasse une méthode concurrente nommée Spatial Forcing de 11,7 points de pourcentage sur des tâches de manipulation. Les VLA actuels, entraînés majoritairement sur des données 2D, peinent souvent sur les tâches de manipulation exigeant une précision spatiale fine, comme l'insertion de pièces ou la saisie d'objets à géométrie complexe, un point faible connu d'architectures comme Pi-0, GR00T N2 (NVIDIA) ou Helix (Figure). Bridge3D suggère qu'ajouter une guidance géométrique 3D explicite, en complément des priors implicites déjà testés par d'autres travaux, améliore mesurablement la précision sans nécessiter un ré-entraînement 3D natif coûteux. Pour les équipes robotique et les intégrateurs, cela ouvre une voie de post-entraînement ciblé pour renforcer des VLA existants sur des tâches industrielles sensibles à la géométrie, plutôt que de miser uniquement sur davantage de données 2D à l'échelle. Ces résultats nuancent l'hypothèse selon laquelle le simple passage à l'échelle des VLA 2D suffirait à résoudre la manipulation de précision. Bridge3D s'inscrit dans une lignée de recherches cherchant à doter les VLA d'une conscience spatiale 3D ; les auteurs pointent que les approches précédentes se limitaient à des priors implicites sans guidage géométrique explicite, lacune que leur méthode comble en associant les deux approches. Les comparaisons retenues portent sur Pi-0 en simulation via RoboTwin 2.0, un benchmark de manipulation robotique reconnu, et sur Spatial Forcing en conditions réelles. À ce stade, Bridge3D reste un travail de recherche publié sur arXiv, sans code source mentionné, sans partenaire industriel identifié et sans déploiement hors du cadre expérimental décrit. Les suites attendues pour ce type de travaux incluent généralement la publication du code, l'extension à d'autres plateformes robotiques et tâches réelles, ainsi que des comparaisons élargies à d'autres VLA de référence comme GR00T N2 ou Helix.

IA physique⚡Actu

1 source

38

1488arXiv cs.RO 

Imaginer puis vérifier : perception active ciblée sur les affordances pour la préhension orientée tâche en environnement encombré

Des chercheurs présentent ATAP (Affordance-Targeted Active Perception), un nouveau framework de perception active pour la préhension orientée tâche (task-oriented grasping, TOG) en scènes encombrées, détaillé dans un article arXiv (2609.23504v1) publié en septembre 2026. Le problème visé : un robot doit saisir la partie fonctionnelle d'un objet, par exemple l'anse d'une tasse pour verser plutôt que le corps de la tasse, mais cette zone d'affordance est souvent cachée par d'autres objets. Les méthodes existantes de planification de prochaine meilleure vue (next-best-view, NBV) optimisent le point de vue pour saisir l'objet dans son ensemble, sans distinguer la partie utile, ou scannent exhaustivement l'objet avant de prédire l'affordance, ce qui gaspille le budget de vues sur des surfaces non pertinentes. ATAP procède différemment : il hypothétise la géométrie occluse via un prior de forme génératif, prédit la distribution d'affordance sur cette surface imaginée, puis pilote la caméra avec un planificateur tenant compte de l'incertitude, qui arbitre entre réduction d'entropie sur les hypothèses concurrentes et gain de vérification par observation réelle, jusqu'à validation suffisante pour l'exécution de la prise. En simulation comme sur des scènes réelles encombrées, ATAP améliore sensiblement le taux de succès de préhension fonctionnelle par rapport à des baselines TOG à vue fixe, et réduit de plus de 57% le nombre d'étapes NBV nécessaires comparé aux approches de perception active basées sur la reconstruction complète de l'objet. Pour l'industrie robotique, ce travail attaque un goulot d'étranglement concret du bin picking et de la manipulation en environnement non structuré : l'occlusion partielle qui rend la localisation des zones de prise fonctionnelle ambiguë. En montrant qu'une vérification ciblée de l'affordance bat une reconstruction exhaustive, ATAP remet en cause l'hypothèse répandue selon laquelle il faut "tout voir" avant de décider où saisir, une piste utile pour réduire le temps de cycle des systèmes de manipulation en entrepôt ou en logistique. Ce résultat reste toutefois un travail de recherche évalué en simulation et en laboratoire, sans indication d'un partenaire industriel, d'un calendrier de transfert ou d'un déploiement en production. Il s'inscrit dans la lignée des travaux sur la perception active pilotée par NBV et sur le grasping conditionné par affordance, en concurrence directe avec les approches de reconstruction 3D complète avant planification de prise, sans qu'aucun acteur commercial ne soit associé à cette publication.

Recherche❖Paper

1 source

38

1489arXiv cs.RO 

ARSTAG : un système à base d'agents Real2Sim2Real pour la génération de données robotiques spécifiques à une tâche

Une équipe de recherche présente ARSTAG, un système agentic Real2Sim2Real qui transforme une image RGB et une instruction en langage naturel en données d'entraînement pour des politiques robotiques visuomotrices, sans construction manuelle de scène ni téléopération. Décrit dans un papier publié sur arXiv le 22 septembre 2026 (arXiv:2609.24563), le système s'appuie sur une hiérarchie d'agents linguistiques qui bâtissent une scène de simulation adaptée à la tâche, génèrent des démonstrations robot-réalisables puis élargissent la distribution d'entraînement par randomisation, sous la supervision d'un agent coordinateur gérant le retour d'information entre étapes. Sur sept tâches de manipulation (préhension, placement, empilement), le pipeline a permis un transfert simulation-vers-réel de trois architectures de politiques sur un robot bimanuel, la politique pi0.5 atteignant un taux de réussite moyen réel de 74,6 %. Les ablations montrent que la randomisation spécifique à la tâche améliore la robustesse, et que la performance croît avec la taille du jeu de données généré. Ce travail cible le goulot d'étranglement central de l'apprentissage robotique : la collecte de données spécifiques à chaque tâche. Les politiques vision-language-action, comme pi-0 ou GR00T N2, exigent des volumes massifs de démonstrations, généralement recueillies par téléopération humaine, méthode coûteuse et difficile à faire évoluer. En automatisant via des agents LLM la construction de scène, la génération de démonstrations et la randomisation du domaine, ARSTAG vise à réduire l'ingénierie manuelle nécessaire pour adapter un robot à une nouvelle tâche, un enjeu direct pour les intégrateurs voulant déployer bras et humanoïdes sur des tâches variées. Le taux de 74,6 % reste toutefois une démonstration de faisabilité sur sept tâches en laboratoire, pas un déploiement industriel. ARSTAG s'inscrit dans la lignée des recherches sur le Real2Sim2Real, qui partent d'observations réelles plutôt que de scènes construites à la main pour réduire l'écart simulation-réel, une piste également explorée par des systèmes comme RoboGen ou DexMimicGen. Tester le pipeline sur trois architectures différentes, dont pi0.5, successeur de pi-0 développé par Physical Intelligence, suggère une volonté de positionner ARSTAG comme une brique de génération de données agnostique au modèle plutôt que comme un concurrent des laboratoires qui développent ces politiques. Le papier reste une contribution académique, sans partenariat industriel ni calendrier de déploiement commercial annoncés ; l'étape suivante serait l'extension à davantage de tâches et de plateformes robotiques, notamment humanoïdes.

Recherche❖Paper

1 source

38

1490arXiv cs.RO 

Réagir seulement quand il le faut : inférence asynchrone déclenchée par événements pour les politiques VLA

Un article de recherche mis en ligne sur arXiv le 22 septembre 2026 (référence 2609.22587) propose une nouvelle stratégie d'inférence pour les modèles Vision-Language-Action (VLA), baptisée inférence dynamique guidée par événements. Le problème de départ : la plupart des VLA prédisent des séquences groupées d'actions, ou "chunks", ce qui limite leur capacité à réagir à un changement de l'environnement pendant l'exécution de la séquence. Les méthodes asynchrones existantes améliorent la réactivité mais reposent sur un intervalle d'inférence fixe, déconnecté de ce qui se passe réellement dans la scène. La méthode proposée ajuste au contraire cet intervalle en continu selon l'ampleur des changements observés depuis la dernière inférence, ce qui préserve à la fois la fluidité du mouvement et la rapidité de réaction. Testée sur des scènes réelles, statiques comme dynamiques, elle atteint un taux de réussite moyen de 95 %, soit 55 points de pourcentage de plus que la meilleure méthode de référence évaluée par les auteurs. Le code doit être publié après acceptation de l'article, et une page projet est déjà accessible en ligne. Le sujet touche un goulot d'étranglement connu des VLA déployés sur des robots réels : le compromis entre horizon de prédiction long, plus stable mais moins réactif, et horizon court, plus réactif mais plus saccadé et coûteux en calcul. Une inférence qui s'adapte à l'état de la scène plutôt qu'à une horloge fixe intéresse directement les intégrateurs qui cherchent à faire tourner ces modèles sur du matériel embarqué avec des contraintes de latence, notamment pour la manipulation en environnement changeant ou en présence d'humains. Il faut toutefois noter que les chiffres avancés (95 % de succès, +55 points) proviennent des propres bancs d'essai des auteurs, sans validation indépendante ni comparaison sur des benchmarks tiers standardisés, ce qui est courant pour une prépublication arXiv non encore relue par les pairs. Ce travail s'inscrit dans la lignée des modèles VLA récents comme Pi-0 de Physical Intelligence, GR00T N2 de NVIDIA ou Helix de Figure AI, qui reposent tous sur une prédiction par chunks d'actions et se heurtent au même arbitrage entre stabilité et réactivité. L'abstract ne mentionne aucun auteur ni laboratoire identifiable, ce qui suggère une soumission en cours d'évaluation. La suite logique annoncée est la publication du code source conditionnée à l'acceptation de l'article, sans calendrier ni conférence cible précisés à ce stade.

Recherche❖Paper

1 source

38

1491arXiv cs.RO 

Adaptation en ligne préservant la performance en navigation sociale via pilotage par diffusion

Des chercheurs publient sur arXiv (arXiv:2609.24317v1, soumission du 24 septembre 2026) une méthode baptisée DSRL, pour "diffusion steering via reinforcement learning", destinée à l'adaptation en ligne des robots de navigation sociale, c'est-à-dire des robots mobiles qui doivent éviter des piétons et atteindre une destination au milieu d'humains. Le constat de départ: l'apprentissage par renforcement profond utilisé pour ce type de navigation est entraîné en simulation, mais celle-ci ne reproduit jamais fidèlement la diversité des scénarios réels, la dynamique propre du robot, ni les conventions sociales qui varient d'un site de déploiement à l'autre (un couloir d'hôpital ne se comporte pas comme un entrepôt ou un bureau). La solution proposée consiste à figer la politique de diffusion de base déjà entraînée et à n'entraîner que sa "politique de bruit" lors du réglage fin sur site, ce qui évite de dégrader les performances du modèle initial pendant l'adaptation. Les auteurs assemblent en plus plusieurs politiques de RL basées sur la diffusion, entraînées avec des graines aléatoires différentes, pour construire une politique de base plus robuste. L'évaluation s'appuie sur des comparaisons avec d'autres méthodes d'apprentissage et sur un test en hardware-in-the-loop avec un robot physique, mais l'abstract ne fournit aucun chiffre de performance concret (taux de succès, distance, temps de cycle), ce qui limite la portée vérifiable de l'annonce à ce stade. Pour l'industrie robotique, ce travail s'attaque à un point de friction bien identifié: le réglage fin en environnement réel améliore l'adaptation mais risque l'oubli catastrophique, c'est-à-dire une dégradation du comportement de base validé en simulation. Une méthode qui préserve les performances tout en permettant un ajustement flexible aux conventions sociales locales intéresse directement les fabricants d'AMR et de robots de service déployés en environnements humains partagés, où les intégrateurs cherchent justement à réduire l'écart entre démonstration simulée et comportement réel sans tout réentraîner à chaque site. Le papier s'inscrit dans la lignée des méthodes de "diffusion steering" appliquées au RL, en les spécialisant pour la navigation sociale plutôt que pour un fine-tuning généraliste. Classé "Announce Type: new" sur arXiv, il s'agit d'une prépublication non encore validée par les pairs, sans partenaire industriel ni déploiement réel annoncé: seules la simulation et une validation hardware-in-the-loop sont mentionnées, les tests sur robot physique en conditions de terrain restant une étape à venir.

Recherche❖Paper

1 source

38

1492arXiv cs.RO 

Pilotage par contact : un modèle de mouvement à support fini pour robots articulés monopiste

Une équipe de chercheurs propose, dans un article déposé sur arXiv (référence 2609.23271), un nouveau modèle de prédiction du mouvement pour les robots à voie unique et articulation centrale, c'est-à-dire les véhicules dont le châssis se plie en son centre pour orienter les deux essieux, une architecture répandue en robotique de terrain (engins agricoles, forestiers ou de manutention tout-terrain). Baptisé FSQ (finite-support quadratic model), il ajoute au modèle classique PCK (point-contact kinematic) la prise en compte de la résistance à la rotation répartie sur la surface de contact des roues, plutôt que de réduire chaque contact à un point géométrique comme le fait PCK. En reformulant le coût quadratique du glissement latéral sous forme de moments de contact, les auteurs obtiennent une solution analytique compacte permettant de prédire en temps réel la vitesse latérale et le taux de lacet du véhicule. Le modèle a été testé sur plus de 7 kilomètres de trajets réels, sur asphalte, herbe, glace et parcours mixtes. Pour des horizons de prédiction de cinq secondes, FSQ réduit l'erreur médiane pondérée de translation de 53,5% et l'erreur de lacet de 68,9% par rapport au modèle PCK de référence. Ce gain de précision intéresse directement les intégrateurs de robots mobiles autonomes évoluant hors des environnements structurés, entrepôts extérieurs, chantiers, exploitations agricoles ou sites forestiers, là où un sol meuble ou glissant fait dériver les modèles cinématiques simplifiés. Mieux anticiper le glissement latéral permet une planification de trajectoire plus fiable et un contrôle plus stable, sans capteurs supplémentaires ni réseau de neurones coûteux en calcul, puisque la solution reste une formule fermée compatible avec l'embarqué. Le résultat illustre aussi un point plus général pour le secteur: les gains de robustesse en robotique de terrain ne viennent pas uniquement de l'apprentissage profond ou des politiques bout-en-bout, mais aussi d'une modélisation physique plus fine des interactions roue-sol, un axe moins médiatisé que l'IA générative appliquée à la robotique mais tout aussi déterminant pour la fiabilité des déploiements. Le modèle PCK sert de base à la planification pour les véhicules articulés (chargeuses, tracteurs à châssis brisé, certains robots de reconnaissance) depuis des années, en simplifiant le contact roue-sol à un point unique et en négligeant la résistance rotationnelle qui apparaît sur des surfaces à fort frottement ou irrégulières. FSQ généralise cette formulation en relâchant cette hypothèse tout en conservant un temps de calcul compatible avec le contrôle embarqué. L'article, classé comme nouvelle soumission sur arXiv, ne mentionne ni calendrier de déploiement industriel ni partenariat commercial: il s'agit d'une contribution méthodologique validée expérimentalement, dont l'adoption dépendra de son intégration dans les piles logicielles de navigation existantes.

Recherche❖Paper

1 source

38

1493arXiv cs.RO 

Incitation visuelle guidée par la topologie pour les politiques vision-langage-action

Un article publié sur arXiv en septembre 2026 (2609.23944) décrit une méthode qui améliore les politiques vision-langage-action (VLA) sur des tâches de manipulation impliquant des géométries d'obstacles complexes. Le système combine une planification en simulation avec une signature topologique de type Gauss-Linking-Integral, censée capturer des propriétés invisibles en observation caméra partielle. À partir d'informations géométriques privilégiées issues de la simulation, les auteurs enrichissent un jeu de démonstrations nominal avec des trajectoires qui amènent le robot vers une configuration topologique cible avant de reprendre la tâche. Un modèle vision-langage, affiné sur ce même jeu de données, prédit ensuite à partir des images caméra en direct la signature topologique et des points de passage pour l'effecteur terminal, projetés sur les observations comme indices visuels guidant la politique VLA. Testée sur trois tâches bimanuelles en simulation et une tâche réelle de ramassage de boîte sur banc matériel, la méthode dépasse de 40% le taux de succès du meilleur système de référence. Ce résultat cible une faiblesse connue des VLA: leur difficulté à distinguer des situations qui se ressemblent visuellement ou en configuration articulaire mais exigent des actions différentes selon la topologie de l'environnement, par exemple contourner un obstacle par un côté plutôt que l'autre. Les planificateurs de mouvement classiques, qui connaissent toute la géométrie, savent raisonner sur cette distinction, mais cette information manque généralement au déploiement réel, où le robot ne dispose que d'une observation caméra partielle. Le gain mesuré en conditions matérielles réelles nourrit le débat sur l'écart entre performance simulée et conditions réelles, une question centrale pour les intégrateurs qui envisagent des politiques VLA génériques sur des tâches industrielles de contournement d'obstacles ou de manipulation bimanuelle fine. L'approche prolonge les travaux qui injectent des connaissances géométriques dans des politiques VLA entraînées sur des démonstrations visuelles brutes, sans raisonnement explicite sur la topologie de la scène, et se distingue des méthodes de prompting visuel qui suppriment ces indices plutôt que de les conserver. Les auteurs proposent un site dédié, topology-vla.github.io, sans calendrier de transfert commercial ni partenariat industriel annoncé, ce qui situe ce travail au stade de la recherche amont plutôt que du déploiement produit.

Recherche⚡Actu

1 source

38

1494arXiv cs.RO 

ME-Brain-1.0 : mémoire, cognition et action pour une intelligence incarnée évolutive

Un preprint publié sur arXiv en septembre 2026 présente ME-Brain 1.0 (MachEmbodied-Brain), un système d'intelligence incarnée organisé en boucle fermée : exécution d'actions, acquisition d'expérience, évolution de l'expérience, exécution améliorée. Il combine une Mémoire Évolutive qui consolide des trajectoires multimodales en expérience hiérarchique réutilisable, un Noyau Cognitif qui convertit l'expérience physique en compétences transférables, et un Modèle d'Action fondé sur des images-clés événementielles, une prédiction locale nommée EventCell et une modulation mémorielle conditionnée par l'action. Sur les benchmarks, le Noyau Cognitif dépasse le meilleur modèle comparé de 8,2 et 9,6 points ; le Modèle d'Action atteint 47,88 % de réussite sur RoboMME (+3,26 points), un score de 21,51 et 16,03 % de réussite sur RoboDojo, devançant Pi-0.5 de 10,10 et 9,12 points, et 69,5 de score moyen avec 66,7 % de réussite sur les six tâches de ME-RealBench, contre un modèle DM0.5 dépassé de 12,8 et 11,7 points. L'enjeu revendiqué est le passage d'un paradigme où l'on entraîne puis fige le modèle à une logique de déploiement évolutif sans réentraînement, alors que la plupart des systèmes robotiques actuels, y compris les modèles vision-langage-action pour humanoïdes, restent figés une fois livrés et n'apprennent rien de leurs interactions physiques réelles. Si ces gains se confirment au-delà des benchmarks internes du papier, l'approche intéresserait les intégrateurs et exploitants de flottes confrontés au coût des cycles de réentraînement à chaque nouvelle tâche, et répondrait à la critique récurrente d'un écart entre démonstrations soignées et performance réelle sur le terrain. Ces résultats restent toutefois issus d'un preprint non encore revu par les pairs et évalués en partie sur des benchmarks propres aux auteurs, ce qui appelle une lecture prudente. Le système s'inscrit dans la course aux modèles vision-langage-action qui structure la robotique humanoïde depuis Pi-0 et Pi-0.5 de Physical Intelligence, GR00T N2 de NVIDIA ou Helix de Figure, face auxquels ME-Brain revendique l'apprentissage continu post-déploiement comme axe de différenciation, comparaisons à l'appui (Pi-0.5, DM0.5). L'abstract ne précise ni la plateforme robotique utilisée, ni le laboratoire ou l'entreprise porteuse au-delà du nom du système, ni de calendrier de pilote annoncé. À ce stade, il s'agit d'une publication de recherche assortie de résultats de benchmark, non d'un produit commercialisé ni d'un déploiement réel chez un client.

IA physique❧Opinion

1 source

38

1495arXiv cs.RO 

Apprendre au-delà de ce que l'humain peut démontrer

Des chercheurs ont publié en septembre 2026 sur arXiv (2609.24996) un article présentant GLIDE (Guardrails for Learning from Infeasible Demonstrations Efficiently), un framework destiné aux tâches de manipulation robotique où le clonage comportemental classique échoue faute de démonstrations humaines exploitables. Le constat de départ est que certaines tâches exigeant une stabilité dynamique, un timing de contact précis ou une coordination dextre sont difficiles, voire impossibles, à téléopérer correctement par un opérateur humain. GLIDE prend en entrée une description de la tâche et le code de téléopération associé, puis génère automatiquement des garde-fous qui filtrent les commandes de téléopération et de politique en fonction de l'état du système, contraignent les actions à risque d'échec, et s'améliorent de façon itérative à partir du retour des trajectoires collectées. Testé sur trois tâches (transfert d'une assiette de tomates, prise et pose d'un marqueur, service de vin), le framework fait passer le taux de succès de la collecte de données de 0 à 10% jusqu'à 70 à 90% après raffinement. Les politiques entraînées sur des données mixtes atteignent ensuite 70%, 60% et 60% de réussite sur ces trois tâches respectivement. Ce résultat s'attaque à un goulot d'étranglement connu de l'apprentissage par imitation en robotique : la qualité et la faisabilité des démonstrations humaines plafonnent la performance des politiques, quel que soit le volume de données collecté. Pour les équipes qui entraînent des modèles VLA sur des données de téléopération, GLIDE suggère qu'il est possible d'étendre le périmètre des tâches automatisables au-delà de ce qu'un humain peut physiquement démontrer, en injectant une connaissance structurée des modes d'échec dans le pipeline de collecte plutôt que dans la seule politique finale. Fait notable, les garde-fous générés automatiquement dépassent en efficacité ceux écrits à la main par des experts du domaine, ce qui suggère qu'une partie de l'ingénierie de contrainte comportementale, jusqu'ici artisanale, peut être partiellement automatisée et affinée par itération. GLIDE s'inscrit dans la lignée des travaux sur l'apprentissage par imitation pour la manipulation dextre, où la téléopération en réalité virtuelle sert de méthode de référence malgré ses limites pour les tâches dynamiques. Les auteurs comparent explicitement leur approche à deux références, la téléopération VR sans contrainte et les garde-fous codés en dur par des experts, GLIDE surpassant les deux. Le projet est documenté sur un site dédié (guardrail-policy.github.io), mais l'article ne précise ni les auteurs, ni leur affiliation, ni de calendrier de déploiement au-delà de la validation sur ces trois tâches. Il s'agit à ce stade d'une contribution de recherche publiée en preprint, sans annonce de produit ni de partenariat industriel.

IA physique❖Paper

1 source

38

1496arXiv cs.RO 

PileBelief : un état physique persistant pour la modélisation du monde pilotée par l'interaction

Des chercheurs présentent PileBelief, un modèle du monde pour l'excavation robotique, dans un article publié le 22 septembre 2026 sur arXiv (2609.22858v1). Le système cible un problème concret: à chaque coup de godet, le terrain change de forme et les observations locales ne suffisent plus à connaître l'état réel du sol, sa résistance ou son support sous la surface visible. PileBelief combine un a priori physique conditionné par l'observation avec une mémoire de déformation indexée dans l'espace et une mémoire de réponse physique, affinées par des lectures alignées sur l'action et des corrections résiduelles ciblées. Une fois les poids figés au déploiement, les interactions réellement exécutées mettent à jour une croyance mesurée sur le sol, tandis que les actions hypothétiques font évoluer un état imaginé distinct. Face à une base de référence limitée à l'observation courante, PileBelief réduit l'erreur de prédiction conjointe à cinq pas de temps de 10,8% et le regret de sélection d'action hors ligne de 65,5%, avec des gains confirmés en simulation physique Newton/MPM et sur des données d'excavation réelle, notamment pour la prédiction du volume de godet. Pour la robotique de chantier et le BTP autonome, ce travail cible un verrou concret: contrairement à la manipulation d'objets rigides, l'excavation transforme en continu l'environnement, ce qui rend aveugles les modèles du monde classiques limités à l'image courante face à ce qui a été creusé ou déplacé hors champ de vision. En conservant une mémoire persistante de l'état physique plutôt qu'en repartant de zéro à chaque observation, l'approche se rapproche du comportement d'un opérateur expérimenté qui se souvient de ce qu'il a déjà retiré. Le gain de 65,5% sur le regret de sélection d'action est le chiffre le plus parlant pour les intégrateurs, car il montre que le modèle choisit de meilleures actions candidates, pas seulement qu'il prédit mieux visuellement, ce qui alimente un débat plus large sur les modèles du monde en robotique: l'observation instantanée, même bien traitée, ne suffit pas dans les tâches où l'environnement est irréversiblement transformé par l'action du robot. L'article se positionne face aux modèles du monde instantanés qui dominent la recherche en manipulation robotique, généralement limités à une image ou un nuage de points par prédiction, sans mémoire à long terme sur l'état physique du terrain. En distinguant une croyance mesurée, mise à jour uniquement par des actions réellement exécutées, d'un état imaginé servant à évaluer des actions hypothétiques sans corrompre cette croyance, les auteurs proposent une architecture potentiellement réutilisable pour d'autres tâches de transformation continue de l'environnement, comme le terrassement ou la manutention de matériaux en vrac. Le papier reste au stade de prépublication de recherche, sans mention de déploiement industriel ni de partenaire commercial, et ouvre la voie à des travaux visant à valider l'approche sur davantage de types de sols et sur des engins d'excavation grandeur réelle.

Recherche❖Paper

1 source

38

1497arXiv cs.RO 

MIRA : interaction humain-robot en duplex intégral et temps réel pour compagnons incarnés

Des chercheurs présentent MIRA, un système d'interaction homme-robot en temps réel destiné aux robots compagnons, décrit dans un article publié sur arXiv (identifiant 2609.24547). Face à un flux de parole continu, l'historique du dialogue et l'affect vocal de l'utilisateur, MIRA prédit simultanément le texte de la réponse et un signal d'incarnation physique qui pilote le geste du robot. Les comportements sociaux discrets, comme écouter ou saluer, sont associés à des trajectoires robotiques préétablies et validées, tandis que la parole ouverte est accompagnée d'un mouvement généré en flux continu, contraint par une fenêtre glissante qui anticipe la trajectoire sur un horizon court sans figer d'engagement physique irréversible, afin de rester annulable en cas d'interruption. Le cœur du système, baptisé CORTEX, est une politique de décision à deux échelles temporelles qui gère à la fois les réactions à faible latence et les décisions de tour de parole plus délibérées, avec une couche d'exécution côté robot qui applique les contraintes de sécurité physique au rythme du contrôle moteur. L'équipe a déployé MIRA sur un robot humanoïde Astribot S1 et rapporte des évaluations quantitatives d'alignement audio-mouvement jugées compétitives face à des méthodes de référence de génération de mouvement, ainsi que des mesures de réactivité et de gestion des interruptions en conditions réelles, sans toutefois détailler de chiffres précis de latence ou de taux de réussite dans le résumé disponible. L'intérêt de ce travail réside dans la fusion, au sein d'une architecture unique, de deux fonctions habituellement traitées séparément par les robots conversationnels : l'orchestration du dialogue et la synthèse de gestes, cette dernière étant généralement calculée hors ligne à partir d'un audio complet. En traitant la parole de façon incrémentale et en gérant l'incertitude sur les frontières de tour de parole, MIRA s'attaque directement à un problème concret pour les intégrateurs de robots sociaux et compagnons: la capacité à interrompre un mouvement en cours sans compromettre la sécurité physique, un point souvent négligé dans les démonstrations scénarisées de robots humanoïdes conversationnels. Ce travail s'inscrit dans la vague plus large des architectures vision-langage-action et des robots compagnons cherchant à dépasser le stade de la démonstration commandée par script pour atteindre une interaction fluide et bidirectionnelle en continu. Le choix de l'Astribot S1, humanoïde chinois déjà utilisé dans plusieurs démonstrations de manipulation, comme plateforme de validation ancre la recherche dans un cas d'usage réel plutôt que purement simulé. Les auteurs comparent leurs résultats à des méthodes de génération de mouvement de référence sans préciser dans le résumé de calendrier de déploiement commercial, ce qui situe MIRA au stade de la démonstration de recherche plutôt que du produit prêt à l'emploi.

IA physique❖Paper

1 source

38

1498arXiv cs.RO 

AquaCap : un agent incarné sous-marin sans entraînement, piloté par du code comme politique

AquaCap est un agent robotique sous-marin capable de naviguer et de manipuler des objets de façon autonome sans aucun entraînement préalable ni mise à jour de paramètres, selon le principe dit "Code-as-Policy" décrit dans un article mis en ligne sur arXiv en septembre 2026 (référence 2609.23133). Le système repose sur une architecture à deux niveaux qui traduit les instructions de tâche et les observations de l'environnement en plans adaptés aux conditions rencontrées et en programmes de contrôle directement exécutables. Une couche de perception structurée lui fournit des informations sémantiques, géométriques et évaluées en fiabilité malgré la dégradation typique des images sous l'eau, tandis qu'une mémoire sensible aux échecs diagnostique les actions ratées et déclenche une replanification en boucle fermée avec révision du code généré. En simulation, AquaCap atteint un taux de réussite de 66,43%. Des essais réels avec un véhicule télé-opéré (ROV) ont démontré des saisies et transports d'objets autonomes, y compris la récupération de cibles déplacées par des courants hydrodynamiques. Cette approche cible un verrou spécifique du secteur : contrairement à la robotique terrestre, qui alimente ses modèles vision-langage-action avec des volumes massifs de données de téléopération, la robotique sous-marine ne peut pas répliquer cette stratégie, chaque campagne de collecte en mer ou en bassin restant coûteuse et rare. En s'appuyant sur la génération de code plutôt que sur l'apprentissage de bout en bout, AquaCap s'adapte en ligne sans réentraînement, ce qui intéresse directement les intégrateurs d'AUV et de ROV pour l'inspection offshore, l'aquaculture ou la maintenance sous-marine. Le taux de succès de 66,43% en simulation, nettement en dessous des standards affichés par les meilleurs systèmes VLA terrestres, rappelle toutefois que l'écart entre démonstration et fiabilité opérationnelle reste large sous l'eau. AquaCap prolonge les architectures "Code-as-Policy", qui font générer par des modèles de langage du code de contrôle exécutable plutôt que des politiques apprises par renforcement, une piste déjà explorée en robotique terrestre mais encore rare en milieu marin. Le résumé ne mentionne aucune affiliation industrielle ni partenaire commercial, ce qui situe le projet comme une recherche académique et non comme un produit prêt à déployer. Les démonstrations réelles se limitent pour l'instant à un seul ROV et à des tâches de préhension et de transport, sans calendrier de déploiement annoncé. La prochaine étape attendue pour ce type de système serait une validation sur davantage de plateformes et en conditions océaniques réelles, au-delà des bassins contrôlés, avant toute adoption par des opérateurs d'inspection sous-marine ou de robotique offshore.

Recherche❖Paper

1 source

38

1499arXiv cs.RO 

FlockDiffusion : diffusion conditionnée par l'affectation pour l'allocation et l'exécution de tâches multi-drones

FlockDiffusion, un framework d'apprentissage présenté dans un article déposé sur arXiv le 22 septembre 2026 (arXiv:2609.23745), coordonne des flottes de drones autonomes chargées de desservir des objectifs dispersés en environnement encombré sous contrainte de calcul. Le système combine un encodeur de graphe de scène, un module d'allocation de tâches, un transformeur de diffusion conditionné par l'assignation et un décodeur de trajectoire à forme fermée, entraîné hors ligne par un modèle enseignant autorégressif. En simulation PyBullet, le regroupement de tâches par drone porte le taux de complétion de 50% à 100% et réduit le coût de route de 8,4% face à la méthode concurrente MAGNNET. Sur un benchmark à dix drones et 100 scènes par niveau de densité, FlockDiffusion calcule 6,2 à 7,6 fois plus vite et raccourcit les routes d'environ 37%: la latence ne monte que de 7,8 à 11,1 ms quand le nombre de tâches passe de 20 à 40, contre 48 à 75,8 ms pour le pipeline classique. Sur cinq environnements simulés sous Gazebo, il atteint 100% de couverture de planification et réduit le coût de route de 15,4%. Ces résultats visent un goulot d'étranglement concret des essaims de drones: les pipelines classiques traitent séparément l'estimation de coût, l'assignation et l'exécution, ce qui multiplie les recherches redondantes dans le graphe et produit des trajectoires longues et heurtées, un défaut pénalisant pour l'inspection industrielle, la logistique aérienne ou la surveillance de sites étendus où chaque milliseconde de calcul embarqué compte. En remplaçant plusieurs solveurs séquentiels par un unique modèle de diffusion conditionné, l'étude appuie empiriquement l'idée que les architectures de diffusion, popularisées en manipulation robotique, généralisent bien à la planification multi-agents. Ces chiffres restent cependant issus de simulateurs, PyBullet et Gazebo, et non de vols réels, limite que les auteurs reconnaissent eux-mêmes. FlockDiffusion prolonge des travaux récents qui transposent les modèles de diffusion à la planification combinatoire multi-robots, un champ jusqu'ici dominé par des solveurs d'optimisation et des méthodes d'apprentissage par renforcement sur graphe comme MAGNNET, utilisé ici comme référence de comparaison. Aucun acteur français ou européen n'apparaît dans cette publication, qui reste une contribution académique déposée sur arXiv et non un produit ou un pilote commercial annoncé. Les auteurs ne fixent aucun calendrier d'essais sur drones physiques; la validation en conditions réelles constitue l'étape logique suivante pour confirmer que les gains mesurés en simulation résistent aux aléas de la perception et de la communication embarquées.

Recherche❖Paper

1 source

38

1500arXiv cs.RO 

Manipulation de la pointe dans les robots souples évertants via rétraction de paroi et doigts déployables

Des chercheurs ont détaillé, dans un article déposé en septembre 2026 sur arXiv sous la référence 2609.23132, une nouvelle méthode de manipulation pour les robots souples dits "everting", ces robots qui progressent en faisant croître en continu une membrane retournée sur elle-même, ce qui leur permet de traverser des trajets longs et confinés. Jusqu'ici, ces robots ne pouvaient embarquer qu'un seul outil fixé près de leur pointe, impossible à repositionner en cours de mission et difficile à concilier avec un corps souple. L'équipe propose un système de rétraction de paroi combinant un ensemble de rouleaux à la base, qui dose indépendamment le flux de membrane dans la paroi externe, et une bobine de queue régulant la croissance dans la section interne. Cette coordination découple la longueur du robot de la position du matériau, permettant de transporter, exposer et repositionner des dispositifs montés sur la membrane près de l'extrémité distale. Le système intègre aussi des doigts gonflables plissés ultralégers, en nylon enduit de TPU avec vessie interne étanche à l'air, atteignant une flexion d'environ 100 degrés sous 50 kPa et des forces de blocage jusqu'à 1,9 newton, tout en restant flasques pendant le transport. Les démonstrations couvrent la préhension adaptative d'objets domestiques de 21 à 550 grammes et 16 à 200 millimètres, la manipulation et l'empilement d'objets en trois dimensions, l'extension avec appui sur l'environnement, le panoramique d'une caméra distale et la livraison séquentielle de charges utiles. Cette avancée s'attaque à une limite connue des robots à croissance ("growing robots"), efficaces pour franchir canalisations, décombres ou conduits industriels mais cantonnés jusqu'ici à l'inspection passive, faute de pouvoir manipuler activement sans rigidifier leur structure. En démontrant un transport et un déploiement d'outils multiples sans sacrifier la souplesse ni la croissance du robot, les auteurs ouvrent la voie à des systèmes réellement multifonctions, capables d'agir et pas seulement d'observer là où robots rigides et drones filaires peinent à s'engager. Il s'agit toutefois de résultats de laboratoire sur des objets légers en environnement contrôlé, publiés dans un article de recherche, loin d'un produit ou d'un déploiement industriel. Les robots everting prolongent le champ des robots souples à croissance, qui s'inspirent de l'allongement des plantes pour contourner les limites des bras rigides et des robots serpents en milieu exigu, un axe de recherche jusqu'ici limité à l'embarquement d'un capteur ou d'une caméra fixe. L'article ne mentionne ni partenariat industriel ni calendrier de pilote; les suites attendues pour ce type de travaux portent typiquement sur l'augmentation de la charge utile et la validation hors laboratoire, en concurrence avec les approches de robots serpents rigides pour l'inspection en espace confiné.

Recherche❖Paper

1 source