Actualités robotique — page 36

7 515 articles au fil, du plus récent au plus ancien.

38

1751arXiv cs.RO 

Apprentissage de l'anticipation sans trajectoires explicites pour les politiques de diffusion 3D

Un preprint publié sur arXiv en septembre 2026 (2609.20669) présente Movement Trend Guidance (MTG), une méthode qui améliore les politiques de diffusion 3D en manipulation robotique. Construite au-dessus du modèle de référence DP3 (3D Diffusion Policy), elle n'ajoute que 3,52% de paramètres supplémentaires. À partir d'un court historique d'observations, le système apprend une représentation latente compacte de l'évolution de l'interaction, supervisée à l'entraînement par des états futurs épars du gripper; à l'inférence, seul ce latent sert de signal de conditionnement, injecté via une branche FiLM ajoutée au goulot d'étranglement du réseau UNet. Les gains face à DP3 sont nets sur trois bancs d'essai: 62,8% contre 56,1% en entraînement mixte sur 50 tâches de RoboTwin2.0, 71,93% contre 37,08% sur LIBERO-40, et 72,0% contre 49,0% sur cinq tâches évaluées en conditions réelles, sur le benchmark DexArt. L'enjeu dépasse le score brut. Les politiques de diffusion génèrent des mouvements géométriquement plausibles à partir de l'observation présente, mais laissaient jusqu'ici l'anticipation de la suite de l'interaction émerger implicitement de l'apprentissage de l'action seule. MTG rend cette anticipation explicite sans imposer de trajectoire planifiée, une alternative légère aux modèles du monde ou à la prédiction de trajectoire explicite, plus coûteux en calcul. Pour les intégrateurs et les équipes de recherche, le signal clé est que ce gain de robustesse, dont un quasi-doublement du taux de réussite sur LIBERO-40, s'obtient pour un surcoût d'architecture marginal, ce qui facilite une adoption dans des piles déjà basées sur DP3. Le travail reste toutefois un résultat de preprint non relu par les pairs, évalué selon le protocole propre des auteurs; l'écart entre benchmark et déploiement industriel réel reste à confirmer à plus grande échelle. DP3 combine diffusion générative et observations en nuages de points 3D pour l'apprentissage par imitation de tâches de manipulation. RoboTwin2.0, LIBERO-40 et DexArt sont des bancs d'essai standards du secteur pour comparer les politiques de manipulation, en simulation et, pour partie, en conditions réelles. MTG s'inscrit dans une recherche plus large, menée en parallèle des grands modèles vision-langage-action comme Pi-0, GR00T N2 ou Helix, qui cherchent tous à doter les politiques robotiques d'une meilleure anticipation à long horizon sans planification de trajectoire coûteuse. Aucun acteur commercial français ou européen n'est associé à ces travaux, qui restent une contribution académique; ni date de publication du code ni pilote industriel ne sont mentionnés, la suite logique étant une revue par les pairs puis une éventuelle intégration dans des piles VLA commerciales existantes.

Recherche❖Paper

1 source

38

1752arXiv cs.RO 

AthenaZero : un robot bimanuel à faible inertie pour la manipulation dynamique

En septembre 2026, une équipe de chercheurs a détaillé sur arXiv (référence 2609.19194) AthenaZero, un manipulateur bimanuel conçu pour minimiser son inertie sans sacrifier l'autorité de contrôle. Grâce à un actionnement quasi-direct-drive et à un déport de la transmission loin des articulations distales, le bras atteint une masse effective en bout de bras comparable à celle d'un bras humain, environ dix fois inférieure à celle des manipulateurs robotiques classiques, avec une transparence de couple intrinsèque. Les auteurs démontrent ces capacités sur trois tâches inspirées du baseball, lancer, attraper et frapper, sur des échelles de temps où la milliseconde compte: le robot lance à plus de 30 m/s, et attrape comme frappe à plus de 14 m/s sur 7,3 mètres. Des parties de catch et des séances de frappe ont suivi, en robot-robot comme en humain-robot. La majorité des bras industriels et humanoïdes actuels privilégient précision et charge statique au détriment de la vitesse: leur inertie élevée impose de ralentir dès qu'une interaction dynamique ou imprévisible, comme rattraper un objet lancé, entre en jeu. En ramenant la masse en bout de bras à l'échelle humaine tout en conservant la puissance nécessaire pour lancer à plus de 30 m/s, AthenaZero ouvre une piste pour les intégrateurs visant du tri à haute vitesse ou de l'interaction physique homme-robot. Le papier reste un démonstrateur de laboratoire: aucun taux de réussite ni test en environnement non structuré n'est fourni, le passage à un usage industriel reste à prouver. La démarche se distingue de la course aux humanoïdes généralistes menée par Figure AI avec Figure 03, Tesla avec Optimus, ou les modèles vision-langage-action comme Pi-0 de Physical Intelligence et GR00T N2 de NVIDIA, davantage centrés sur l'apprentissage de politiques génériques que sur la mécanique du bras. AthenaZero prolonge plutôt des travaux sur les actionneurs à faible impédance issus de la robotique à retour de force. Classé nouvelle soumission arXiv, le papier ne précise ni laboratoire d'origine ni calendrier commercial, et aucun acteur français ou européen n'y figure. Les auteurs annoncent vouloir étendre l'évaluation à d'autres interactions homme-robot, sans date de déploiement précisée.

Recherche❖Paper

1 source

38

1753arXiv cs.RO 

Modèles d'espace de travail : mémoire robotique légère via supervision guidée par la saillance

Un article déposé sur arXiv sous la référence 2609.20820v1 propose une nouvelle méthode de mémoire pour les robots manipulateurs, baptisée « workspace token ». Le constat de départ : les tâches de manipulation complexes exigent de se souvenir d'actions et d'événements passés, mais conditionner une politique de contrôle sur l'historique complet des observations dégrade ses performances en introduisant des corrélations parasites. Les méthodes existantes compressent cet historique en interrogeant un modèle vision-langage (VLM) en boucle, au moment même de l'exécution, ce qui reste coûteux en calcul. Les auteurs déplacent ce coût vers la phase d'entraînement : un VLM identifie d'abord les informations passées et présentes utiles à la tâche, puis les distille dans un token latent léger via une fonction de perte de reconstruction d'ensemble. Ce token remplace ensuite directement les observations au moment du déploiement, une approche validée à la fois en simulation et sur robot physique. Le résultat notable, présenté par les auteurs eux-mêmes comme une surprise, est que ce token compressé n'allège pas seulement le calcul nécessaire au déploiement : il améliore aussi les performances sur des tâches à mémoire longue, sans compromis de précision. Pour les équipes de recherche robotique et les intégrateurs travaillant sur des politiques vision-language-action, l'enjeu est concret : le raisonnement VLM en boucle fermée est une source connue de latence et de coût de calcul embarqué, un frein direct au déploiement à cadence industrielle. Ces travaux suggèrent qu'une mémoire compacte apprise hors ligne peut remplacer ce raisonnement coûteux sans perte de performance, à rebours de l'hypothèse selon laquelle compresser le contexte se paie toujours en précision. Cette contribution s'inscrit dans un courant de recherche plus large sur la gestion du contexte et de la mémoire dans les politiques robotiques pilotées par des modèles vision-langage-action, un champ où réduire la dépendance à des requêtes de modèles lourds pendant l'exécution constitue une préoccupation partagée par les laboratoires développant ce type de systèmes à grande échelle. À ce stade, il s'agit d'un article de recherche sans lien annoncé avec un produit commercial, un partenaire industriel ou un robot précis : ni l'institution des auteurs ni de calendrier de suite ne sont précisés dans le résumé disponible. La validation matérielle évoquée reste limitée aux expériences décrites dans l'article, sans indication de volume de déploiement ni de robot commercial identifié.

Recherche❖Paper

1 source

38

1754arXiv cs.RO 

Planification de fabrication additive robotisée par IA à base d'agents fondée sur la cinématique

Une équipe de recherche présente dans un preprint publié sur arXiv (2609.19347v1) un système baptisé A-RAM, pour "agentic robotic additive manufacturing", conçu pour planifier automatiquement les processus de fabrication additive exécutés par un bras robotique plutôt que par une imprimante 3D classique à portique cartésien. Le système combine un grand modèle de langage, chargé d'interpréter les objectifs et contraintes de fabrication exprimés par l'utilisateur et de les traduire dans un schéma structuré, avec un agent de planification déterministe qui construit le plan de recherche correspondant, et des outils spécialisés qui calculent des preuves quantitatives sur le découpage (slicing), le placement de la pièce, la cinématique inverse, le minutage de la trajectoire, le jerk de l'axe 6 et l'extrusion. Le framework a été testé sur une cellule robotisée équipée d'un bras six axes, à travers quatre scénarios : planification spécifiée par un expert, planification à partir du seul objectif, criblage du remplissage (infill) selon l'objectif visé, et sélection de l'orientation et du placement selon la géométrie de la pièce. Les plans retenus par le système réduisent jusqu'à 53,5% le jerk maximal sur l'axe 6 et jusqu'à 48,3% le jerk moyen absolu par rapport aux candidats valides les moins favorables, tandis que le criblage d'infill orienté objectif raccourcit les temps de complétion du plan de mouvement jusqu'à 40,1% et les trajectoires d'extrusion jusqu'à 12,7%. L'enjeu pointé par les auteurs est concret pour les intégrateurs industriels : un plan de découpage jugé bon dans le référentiel de la pièce peut devenir irréalisable ou mécaniquement défavorable une fois transposé sur un manipulateur robotique, car l'orientation de la pièce et son placement dans l'espace de travail influencent directement la faisabilité cinématique. Les outils existants, qu'il s'agisse des slicers classiques, des systèmes d'aide à la décision basés sur des LLM ou des jumeaux numériques, n'évaluent pas ces décisions couplées avant l'exécution. A-RAM illustre une tendance plus large où le LLM sert de couche de raisonnement et de traduction d'intention plutôt que de générateur direct de trajectoires, la validation restant confiée à des outils déterministes. Il s'agit d'un travail de recherche académique évalué en laboratoire sur une cellule unique, sans annonce de déploiement industriel, de partenariat commercial ni de calendrier de mise sur le marché. Le papier se positionne explicitement face à trois catégories d'outils jugées insuffisantes : les chaînes de slicing traditionnelles, les assistants de décision fondés sur des LLM, et les systèmes de jumeau numérique, aucun ne proposant selon les auteurs une évaluation pré-exécution intégrée des décisions de découpage, de placement et de cinématique.

Recherche❖Paper

1 source

38

1755arXiv cs.RO 

Du déploiement à la réinitialisation : un système d'évaluation par graphe pour la manipulation autonome à long horizon

Publié sur arXiv (2609.19413v1) le 18 septembre 2026, l'article présente HALTER, un système qui automatise l'évaluation de politiques de manipulation robotique sur des tâches longues, en particulier la remise à zéro de la scène entre essais, jusqu'ici confiée à un opérateur humain. Testé sur un bras Franka pour quatre tâches longues, HALTER restaure correctement la scène dans 76% des épisodes, contre 52% pour AutoEval et 65% pour un reset par planification de mouvement classique. Il estime juste la fraction de compétences accomplies dans 90% des cas, contre 76% pour AutoEval, et son verdict de vérification du reset est correct dans 91% des épisodes contre 78%. Le système réduit aussi de 72% le temps d'opérateur d'une campagne d'évaluation par rapport à un reset manuel, et sur trois tâches inédites testant la généralisation compositionnelle, il réussit le reset dans 74,7% des épisodes contre seulement 1,3% pour une politique de reset entraînée tâche par tâche. Cette avancée cible un vrai goulot d'étranglement de la recherche en robotique: l'évaluation sur robot réel reste la référence des progrès en manipulation, mais reset la scène à la main coûte du temps et laisse la distribution des états initiaux mal définie, ce qui nuit à la reproductibilité des résultats. En automatisant reset et notation pour des tâches multi-étapes sans images de succès annotées, HALTER change l'économie des campagnes de test: le coût de démonstration croît avec la taille d'une bibliothèque de compétences de reset réutilisables, et non plus avec le nombre combinatoire d'états terminaux possibles. Pour les équipes qui entraînent des modèles vision-langage-action à grande échelle, cela ouvre la voie à des benchmarks continus moins gourmands en supervision humaine, dans un secteur qui cherche justement à distinguer démonstrations triées et performance réellement mesurée. HALTER prolonge AutoEval, système antérieur capable d'automatiser reset et notation mais seulement pour des tâches à une étape, un essai long pouvant se terminer dans un nombre combinatoirement grand de configurations qu'aucune politique de reset apprise ne couvre seule. La solution construit en ligne un graphe de scène à partir de nuages de points et de modèles de vision, qu'un grand modèle de langage utilise pour noter la tâche, planifier le reset via une bibliothèque de compétences atomiques, et vérifier sa réussite. Les auteurs ont aussi testé différentes représentations de la scène et fréquences de mise à jour du graphe, sans annoncer de calendrier de déploiement au-delà de ce cadre expérimental sur bras Franka.

Recherche❖Paper

1 source

38

1756arXiv cs.RO 

Planification itérative rapide pour éviter des obstacles dynamiques en toute sécurité

Des chercheurs publient sur arXiv, en septembre 2026 (arXiv:2609.20435), un article intitulé « Time-Efficient Iterative Learning Planning for Safety-Critical Dynamic Obstacle Avoidance », qui étend le cadre d'Iterative Learning Planning (ILP), une méthode légère de planification de trajectoire pour robots mobiles autonomes, à l'évitement d'obstacles dynamiques. Le manque de l'ILP original (l'absence de mécanisme de perception et d'évitement d'obstacles mobiles) est comblé par l'ajout d'une fonction barrière de contrôle anticipative pondérée par le risque, l'ARB-CBF, qui corrige en temps réel les commandes nominales générées par un ILP désormais capable d'apprendre des profils de vitesse de franchissement et de biais de direction en fonction du risque local. Les auteurs démontrent que l'étape de replanification de l'ILP évolue en O(kN) pour k itérations et N points de passage, tandis que l'ARB-CBF s'exécute en complexité linéaire. Le framework est testé en simulation et sur robot réel, avec des résultats comparés à des méthodes de référence fondées sur l'optimisation. Pour les intégrateurs de robots mobiles et les décideurs industriels travaillant avec du matériel de calcul embarqué limité (AMR, robots de logistique), l'enjeu est direct : les planificateurs garantissant une sécurité formelle contre les obstacles dynamiques reposent généralement sur des méthodes d'optimisation coûteuses en calcul (MPC, CBF résolues par programmation quadratique), alors que les approches par apprentissage plus légères ignorent souvent ce risque. En affichant une complexité linéaire pour la couche de sécurité, ce travail suggère qu'il est possible de conserver des garanties de sécurité formelles sans les coûts de calcul habituels, un argument pertinent pour déployer des flottes de robots sur du matériel bon marché plutôt que sur des calculateurs industriels. Ce résultat reste toutefois un preprint non encore relu par les pairs, et les gains de performance revendiqués sont mesurés par les auteurs eux-mêmes face à leurs propres méthodes de comparaison, sans benchmark indépendant. L'ILP appartient à la famille des planificateurs par apprentissage itératif, pensée comme alternative légère aux méthodes d'optimisation numérique (MPC, RRT*, CBF-QP) qui dominent la navigation sécurisée en robotique mobile, mais sa version d'origine se limitait à des environnements sans obstacles mobiles. L'ARB-CBF s'appuie sur les fonctions barrière de contrôle, désormais un outil standard pour encoder des contraintes de sécurité formelles dans les véhicules autonomes et la robotique mobile. L'article ne mentionne ni affiliation institutionnelle précise, ni plateforme commerciale, ni calendrier de déploiement industriel : il s'agit d'une contribution algorithmique destinée à la communauté de recherche, dont l'adoption dépendra de reproductions indépendantes et d'essais sur des plateformes réelles au-delà des expériences des auteurs.

Recherche❖Paper

1 source

38

1757arXiv cs.RO 

TraceFlow : guider des politiques robotiques figées de flow-matching avec des traces de succès et d'échec

Un article publié sur arXiv (2609.20646, mi-septembre 2026) présente TraceFlow, une méthode qui corrige à l'inférence les politiques VLA à expert d'action par flow matching, sans toucher aux poids appris. Le système puise dans TraceBank, des traces état-action horodatées avec un bit terminal succès/échec, issues de l'entraînement puis enrichies par les rollouts du robot déployé, converties en un champ de guidage qui corrige de façon bornée le champ de vitesse figé. Sur une tâche réelle d'emballage ordonné, la politique de base réussit 21 essais sur 50, TraceFlow en réussit 39, et un round d'empilement sans réentraînement porte le total à 47, les épisodes en mauvais ordre tombant de 20 à 0. En simulation sur RoboMemArena, la réussite de la sous-tâche "Sequence" passe de 78,92% à 91,50%. Le résultat vise une limite connue des politiques VLA à flow matching, comme celles derrière Pi-0 ou GR00T : une fois les poids figés, aucun échec observé en opération ne peut modifier l'action suivante. Les méthodes concurrentes de guidage reposent sur des succès récupérés, un critique appris, un vérificateur ou un modèle de dynamique, mais aucune n'exploitait l'échec lui-même comme preuve négative à partir d'un simple bit terminal. Pour un intégrateur, cela ouvre la possibilité de corriger des comportements défaillants en production par simple accumulation de traces, sans réentraînement complet. Les auteurs restent prudents : l'agrégat des 26 tâches simulées reste inchangé, comptage et occlusion reculent légèrement, et le gain sur LIBERO-Plus n'est pas statistiquement significatif (p = 0,0733). Cette recherche s'inscrit dans l'essor des politiques VLA par flow matching, qui gagnent du terrain face à la diffusion classique pour générer des séquences d'actions courtes. TraceFlow se positionne face aux méthodes de guidage existantes, qui exigent un critique entraîné, un vérificateur ou un modèle du monde, en misant sur un signal minimal déjà présent dans les pipelines robotiques. TraceBank peut s'enrichir en continu des rollouts du robot déployé, une piste d'amélioration sans réentraînement, mais son ratio succès/échec ne prédit pas l'allocation de la récupération. TraceFlow demeure pour l'instant un résultat de recherche validé sur une seule tâche réelle et plusieurs suites de simulation, sans déploiement industriel annoncé.

Recherche❖Paper

1 source

38

1758arXiv cs.RO 

DR-MPC : commande prédictive rapide et réalisable à dynamique relâchée pour la locomotion des robots à pattes

Des chercheurs ont publié le 18 septembre 2026 sur arXiv (arXiv:2609.20035v1) un article présentant DR-MPC (dynamics-relaxed model prédictive control), une nouvelle formulation de commande prédictive pour la locomotion des robots à pattes, accompagnée d'un solveur de points intérieurs (IPM) conçu sur mesure. La méthode déplace les contraintes d'égalité de dynamique et les contraintes d'entrée affines dans des pénalités quadratiques, ne conservant que les contraintes de type boîte non vides, ce qui garantit la faisabilité de l'optimisation par construction. Le programme quadratique résultant présente une matrice hessienne en forme de bloc-flèche, permettant d'éliminer les directions d'état et de sortie affine via un complément de Schur ; le solveur ne factorise que le système de commande réduit, après élimination des forces de contact aux pattes en appui et un séquencement des mouvements aligné sur les contacts. Sur les implémentations testées avec la même formulation DR-MPC, la méthode affiche une accélération médiane de bout en bout de 16,0 fois par rapport au solveur HPIPM et de 4,4 fois par rapport à OSQP, pour des performances de locomotion comparables en simulation. Le temps de cycle médian embarqué atteint 4,4 millisecondes, validé sur un quadrupède Unitree Go1. Le code doit être publié en open source après parution de l'article. Pour l'industrie des robots à pattes, la vitesse d'exécution de la commande prédictive embarquée reste un goulot d'étranglement direct : un cycle de 4,4 ms permet des fréquences de contrôle plus élevées, des allures plus dynamiques et potentiellement du calcul embarqué moins coûteux. La comparaison n'est pas faite contre une démonstration marketing mais contre deux solveurs déjà largement utilisés dans la communauté robotique, HPIPM et OSQP, ce qui donne à ce gain de vitesse une valeur d'ingénierie concrète plutôt qu'une simple annonce. La validation reste toutefois limitée à la simulation et à un seul quadrupède de recherche, sans généralisation démontrée à des plateformes plus lourdes ni à des humanoïdes. Le travail s'inscrit dans la lignée des recherches en commande prédictive pour la locomotion à pattes, domaine où HPIPM et OSQP servent de références académiques établies depuis plusieurs années. Aucune entreprise n'est associée à cette publication, qui reste un travail de recherche académique sans calendrier de commercialisation annoncé. Le choix du Unitree Go1, plateforme quadrupède abordable très répandue en laboratoire, facilite la reproductibilité mais limite la portée immédiate des résultats à ce segment de robots légers.

Recherche❖Paper

1 source

38

1759arXiv cs.RO 

LIFD : diffusion ancrée pour une mémoire de scène 3D dans la manipulation robotique

Un article de recherche publié sur arXiv (arXiv:2609.19796v1) présente LIFD (Look, Imagine, Focus, and Do), un système de mémoire de scène tridimensionnelle persistante destiné à la manipulation robotique en conditions d'observabilité partielle, c'est-à-dire lorsque des zones vues par le robot sortent du champ de la caméra à mesure qu'il ou la scène se déplace. Le système apprend une représentation en tokens de scène à partir d'un accord multi-vues, puis la complète en déploiement à partir d'une seule image RGB et d'une mémoire récurrente, grâce à un modèle de rectified-flow combiné à un mécanisme d'attention croisée guidée par des ancrages géométriques. Sur les bancs d'essai de simulation LIBERO et MetaWorld, la version dite "Staged" de LIFD atteint respectivement 91,6% et 79,8% de taux de réussite moyen, avec un gain de 3,1 points de pourcentage sur LIBERO par rapport à un entraînement joint classique. Sur un bras robotique réel UR5e, testé sur quatre familles de tâches avec seulement dix démonstrations par famille, LIFD obtient 56,0% de réussite moyenne contre 40,5% pour OpenVLA-7B, un modèle vision-langage-action de référence dans le secteur. Ce résultat s'attaque à une limite connue des politiques de manipulation actuelles: la plupart des architectures VLA raisonnent sur la vue courante et perdent la trace des objets ou surfaces qui sortent du cadre, ce qui fragilise les tâches nécessitant de se souvenir d'un état antérieur de la scène. En montrant qu'une mémoire de scène compacte peut être inférée à partir d'une unique caméra RGB et de la proprioception au moment du déploiement, sans capteurs multi-vues ni LIDAR embarqués, LIFD répond à une contrainte très concrète pour les intégrateurs: le coût et la complexité du capteur. L'écart de performance avec OpenVLA-7B en régime few-shot (dix démonstrations) est aussi un signal pour les décideurs B2B, car il suggère qu'une mémoire spatiale explicite peut compenser en partie le besoin de données massives, un frein habituel à l'adoption des VLA en environnement industriel réel. Sur le plan méthodologique, LIFD s'appuie sur un entraînement en deux temps: une phase de représentation supervisée par des signaux multi-vues et géométriques, suivie d'une politique de manipulation reliée à cette représentation via des "slot features" compactes. Les auteurs comparent explicitement deux régimes d'entraînement, "Staged" et "Joint", le premier se révélant supérieur, et positionnent leur approche face à OpenVLA-7B comme référence VLA open-source établie. Il s'agit à ce stade d'un travail de recherche publié en preprint, validé sur des simulateurs standards du domaine (LIBERO, MetaWorld) et un unique bras collaboratif UR5e en laboratoire, sans annonce de pilote industriel ni de calendrier de déploiement à plus grande échelle.

Recherche❖Paper

1 source

38

1760arXiv cs.RO 

Co-entraînement simulation-humain pour une manipulation bimanuelle efficace en données et généralisable aux scènes

Une équipe de recherche présente SimHum, une méthode d'entraînement combinant simulation et démonstrations humaines pour la manipulation bimanuelle par robots, décrite dans une version mise à jour d'un article publié sur arXiv (2601.19406v2). Le constat de départ : les démonstrations réelles sur robot sont coûteuses à collecter, tandis que la simulation offre des actions valides pour le robot mais souffre d'un écart visuel avec le réel, et les vidéos de démonstrations humaines offrent des observations réalistes mais souffrent d'un écart d'incarnation entre humain et robot. SimHum extrait des priors cinématiques depuis la simulation et des priors visuels depuis les observations humaines, puis affine le modèle sur un petit jeu de données réel. Avec seulement 80 épisodes réels par tâche, la méthode atteint 62,5% de réussite sur des scènes inédites (hors distribution) sur quatre tâches bimanuelles de manipulation sur table, soit 53,7 points de pourcentage de plus qu'un entraînement uniquement sur données réelles. Dans une étude à temps de collecte égal, SimHum dépasse de 35 points de pourcentage la meilleure méthode de pré-entraînement mono-source. Ce résultat s'attaque à l'un des principaux goulots d'étranglement de l'apprentissage robotique : le coût de la collecte de démonstrations réelles, souvent cité comme le facteur limitant de la généralisation des modèles vision-langage-action (VLA). Plutôt que d'opposer simulation et données humaines comme des substituts concurrents aux démonstrations réelles, l'étude les traite comme complémentaires, chacune comblant une lacune spécifique de l'autre. Pour les intégrateurs et les équipes de recherche en robotique, cela suggère qu'une stratégie hybride de données peut réduire fortement le volume de collecte réelle nécessaire pour atteindre une généralisation à de nouvelles scènes, un enjeu central pour tout déploiement hors laboratoire. Il faut toutefois noter que les résultats portent sur quatre tâches de manipulation sur table en environnement contrôlé, et non sur un déploiement en conditions réelles ou en usine, ce qui limite pour l'instant la portée des conclusions. Ce travail s'inscrit dans un champ de recherche très actif où plusieurs approches rivalisent pour réduire la dépendance aux démonstrations réelles, entre pré-entraînement sur données vidéo humaines à grande échelle et apprentissage par simulation massive, des stratégies déjà explorées par des modèles VLA comme Pi-0 de Physical Intelligence, GR00T N2 de NVIDIA ou Helix de Figure. SimHum se distingue en combinant explicitement les deux sources plutôt qu'en misant sur une seule. Il s'agit ici d'un article de recherche académique, sans produit ni robot commercial associé : aucune entreprise ni plateforme matérielle spécifique n'est mise en avant, et le travail est accompagné d'une page projet dédiée. Les prochaines étapes, non précisées dans cette version de l'article, porteraient logiquement sur l'extension à davantage de tâches, de robots et de scénarios au-delà de la manipulation sur table.

Recherche❖Paper

1 source

38

1761arXiv cs.RO 

StageGuard : apprentissage des transitions d'étapes pour tâches robotiques longues par distillation à base d'agents

Une équipe de recherche a publié le 18 septembre 2026 sur arXiv (référence 2609.20791v1) StageGuard, un framework baptisé "distillation agentique" destiné à résoudre un problème précis des architectures robotiques hiérarchiques : déterminer à quel moment une compétence de contrôle doit s'arrêter pour laisser place à la suivante dans une tâche longue composée de plusieurs sous-étapes. La méthode combine le raisonnement d'un grand modèle vision-langage "enseignant", nourri de trajectoires de démonstration, pour produire des explications structurées sur la complétion d'une sous-tâche et le déclenchement du changement de politique. Ces explications servent ensuite à entraîner par apprentissage supervisé un modèle vision-langage "élève" beaucoup plus léger, capable de générer ses propres explications compactes pour décider en temps réel du passage d'une étape à l'autre. Les auteurs évaluent la prédiction de transition sur des trajectoires issues de deux benchmarks, testent le comportement en boucle fermée en intégrant StageGuard dans un système de contrôle hiérarchique sur BEHAVIOR-1K, et complètent la validation par des essais sur robots physiques. L'enjeu dépasse le détail technique : dans les architectures VLA (vision-language-action) hiérarchiques qui empilent plusieurs politiques de contrôle spécialisées, à la manière des approches derrière Pi-0, GR00T N2 ou Helix, la fiabilité de l'enchaînement des compétences conditionne directement la capacité à transformer une démonstration isolée en système autonome exploitable. Les solutions existantes s'appuient soit sur des vérificateurs de complétion codés à la main, difficiles à généraliser hors laboratoire, soit sur de gros modèles vision-langage déportés dans le cloud, dont la latence de raisonnement interdit un monitoring en temps réel et dont les critères de décision ne correspondent pas toujours à la vraie fin d'une sous-tâche. En démontrant qu'un modèle allégé, entraîné par distillation, peut approcher la qualité de décision d'un modèle massif tout en tournant localement, StageGuard s'attaque à un verrou concret pour les intégrateurs qui cherchent à déployer des piles de contrôle hiérarchiques sans dépendre d'une inférence cloud coûteuse et lente. Le papier s'inscrit dans la lignée des travaux sur les architectures hiérarchiques combinant plusieurs politiques de contrôle robotique, un axe de recherche actif depuis l'essor des modèles VLA génériques. Aucun partenaire industriel ni acteur français ou européen n'est cité dans l'abstract, et il s'agit à ce stade d'une contribution de recherche évaluée en simulation et en tests robots réels limités, non d'un produit commercialisé ni d'un déploiement à grande échelle.

Recherche❖Paper

1 source

38

1762arXiv cs.RO 

Incertitude spatiale et sémantique dans la recherche de cible par VLM : équilibrer exploration et identification

Une équipe de recherche a publié en septembre 2026 sur arXiv (arXiv:2609.20443) une formulation qui distingue deux sources d'incertitude jusqu'ici souvent confondues dans les systèmes de recherche de cibles pilotés par des modèles vision-langage (VLM) : l'incertitude spatiale, sur la localisation des candidats observés, et l'incertitude sémantique, sur la correspondance entre un candidat et la description en langage naturel de la cible. La méthode maintient des croyances probabilistes séparées pour chacune, intégrées dans une distribution globale sur l'identité de la cible incluant une masse de probabilité réservée aux cibles non encore découvertes. Un planificateur fondé sur la théorie de l'information arbitre ensuite entre explorer davantage et statuer plus tôt, via deux mesures de gain d'information attendu (EIG), l'une spatiale, l'autre sémantique. Testée sur six interfaces d'estimation d'incertitude par VLM et 500 cibles synthétiques, l'étude montre que des taux de reconnaissance similaires peuvent masquer des écarts importants de calibration et de fausse confiance. En conditions d'observation dégradée, les planificateurs basés sur l'EIG atteignent une décision fiable dans 75,0% à 92,5% des essais, contre seulement 20,0% pour une recherche aléatoire. Pour les concepteurs de piles vision-langage-action, qu'elles s'inspirent de Pi-0, GR00T N2 ou Helix, ce travail pointe une faiblesse rarement traitée explicitement : mêler incertitude de localisation et incertitude d'identification dans un score de confiance unique pousse un robot soit à explorer inutilement, soit à valider trop vite un mauvais candidat. En séparant les deux signaux, l'étude réduit le nombre de requêtes au VLM et le temps d'exploration sans perte de précision, un enjeu concret dès qu'un appel à un modèle vision-langage a un coût de calcul et de latence en environnement embarqué. Elle rappelle aussi qu'une accuracy identique entre deux systèmes peut cacher des comportements de décision très différents selon leur calibration, un point que les intégrateurs évaluant des modèles de perception devraient garder en tête plutôt que de se fier au seul chiffre de précision annoncé. Ce travail s'inscrit dans la recherche plus large sur l'ancrage du langage naturel dans les tâches robotiques, portée ces dernières années par la multiplication des modèles VLA généralistes censés interpréter des instructions humaines en environnement réel. Il reste un preprint arXiv non encore revu par les pairs, évalué sur des scènes synthétiques et un jeu de cibles simulées plutôt que sur un robot physique en conditions réelles, sans calendrier de validation matérielle annoncé par les auteurs. Aucun acteur industriel n'est cité dans l'étude : il s'agit d'une contribution méthodologique, à surveiller par les équipes qui cherchent à fiabiliser la recherche et l'identification d'objets par des robots dotés de modèles de perception au langage.

Recherche❖Paper

1 source

37

1763arXiv cs.RO 

MoWAM : prédiction explicite du mouvement futur pour des modèles monde-action efficaces

Un nouveau papier de recherche publié sur arXiv (référence 2609.20709v1) présente MoWAM, un modèle d'action du monde, ou World Action Model (WAM), destiné à l'apprentissage de politiques robotiques pour la manipulation. Contrairement aux WAM classiques qui génèrent explicitement des vidéos du futur pendant l'inférence pour anticiper la dynamique de l'environnement, ce qui alourdit considérablement le calcul, MoWAM remplace cette génération vidéo par une prédiction explicite du mouvement futur du robot. Le système repose sur une architecture Mixture-of-Transformer qui apprend la dynamique visuelle future pendant l'entraînement tout en prédisant conjointement mouvement et action, ce qui permet de supprimer entièrement la génération vidéo au moment de l'inférence tout en conservant une représentation explicite du futur. Les auteurs ont évalué le modèle sur les bancs d'essai de simulation LIBERO et LIBERO-Plus ainsi que sur des tâches de manipulation en conditions réelles. Le papier s'attaque à un compromis classique du secteur: retirer la génération vidéo future accélère l'inférence, mais risque de ne laisser la dynamique future qu'implicitement encodée dans les caractéristiques d'observation, ce qui fragilise les politiques face aux changements de distribution, un problème central pour tout intégrateur déployant un robot hors du cadre exact de son entraînement. En modélisant le mouvement comme une abstraction compacte du futur, MoWAM revendique une performance solide en distribution, une robustesse accrue hors distribution, et un taux de succès moyen supérieur en conditions réelles face à des WAM de référence. Point notable pour la mise à l'échelle au moment de l'inférence: la représentation compacte du mouvement permet d'échantillonner plusieurs candidats de paires mouvement-action et de les départager via un vérificateur de progression de tâche, avec des gains de performance croissants à mesure que davantage de candidats sont explorés, un signal que l'inférence-time scaling, déjà exploité pour les grands modèles de langage, commence à trouver une traduction concrète en robotique manipulatrice. MoWAM s'inscrit dans la lignée des World Action Models, qui enrichissent l'apprentissage de politiques robotiques d'une anticipation de la dynamique future, en complément des approches vision-langage-action plus directes. Il s'agit ici d'une contribution de recherche évaluée sur des bancs d'essai standards et un nombre limité de tâches réelles, sans acteur industriel, calendrier de déploiement, coûts ni volumes annoncés. L'argument central, à savoir qu'une modélisation explicite mais compacte du mouvement futur peut remplacer la coûteuse génération vidéo sans sacrifier la robustesse, mérite d'être suivi à mesure que des équipes tenteront de le reproduire sur des politiques robotiques destinées à la production plutôt qu'à la démonstration.

Recherche❧Opinion

1 source

37

1764arXiv cs.RO 

M3-Tele : un cadre unifié de téléopération multimodale pour la manipulation mobile souple du corps entier

Des chercheurs présentent M3-Tele, un framework unifié de téléopération multimodale conçu pour la manipulation mobile à corps entier avec conformité physique, décrit dans un article déposé sur arXiv (identifiant 2609.07859, version 2, publiée en tant que remplacement d'une version antérieure). Le système capture simultanément des observations visuelles, tactiles, de force et proprioceptives alignées pendant l'exécution de tâches à fort contact physique. Les expériences rapportées montrent que le contrôleur proposé réduit l'erreur de suivi de force de 4,132 N à 0,346 N, fait chuter les pertes de contact de 2,46 à 0,02 événement par essai, et diminue l'erreur de déformation tactile de 65 %. Des études utilisateurs menées sur quatre tâches de manipulation mobile ont également été conduites pour évaluer la fiabilité et l'ergonomie du système. Des expériences complémentaires avec une politique de diffusion (Diffusion Policy) ont par ailleurs été réalisées pour tester la valeur ajoutée du couplage entre détection tactile et détection de force. Ces résultats s'adressent directement à un problème connu dans la robotique de manipulation par apprentissage : la qualité des démonstrations collectées par téléopération conditionne directement la performance des politiques entraînées en aval. Les frameworks de téléopération existants négligent souvent l'articulation conjointe entre perception multimodale et coordination du corps entier, ce qui dégrade la richesse et la fiabilité des données de contact recueillies. En démontrant qu'une meilleure régulation de la conformité physique et de la coordination multimodale améliore mesurablement le suivi de force et réduit les pertes de contact, l'étude apporte un argument concret en faveur de pipelines de collecte de données plus rigoureux avant l'entraînement de politiques, un enjeu central pour les équipes qui développent des politiques de manipulation apprises par imitation pour des tâches industrielles à fort contact. Le travail s'inscrit dans un contexte de recherche où l'apprentissage de politiques par imitation, via des approches comme Diffusion Policy, dépend de plus en plus de la qualité des démonstrations humaines télé-opérées plutôt que de la seule quantité. Il ne s'agit pas d'un produit commercial ni d'un déploiement industriel, mais d'une contribution méthodologique testée en conditions expérimentales contrôlées, avec des utilisateurs humains évaluant le système sur des tâches définies en laboratoire. Le fait qu'il s'agisse d'une version 2 d'un article déjà soumis suggère une itération après retours, sans que les auteurs, l'institution ou une feuille de route de déploiement ne soient précisés dans le résumé disponible.

Recherche❖Paper

1 source

37

1765arXiv cs.RO 

RoboFind : recherche d'objets personnalisée multi-agents pour les personnes aveugles ou malvoyantes

Des chercheurs présentent RoboFind, un système multi-agents qui aide les personnes aveugles ou malvoyantes a retrouver un objet personnel précis plutôt qu'un simple exemplaire de sa catégorie. Un smartphone enseigne l'objet cible via une prise de vue guidée en réalité augmentée avec retours vocaux, haptiques et lecteur d'écran, et génère une banque de références multi-vues réutilisable; un robot quadrupède mène ensuite la recherche via des agents de navigation, de vérification et de coordination qui valident ou relancent la mission en cas d'échec. Sur 32 missions réelles, RoboFind atteint 85,0% de réussite contre 25,0% pour une base de référence séquentielle testée sur 20 essais et dix cibles, et réduit le taux de faux succès de 75,0% a 5,0%. Sur six cibles communes, il reussit 10 essais sur 12, contre 5 sur 12 pour une architecture reposant uniquement sur GPT-6 Astra, évaluée indépendamment sur 12 essais. Ces résultats soulignent un point souvent néglige par les démonstrations de robots autonomes: vérifier l'identité d'un objet avant de déclarer la mission terminée compte autant que sa localisation. Un taux de faux succès de 75,0% pour l'approche naïve signifie qu'aux trois quarts des essais le système affirmait a tort avoir trouve le bon objet, un défaut critique pour un utilisateur qui ne peut pas vérifier visuellement le résultat. La comparaison avec une architecture a agent unique, GPT-6 Astra, suggère que décomposer la tache entre agents spécialisés reste plus fiable qu'un modèle généraliste pour ce type de mission a haute exigence de précision, même si l'échantillon teste, six cibles et douze essais, reste modeste. RoboFind s'inscrit dans un courant de recherche distinct des démonstrations grand public de robots humanoïdes comme Figure 03 ou Optimus, en misant sur la mobilité et l'accès a des points de vue inaccessibles a l'utilisateur plutôt que sur la manipulation. Le choix d'un quadrupède et la comparaison avec GPT-6 Astra positionnent implicitement les auteurs face aux modèles vision-langage-action généralistes des grands laboratoires, en défendant une approche modulaire pour les usages exigeant une fiabilité élevée. L'étude reste un preprint arXiv sans calendrier de déploiement commercial, présente comme une validation de principe avant une extension a davantage de cibles et d'environnements.

Recherche❖Paper

1 source

37

1766arXiv cs.RO 

SkipVLA : sauter des étapes VLA grâce à la planification classique pour une manipulation robotique plus rapide

Des chercheurs présentent SkipVLA, une politique hybride combinant un modèle Vision-Language-Action (VLA) pré-entraîné et un planificateur de mouvement classique, décrite dans un article mis en ligne sur arXiv (2609.20648v1). Le planificateur classique gère les déplacements en espace libre sans collision, tandis que le VLA n'intervient que pour les phases de contact, comme saisir ou déposer un objet. SkipVLA réutilise le backbone vision-langage gelé du VLA pour prédire une pose cible à chaque mouvement planifié, et apprend ce prédicteur sans démonstrations supplémentaires, en exploitant uniquement les connaissances déjà acquises par le grand modèle. Testé avec trois VLA différents sur 13 tâches du benchmark de simulation LIBERO et sur trois tâches de pick-and-place avec un bras physique à 6 degrés de liberté (DoF) de type YAM, SkipVLA affiche jusqu'à 2,5 fois plus de rapidité d'exécution et une consommation d'énergie nettement réduite, pour un taux de réussite identique à celui du VLA utilisé seul. Ce travail cible un frein bien identifié dans l'industrie robotique : les modèles VLA, capables de traduire une instruction en langage naturel directement en actions motrices, restent lents à l'inférence sur les tâches longues qui exigent de nombreuses requêtes successives à la politique. Les solutions existantes (distillation vers des modèles plus petits, exécution asynchrone de blocs d'actions, ou couplage avec une politique bas niveau rapide) continuent de faire tourner un réseau appris sur l'intégralité de la tâche. En ne sollicitant le VLA que là où une compréhension sémantique est nécessaire, SkipVLA ouvre, pour les intégrateurs qui évaluent des bras pilotés par VLA en logistique ou en usine, une piste vers des cycles plus courts sans perte de fiabilité, là où une approche tout-VLA reste souvent trop lente pour un usage industriel en temps réel. Cette approche s'inscrit dans la lignée des politiques robotiques généralistes de type VLA (à l'image de Pi-0, GR00T N2 ou Helix), saluées pour leur capacité à généraliser au-delà de leurs tâches d'entraînement mais critiquées pour leur coût de calcul en conditions réelles. Les planificateurs de mouvement classiques, technologie mature et rapide en robotique, restent en revanche incapables de comprendre seuls une instruction en langage naturel. SkipVLA se positionne ainsi comme une alternative aux méthodes de réduction de latence déjà explorées par la communauté de recherche. À ce stade, il s'agit d'un travail validé en simulation et sur un bras de laboratoire, sans déploiement industriel, partenariat commercial ni calendrier annoncé.

IA physique❖Paper

1 source

37

1767arXiv cs.RO 

WorldContact : un modèle du monde centré sur le contact pour l'apprentissage robotique à grande échelle

Un article publié sur arXiv sous la référence 2609.19600v1 présente WorldContact, un modèle du monde ("world model") centré sur le contact, conçu pour la manipulation d'objets déformables comme les sacs de courses en plastique. Le système est construit à partir d'un nombre limité de trajectoires de haute qualité et prédit la dynamique des objets avec des pas de temps plus larges que le simulateur numérique classique dont il s'inspire, ce dernier nécessitant de très petits pas d'intégration pour capter les mouvements rapides et éviter l'interpénétration des surfaces. Les auteurs ont testé WorldContact sur 16 tâches de manipulation de sacs de courses. Sur un seul GPU Nvidia H100, les mesures de state-rollout montrent une accélération d'un facteur 10 par rapport au simulateur source, un chiffre qui exclut toutefois le rendu graphique et les entrées-sorties disque, ce qui limite sa comparabilité directe avec un temps d'exécution complet. Les données générées ont servi à affiner une politique vision-langage-action (VLA) existante, ensuite déployée sur un robot réel. Sur la tâche de levage de sac, le taux de réussite au premier essai passe de 65%, lorsque la politique est entraînée uniquement sur les données du simulateur d'origine, à 95% une fois le jeu de données enrichi par WorldContact. Ce résultat s'attaque à un goulot d'étranglement bien identifié dans la robotique de manipulation: l'expérience physique réelle nécessaire pour adapter un robot à un nouvel objet ou une nouvelle tâche reste coûteuse à collecter, et les objets déformables comme les tissus ou les emballages souples aggravent le problème car leur simulation fine est lente. Un modèle du monde dix fois plus rapide que la simulation physique classique, capable de produire des données d'entraînement synthétiques exploitables pour affiner une politique VLA, offre une piste concrète pour réduire ce coût. Le saut de 65% à 95% de succès sur un robot réel constitue une preuve empirique, quoique limitée à un seul type de tâche, que l'augmentation de données via world model peut combler une partie de l'écart entre simulation et réalité pour la manipulation déformable, un domaine où les politiques génériques peinent généralement à généraliser. L'étude s'inscrit dans la tendance croissante des modèles du monde appris comme alternative ou complément aux simulateurs physiques classiques en robotique, ces derniers étant pénalisés par leurs contraintes d'intégration numérique sur les phénomènes de contact rapide. L'abstract ne précise ni l'affiliation des auteurs ni de calendrier de déploiement au-delà de la validation expérimentale sur robot réel; les résultats, obtenus sur 16 tâches centrées sur un seul type d'objet, relèvent d'une preuve de concept plutôt que d'un système prêt à l'industrialisation, la généralisation à d'autres catégories d'objets déformables restant à démontrer.

Recherche❖Paper

1 source

37

1768arXiv cs.RO 

HEROIC : raisonnement évidentiel hétérogène pour identification à vocabulaire ouvert et collaboration inter-robots

Une équipe de recherche présente HEROIC (Heterogeneous Evidential Reasoning for Open-Vocabulary Identification and Cross-Robot Collaboration), un framework décentralisé de coordination pour équipes hétérogènes de robots aériens et terrestres, détaillé dans un article publié sur arXiv (2609.19803v1). Le système permet à des drones et des robots au sol de communiquer uniquement en langage naturel pour mener des missions de recherche en environnement ouvert, sans rôles fixés à l'avance ni étiquettes de capacités écrites manuellement. Dans des expériences en conditions réelles ("full-stack") menées sur 6 scènes, HEROIC atteint la cible recherchée dans 84% des cas, contre 35 à 54% pour des méthodes concurrentes incluant des modèles vision-langage de pointe, une recherche par frontière, un balayage en lignes ("lawnmower") et une marche aléatoire, tous utilisant la même chaîne de perception. Le système est également 2 à 4 fois plus rapide pour atteindre sa cible. L'échantillon de 6 scènes reste toutefois limité pour juger de la robustesse générale de l'approche. Pour l'industrie de la recherche et sauvetage urbain (USAR), la réponse aux catastrophes ou les environnements dangereux, ce travail répond à un problème concret : les drones couvrent vite de grandes zones mais ne peuvent pas résoudre des cibles petites ou occultées depuis l'altitude, tandis que les robots terrestres identifient précisément les objets ou personnes à courte portée mais couvrent moins de terrain. En permettant à chaque agent de se ré-affecter dynamiquement pendant la mission, y compris pour un drone de passer de chercheur à rôle de triage aérien, d'escorte ou de guide de route pour les unités au sol, HEROIC démontre qu'une allocation de rôles pilotée par le langage naturel et une loi d'échelle physique peut dépasser des architectures où les rôles restent figés ou assignés une fois pour toutes par un modèle de langage. Le point de départ du système est le calcul, à partir du seul prompt de mission, de l'altitude de vol et de l'espacement de balayage nécessaires pour détecter une cible avec une confiance suffisante ; si cette altitude descend sous le seuil de vol sûr, l'agent aérien se redéploie automatiquement vers un rôle de soutien. Les deux types de robots maintiennent une croyance évidentielle sur la zone de recherche, combinant rayons de gisement pour les preuves positives et un postérieur log-odds pour les preuves négatives, avec vérification rapprochée obligatoire avant toute conclusion. Il s'agit à ce stade d'un résultat de recherche expérimental, sans annonce de déploiement industriel ou de partenariat commercial.

Recherche❖Paper

1 source

37

1769arXiv cs.RO 

SemSafe-3DGS : navigation active tenant compte du risque sémantique dans des cartes 3D Gaussian Splatting incertaines

Une équipe de recherche publie sur arXiv (identifiant 2609.19330v1) un nouveau framework baptisé SemSafe-3DGS, destiné à la navigation active et sécurisée de robots autonomes dans des environnements partiellement observés. Le système s'appuie sur des cartes 3D construites par Gaussian Splatting, une technique de reconstruction de scène par primitives gaussiennes, auxquelles sont associés des attributs sémantiques. Chaque primitive gaussienne reçoit un poids de risque dépendant de sa classe sémantique, intégré dans un modèle de distance de collision basé sur l'Average Value-at-Risk. Ces distances pondérées alimentent une fonction de barrière de contrôle (control barrier function, CBF), combinée à une seconde barrière dite de perception active qui pousse le robot à recueillir des observations réduisant l'incertitude géométrique de la carte le long de sa trajectoire prévue. Les deux objectifs sont fusionnés dans un unique programme quadratique sous contrainte CBF-QP, qui impose l'évitement de collision comme contrainte dure tout en assouplissant l'acquisition d'information lorsqu'elle entre en conflit avec la sécurité. Les auteurs rapportent des expériences validant l'efficacité de la contrainte de sécurité, une navigation améliorée grâce à la perception active, une adaptation de trajectoire dépendante de la sémantique, ainsi qu'une exécution sur robot réel à dynamique de type Ackermann. L'intérêt pour l'industrie robotique tient au constat de départ : les formulations de sécurité existantes raisonnent presque exclusivement sur la géométrie, traitant de façon identique des obstacles géométriquement similaires mais sémantiquement très différents, par exemple un mur et une personne. En intégrant la sémantique directement dans la fonction de barrière plutôt qu'en aval, l'approche vise une prise de décision plus fine pour les robots mobiles opérant en environnement humain ou industriel partiellement cartographié, un enjeu direct pour les intégrateurs d'AMR et de plateformes de navigation autonome. Ce travail s'inscrit dans la lignée des méthodes de contrôle sûr par CBF-QP, désormais couplées aux représentations de scène par Gaussian Splatting qui gagnent du terrain face aux cartes d'occupation classiques pour leur richesse géométrique et photométrique. Il s'agit d'une publication de recherche en preprint, sans annonce de produit ni de partenariat industriel ; les prochaines étapes concerneraient une validation sur davantage de plateformes robotiques et de scénarios sémantiques.

Recherche❖Paper

1 source

37

1770arXiv cs.RO 

Apprentissage par renforcement résiduel hybride pour l'insertion robotique de livres en environnement à contacts multiples

Une étude publiée en septembre 2026 sur arXiv (référence 2609.19962) s'attaque à l'insertion robotique de livres dans une étagère serrée, une tâche de manipulation en contact riche où une erreur de pose de l'ordre du millimètre peut provoquer un blocage, un échec de relâchement ou un mauvais positionnement de l'objet. La méthode proposée est hybride: un contrôleur nominal dans l'espace de la tâche gère l'insertion et le positionnement structurés, pendant qu'une politique d'apprentissage par renforcement résiduel (PPO) apporte des corrections locales bornées et décide du moment du relâchement; seule la brève séquence d'ouverture-retrait-refermeture reste scriptée. En simulation calibrée sur le déploiement réel, sur 512 conditions fixes et trois entraînements indépendants, le taux de succès moyen atteint 98,50% (écart-type de 0,23 point) contre 37,89% pour le contrôleur nominal seul. Sur un bras robotique physique xArm7 à 7 degrés de liberté, 60 essais répartis sur 30 conditions appariées montrent un succès passant de 26,7% à 63,3% avec l'approche résiduelle, les échecs chutant de 22 à 11 cas, avec une victoire sur 13 des 15 conditions où les deux méthodes divergent. L'écart marqué entre les résultats en simulation (98,5%) et ceux obtenus en conditions réelles (63,3%) illustre concrètement le fossé sim-to-real qui reste un obstacle pour la manipulation robotique en contact riche, au-delà des tâches de navigation ou de préhension simple déjà largement maîtrisées. Pour les intégrateurs et décideurs en logistique, entrepôts ou service, ce résultat confirme qu'une architecture hybride, combinant contrôle géométrique fiable pour la structure globale de la tâche et correction apprise concentrée sur les phases sensibles au contact, surpasse nettement le contrôle purement scripté, tout en restant plus économe en données que des politiques bout-en-bout entraînées sur de vastes corpus de démonstrations. Les tests de robustesse, avec des performances maintenues au-dessus de 87% sous des perturbations d'initialisation jusqu'à 1,5 fois la normale, nuancent toutefois les promesses de généralisation totale par apprentissage pur: sur des espaces très serrés, la limite géométrique de la correction locale réapparaît. Ce travail s'inscrit dans la lignée des architectures hybrides associant contrôle classique et apprentissage résiduel, une alternative aux politiques vision-langage-action entraînées de bout en bout comme Pi-0, GR00T N2 ou Helix, qui cherchent à remplacer entièrement les contrôleurs structurés par des réseaux appris. En ne déléguant à l'apprentissage que la phase de contact la plus délicate, insertion et relâchement, tout en conservant la structure géométrique du reste de la tâche, les auteurs proposent une voie intermédiaire de fiabilisation pour des manipulateurs comme le xArm7 d'UFactory. L'étude, de nature académique, ne mentionne ni partenaire industriel ni calendrier de déploiement commercial.

Recherche❖Paper

1 source

37

1771arXiv cs.RO 

TADreamer : navigation 3D guidée par le langage en zero-shot pour robots bimodaux terrestres-aériens via imagination vidéo

TADreamer, présenté dans un article arXiv déposé sous la référence 2609.19824v1, est un framework de navigation zero-shot pour robots bimodaux terrestres-aériens guidés par instructions en langage naturel. Le système fait traduire par un modèle vision-langage les observations embarquées et les consignes en prompts de génération vidéo, sélectionne les séquences vidéo générées valides et redemande une régénération si nécessaire. La vidéo retenue est reconstruite en waypoints 3D annotés du mode de déplacement, terrestre ou aérien, puis calibrée en deux étapes: une initialisation de l'échelle via les contraintes de champ de vision, suivie d'un raffinement des échelles par axe, de la rotation et de la translation par recalage du nuage de points sur la géométrie mesurée. Les expériences en conditions réelles couvrent sept scénarios, intérieurs et extérieurs. Avec cinq candidats vidéo par cycle, des séquences exploitables sont obtenues en au plus deux cycles dans les sept cas testés. Sur les observations de calibration, la méthode réduit l'erreur de profondeur absolue moyenne de 87,7% et l'erreur de profondeur relative moyenne de 86,3% par rapport à NavDreamer, la référence antérieure citée dans l'étude. L'enjeu dépassé le simple exercice académique: la génération vidéo comme représentation intermédiaire pour la planification robotique se heurte d'habitude à un problème d'ambiguïté d'échelle et de distorsions géométriques dépendant des axes, ce qui rend les trajectoires imaginées inexploitables telles quelles pour un contrôle physique précis. TADreamer illustre une voie pour ancrer ces vidéos générées dans une géométrie mesurée sans entraînement spécifique à la tâche ni fine-tuning, ce qui intéresse directement les équipes travaillant sur les world models appliqués à la navigation et sur l'interopérabilité entre modes de locomotion, un terrain encore peu couvert face aux approches VLA généralistes à mode unique. Le travail se positionne explicitement comme une amélioration face à NavDreamer, seule référence comparative citée dans l'abstract, sur la métrique de précision de profondeur. Aucune entreprise, aucun nom d'institution ni acteur français ou européen n'est mentionné dans le résumé fourni: il s'agit d'une publication de recherche fraîchement annoncée sur arXiv, sans indication de déploiement commercial, de partenariat industriel ni de calendrier de suite. Les prochaines étapes, extension à d'autres plateformes, validation à plus grande échelle, ne sont pas précisées dans le document.

Recherche❖Paper

1 source

36

1772arXiv cs.RO 

FASA : adaptation de l'échantillonnage sensible au retour pour des modèles VLA à diffusion efficaces

Un article publié le 18 septembre 2026 sur arXiv (référence 2609.19475v1) présente FASA (Feedback-Aware Sampling Adaptation), une méthode d'accélération pour les modèles Vision-Language-Action (VLA) fondés sur la diffusion. Ces modèles, utilisés pour piloter des robots à partir d'images et de langage naturel, souffrent d'un défaut connu : leur processus de génération d'action repose sur un échantillonnage itératif coûteux en calcul et en accès mémoire, ce qui empêche leur exécution en temps réel sur du matériel embarqué limité. FASA fonctionne sans entraînement supplémentaire et agit directement au moment de l'inférence : un premier module, l'adaptateur de plage piloté par l'interaction, ajuste dynamiquement le nombre global d'étapes de débruitage en fonction du retour visuel et de la force mesurée par la pince du robot ; un second module, l'adaptateur d'étape sensible à la proprioception, choisit précisément l'étape optimale à l'intérieur de cette plage. Les auteurs annoncent des gains de vitesse d'inférence allant jusqu'à 1,45 fois par rapport aux méthodes existantes, avec des taux de réussite jugés comparables sur plusieurs bancs d'essai (benchmarks) non détaillés dans le résumé. Cette approche cible un point de friction central pour l'industrialisation des VLA : les méthodes d'accélération existantes imposent soit un réentraînement coûteux (distillation, flow matching), soit un élagage ou un système de cache programmé de façon statique, qui dégrade la perception en ignorant la variabilité réelle de la charge de travail robotique. En traitant le retour multimodal comme signal de contrôle du pipeline de débruitage, FASA propose une troisième voie, sans coût d'entraînement, potentiellement pertinente pour les intégrateurs cherchant à déployer des modèles génératifs lourds sur des plateformes de calcul contraintes, comme les contrôleurs embarqués de robots manipulateurs. Il s'agit toutefois d'un prépublication arXiv, non encore validée par relecture par les pairs, sans identification des auteurs ni de laboratoire dans le résumé disponible, et sans précision sur le matériel de test ni sur les modèles VLA de référence utilisés pour la comparaison. Le gain de 1,45x reste à situer par rapport aux architectures concurrentes d'accélération de l'inférence robotique, un axe de recherche actif à mesure que les modèles VLA gagnent en taille et en ambition d'usage industriel.

Recherche⚡Actu

1 source

36

1773arXiv cs.RO 

VLN en vol : une pile de navigation vision-langage embarquée pour robots aériens

Une équipe de chercheurs a publié sur arXiv, le 18 septembre 2026 (référence 2609.20191), une étude décrivant "VLN on the Fly", une pile logicielle de navigation par instructions en langage naturel (vision-language navigation, VLN) fonctionnant intégralement à bord d'un robot aérien. Le système enchaîne quatre étages distincts et inspectables plutôt qu'un unique réseau de bout en bout : un modèle vision-langage (VLM) quantifié associe l'instruction textuelle à une cellule grossière de l'image caméra, la carte de profondeur convertit cette cellule en un objectif 3D, un planificateur de trajectoire rapide basé sur des splines B calcule un chemin faisable, puis une politique d'apprentissage par renforcement préentraînée traduit cette trajectoire en commandes moteur pour des quadricoptères. Sur 15 vols embarqués testant trois objets de référence du quotidien dans un volume intérieur contrôlé, le drone atteint sa cible dans 13 cas sur 15, avec une erreur moyenne de 5,72 cm par rapport à l'objectif et une utilisation moyenne du GPU embarqué de 39,3 %. Six essais supplémentaires en environnement encombré montrent des trajectoires sans collision grâce à un filtrage de la perception embarquée. L'intérêt de ces travaux tient à la contrainte de calcul propre aux drones, bien plus sévère que sur des robots au sol ou humanoïdes : grounding, planification et contrôle doivent se partager une puissance embarquée limitée, et une erreur dans un pipeline fusionné en un seul réseau (comme le font la plupart des politiques VLA de bout en bout) est difficile à isoler en vol. En conservant des étages séparés et observables, l'équipe défend une architecture plus sûre et plus facile à diagnostiquer, au prix probable d'une latence ou d'une flexibilité moindre qu'une politique end-to-end. Le chiffre de 39,3 % d'utilisation GPU suggère une marge de calcul disponible, preuve que l'exécution embarquée complète reste viable sans déport vers une station sol ou le cloud, un point clé pour les intégrateurs de drones d'inspection ou de logistique intéressés par un pilotage vocal ou textuel autonome. Il faut toutefois noter la portée limitée de la démonstration : 15 vols, trois objets, un environnement intérieur contrôlé, et un taux d'échec de 2 essais sur 15, loin d'un déploiement industriel validé. Ces travaux s'inscrivent dans le débat plus large opposant les architectures VLA de bout en bout, popularisées par des modèles comme Pi-0 ou GR00T N2 sur des plateformes au sol, à des pipelines modulaires jugés plus sûrs pour des systèmes critiques comme les drones volant à proximité d'humains ou d'obstacles. Aucun acteur français ou européen n'est mentionné dans cette étude, qui reste un prototype de recherche sans annonce de partenariat industriel ni de calendrier de déploiement commercial. Les essais en environnement encombré laissent entrevoir une prochaine étape vers des scénarios plus réalistes, mais aucun pilote opérationnel n'est pour l'instant annoncé.

Recherche❖Paper

1 source

36

1774arXiv cs.RO 

GAVEL : modèles du monde en graphe pour une planification de tâches LLM vérifiée et efficace à long horizon

Des chercheurs présentent GAVEL (Graph World Models for Verified and Efficient Long-Horizon LLM Task Planning), décrit dans un preprint arXiv publié en septembre 2026 (arXiv:2609.19315v1). Le système ajoute une couche de vérification aux plans générés par un LLM pour des robots : un graphe modélisant les relations entre objets, les préconditions et effets des actions, et des croyances probabilistes sur la position d'objets non observés, simule chaque action avant exécution et répare directement les violations, sans repasser par le LLM sauf en cas d'erreur sémantique. Sur le benchmark de simulation BEHAVIOR-1K, avec le modèle Qwen3-8B, GAVEL fait passer le taux de réussite de 41,2% à 91,8% sur 100 tâches longues isolées et de 19,9% à 92,6% sur 500 instructions multi-tâches, tout en réduisant d'environ 5,4% la distance de déplacement grâce au raisonnement probabiliste sur la localisation des objets. Le résultat pointe un écart connu de la robotique embarquée : un LLM seul reste fragile dès qu'il doit exécuter un plan long dans un monde partiellement observable, ce qui nourrit le fossé entre démonstrations et déploiements fiables. En déportant la vérification vers un modèle symbolique explicite plutôt que vers des appels répétés au LLM, GAVEL réduit le coût et la latence du replanning, un enjeu concret pour les intégrateurs qui déploient des agents robotiques à grande échelle. L'approche suggère aussi que la seule montée en échelle des LLM ou des architectures vision-langage-action ne suffira pas à garantir la fiabilité du raisonnement long-horizon, et plaide pour des architectures hybrides combinant raisonnement symbolique vérifiable et modèles généralistes. GAVEL s'inscrit dans la lignée des travaux utilisant les LLM comme planificateurs de haut niveau, une approche distincte des modèles vision-langage-action bout-en-bout comme Pi-0, GR00T N2 ou Helix, qui apprennent une politique directe sans couche symbolique séparée. Il reprend des principes de planification classique, préconditions et effets à la manière de PDDL, combinés à la flexibilité d'instruction en langage naturel des LLM modernes. Le travail reste, à ce stade, un résultat validé uniquement en simulation sur BEHAVIOR-1K, sans déploiement sur robot physique ni pilote industriel annoncé ; les auteurs indiquent que la méthode fonctionne aussi bien avec des modèles compacts qu'avec des LLM hébergés de pointe, ouvrant la voie à des tests sur des tâches et plateformes plus variées.

Recherche❖Paper

1 source

36

1775arXiv cs.RO 

AnyViewDex : manipulation dextérique invariante au point de vue à partir d'observations RGB

Une équipe de recherche a publié fin 2026 un article arXiv (2609.20107v1) décrivant AnyViewDex, un pipeline d'entraînement pour la manipulation dextre robuste aux changements de point de vue caméra. Le système combine un alignement contrastif multi-vue avec une supervision géométrique 3D dite privilégiée, disponible uniquement en simulation: en régressant les coordonnées 3D absolues des objets pendant l'entraînement simulé, cet objectif auxiliaire évite l'effondrement spatial de l'embedding contrastif globalement agrégé. Au déploiement, la politique fonctionne en zero-shot avec seulement une caméra RGB monoculaire non calibrée et la proprioception, sans capteur de profondeur. L'approche a été validée à la fois par apprentissage par renforcement et par distillation élève-professeur, puis testée sur un bras xArm7 équipé d'une main LEAP à 16 degrés de liberté. Résultat mesuré: 76,7% de réussite de préhension sur huit objets inédits et six points de vue non calibrés, sur un total de 480 essais matériels et 2400 essais en comptant les conditions d'ablation. Cette publication s'attaque à un point de friction connu de l'industrie de la manipulation dextre: les politiques visuomotrices actuelles sont très sensibles aux décalages de point de vue caméra, et les méthodes récentes compensent en s'appuyant sur du RGB-D ou des nuages de points explicites au moment du test, ce qui ajoute des dépendances matérielles, des contraintes de calibration et une fragilité face au bruit capteur en conditions réelles. En montrant qu'une caméra RGB monoculaire non calibrée suffit à conserver l'invariance de vue, AnyViewDex suggère une voie pour alléger le coût matériel et l'intégration des cellules robotiques dextres en usine, un enjeu direct pour les intégrateurs qui cherchent à limiter la calibration et la maintenance de capteurs 3D. Le taux de 76,7%, mesuré sur objets et vues jamais vus plutôt que sur un scénario choisi, reste un résultat partiel plutôt qu'une démonstration de fiabilité industrielle, mais il documente honnêtement une marge d'erreur réelle plutôt que des vidéos triées. Le travail s'inscrit dans la vague plus large des politiques vision-langage-action et de manipulation généraliste (dans la lignée de systèmes comme Pi-0 ou GR00T N2) qui cherchent à réduire la dépendance à des capteurs 3D coûteux pour la manipulation fine multi-doigts. Il s'agit ici d'une contribution de recherche fraîchement annoncée sur arXiv, avec une page projet dédiée (anyviewdex.github.io), et non d'un produit commercialisé ou déployé en usine: aucune entreprise ni aucun partenaire industriel n'est mentionné dans l'article. Les prochaines étapes attendues pour ce type de travaux sont généralement une extension à davantage d'objets, de tâches et de plateformes robotiques, ainsi qu'une comparaison plus poussée avec les approches concurrentes fondées sur RGB-D avant toute intégration industrielle.

Recherche❖Paper

1 source

36

1776arXiv cs.RO 

GLAMDRING : apprentissage de la démarche et co-conception de la morphologie par renforcement de CPG

Un article publié le 18 septembre 2026 sur arXiv sous la référence 2609.19452 présente GLAMDRING (Gait Learning And Morphology co-Design via Reinforcement Learning of CPGs), un framework de recherche qui conçoit simultanément la morphologie d'un robot quadrupède et le contrôleur qui le pilote. À partir de quatre contraintes d'entrée (plage de vitesse d'avancement visée, budget de puissance par actionneur, bibliothèque d'actionneurs disponibles et charge utile cible), le système produit une géométrie de liaisons, un choix d'actionneur par articulation, et une politique de démarche fondée sur des générateurs de patrons centraux (CPG) à oscillateurs de Hopf. Les conceptions candidates sont classées selon un objectif choisi: vitesse maximale, coût de transport (CoT) minimal, ou marge de charge utile maximale. Plutôt que d'entraîner une politique par apprentissage par renforcement pour chaque morphologie candidate, approche jugée trop coûteuse, les auteurs en entraînent un petit nombre fixe sur l'ensemble de l'espace des morphologies, puis déduisent a posteriori longueurs de liaisons et actionneurs à partir de l'enveloppe opérationnelle enregistrée par la politique. Une démonstration en conditions réelles est mentionnée, sans détail sur le robot utilisé ni le nombre d'essais dans le résumé. Le travail s'attaque à un problème central de la locomotion à pattes: corps et démarche sont couplés, la morphologie optimale dictant la façon de piloter le robot, tandis que la démarche optimale dépend de la structure physique. La plupart des méthodes existantes séparent les deux étapes, figeant d'abord le châssis avant d'apprendre le contrôleur, ce qui plafonne les performances. Les auteurs rapportent trois résultats: la co-conception corps-démarche est nécessaire pour satisfaire les contraintes de locomotion; c'est la faisabilité de l'enveloppe des actionneurs, et non le seul succès de la marche, qui détermine la charge utile réellement atteignable; et des démarches animales canoniques émergent naturellement dans la plupart des conceptions à partir de la seule morphologie et des contraintes, sans être imposées. Pour des robots destinés à des terrains non structurés (sites de catastrophe, surfaces planétaires, champs agricoles) où la plateforme idéale n'existe pas encore, la méthode promet de remplacer une recherche exhaustive coûteuse par un nombre réduit et fixe d'entraînements. GLAMDRING s'inscrit dans le courant plus large du co-design corps-contrôleur en robotique, qui cherche à dépasser les pipelines où le châssis est fixé manuellement avant que l'apprentissage n'intervienne seulement sur le contrôle. Classé comme nouvelle soumission sur arXiv, le résumé ne mentionne ni entreprise, ni laboratoire, ni acteur FR/EU associé au projet: il s'agit d'une contribution académique validée en simulation et par une unique démonstration matérielle, non d'un produit commercialisé. Les suites attendues, extension au-delà du quadrupède, validation sur davantage de plateformes physiques, comparaison chiffrée aux méthodes de co-conception existantes, restent absentes de ce résumé.

Recherche❖Paper

1 source

36

1777arXiv cs.RO 

CoreSense : rappel traçable des échecs et gestion des conflits de croyances pour des décisions robotiques auditables

CoreSense, une architecture d'intégration robotique décrite dans un article publié le 18 septembre 2026 sur arXiv (référence 2609.19512), propose de combiner une mémoire épisodique traçable des échecs passés avec une porte de croyance sensible aux conflits, chargée de vérifier la portée, la provenance, la fraîcheur temporelle, la contradiction et le niveau de support d'une preuve avant d'autoriser une action, de demander une nouvelle observation, de s'abstenir ou d'escalader vers un humain. Le système a été évalué sur trois niveaux distincts, sans jamais commander un robot physique en direct : des données publiques réelles hors ligne, une simulation figée au niveau signal, et un déploiement cloud effectif. Sur les jeux de données CableTrace-120 et BotFails-200, le mécanisme de gating fait chuter le taux de décisions dangereuses non détectées ("unsafe proceeds") de 20% et 40% respectivement à 0%. Une politique vidéo brute calibrée séparément atteint aussi 0%, mais au prix d'un blocage systématique de tous les épisodes normaux. Un détecteur visuel entraîné sur ViFailback-BotFails obtient un AUROC de 0,778 mais bloque également tout. La télémétrie d'un bras UR3 pour les arrêts de protection donne 0% d'incidents non détectés, 36,1% de sur-blocage et 61,9% de couverture, tandis que le transfert sur la perte de préhension reste un résultat négatif. Une corroboration physique contrôlée atteint 3,3%, 0% et 42,0% sur les mêmes métriques, et la fusion sensible aux conflits 4,7%, 0% et 42,8%. Enfin, 20 rappels cloud sur 20 valident un pipeline de déploiement combinant CockroachDB Cloud et Amazon Bedrock. Pour les intégrateurs et décideurs industriels, ce travail attaque un angle mort classique de l'IA embarquée en robotique : un système qui se souvient d'un échec passé ne sait pas toujours si ce souvenir reste pertinent, entre en conflit avec ce qu'il observe maintenant, ou suffit à motiver une décision. Les résultats montrent qu'un simple rappel de mémoire peut conduire à des actions dangereuses non filtrées, mais aussi que la prudence excessive rend un système inutilisable en pratique, un compromis rarement chiffré aussi explicitement dans la littérature. Les auteurs insistent eux-mêmes sur une limite importante : il s'agit d'un patron d'intégration auditable, pas d'une capacité de récupération autonome ni d'une garantie de sécurité certifiée, une nuance que le secteur a tendance à gommer dans ses annonces. Le papier ne cite ni entreprise ni laboratoire dans son résumé, et se positionne à contre-courant des architectures VLA de bout en bout comme Pi-0, GR00T N2 ou Helix, qui visent l'autonomie complète de la décision : CoreSense ajoute au contraire une couche de gouvernance qui peut refuser d'agir ou renvoyer la décision à un opérateur. Aucun pilote industriel ni calendrier de déploiement commercial n'est annoncé, le chemin cloud validé restant à ce stade une preuve de concept technique plutôt qu'un produit livré.

Recherche❖Paper

1 source

36

1778arXiv cs.RO 

Vers une manipulation dextérique à haut degré de liberté grâce au post-entraînement VLA

Un article de recherche publié sur arXiv (référence 2609.19666v1) présente un pipeline de post-entraînement en quatre étapes pour adapter des modèles vision-langage-action (VLA) génériques au pilotage de mains robotiques à haut degré de liberté (DOF). Les auteurs identifient trois obstacles récurrents : les VLA open source ne proposent pas nativement d'interface de commande pour les mains dextres à nombreux DOF, les changements de geste lors des reprises en main supervisées par méthode DAgger provoquent des discontinuités qui contaminent les trajectoires correctives, et l'apprentissage par renforcement dans l'espace articulaire brut reste peu efficace en nombre d'échantillons. Leur solution combine un codec temporel appris pour les commandes de main, un ajustement supervisé, du DAgger et de l'apprentissage par renforcement résiduel mené directement en conditions réelles. Testé sur cinq tâches distinctes (transfert bimanuel, réorientation d'objet en main, manipulation d'outils), le pipeline atteint 100% de réussite sur chacune, à raison de 20 essais par tâche, dans le budget de post-entraînement défini par l'étude. Ce résultat cible un problème central pour l'industrie robotique : les modèles VLA fondation, entraînés sur de larges corpus multi-tâches et multi-robots, généralisent bien en démonstration mais échouent souvent une fois transposés à un bras ou une main spécifique, faute de pipeline d'adaptation fiable. En proposant une méthode reproductible pour combler cet écart, l'étude s'adresse aux intégrateurs et fabricants cherchant à déployer des mains dextres à haut DOF, un segment pénalisé jusqu'ici par l'absence d'interfaces standard entre VLA et actionneurs complexes. Le chiffre de 100% de réussite doit être lu avec prudence : il porte sur seulement 20 essais par tâche et cinq tâches choisies par les auteurs, format d'évaluation classique en recherche mais loin des volumes et de la variabilité d'un déploiement industriel réel. Le travail illustre néanmoins un déplacement du goulot d'étranglement du secteur, de l'apprentissage brut de politiques vers l'ingénierie du post-entraînement, étape encore largement artisanale chez la plupart des laboratoires publiant des VLA génériques. Cette contribution s'inscrit dans la vague de modèles VLA fondation entraînés par imitation sur des données robotiques hétérogènes, une approche portée par plusieurs laboratoires et start-up de la robotique humanoïde qui publient des politiques génériques avant de devoir les spécialiser pour chaque plateforme cliente, étape que peu détaillent publiquement. L'article ne précise ni l'identité des auteurs ni le VLA de base utilisé, ce qui en fait à ce stade une contribution académique plutôt qu'une annonce produit ou un déploiement commercial. Sa valeur tient à la méthode elle-même : une recette générique, potentiellement réutilisable par d'autres équipes travaillant sur des mains à haut DOF, pour transformer un modèle généraliste en politique fiable sur une tâche et un robot donnés. Aucun calendrier de pilote industriel ni de partenariat n'est mentionné dans la publication, qui demeure pour l'instant un résultat de laboratoire.

Recherche❧Opinion

1 source

36

1779arXiv cs.RO 

PIVOT : optimisation en ligne du point de vue indépendant conscient de la perception

PIVOT, acronyme pour Perception-aware Independent Viewpoint Online Optimization, est une méthode de recherche présentée dans un article publié sur arXiv (référence 2609.19510v1) qui s'attaque à une limite classique de la perception robotique : l'hypothèse selon laquelle le champ de vision d'un capteur reste fixe par rapport au corps du robot. Avec l'apparition de capteurs découplés du mouvement, comme les caméras montées sur gimbal ou les LiDAR à base de MEMS, la direction de visée peut désormais être pilotée indépendamment du déplacement, en temps réel. Les auteurs proposent un algorithme itératif léger qui optimise cette direction de visée le long d'une trajectoire de translation fixe, afin de maximiser la visibilité des points d'intérêt dans des environnements riches en features. En modélisant le champ de vision comme un cône, la visibilité ne dépend que de l'axe optique, ramenant le problème à une optimisation à deux degrés de liberté sur la sphère de vision S². Des mises à jour par exponentielle sur SO(3), sans paramétrisation angulaire explicite ni recherche exhaustive sur la sphère, permettent une optimisation continue efficace. Les évaluations Monte Carlo montrent que la méthode conserve entre 98,1 et 99,6% de la visibilité obtenue par une recherche exhaustive, tout en étant 76 à 85 fois plus rapide. Des tests en simulation photoréaliste et sur un robot quadrupède réel confirment une localisation visuelle plus robuste et un contrôle pratique du point de vue. Pour les intégrateurs travaillant sur des plateformes mobiles équipées de capteurs orientables, ce résultat rend la perception active exploitable en embarqué : jusqu'ici, sélectionner la meilleure direction de visée en ligne se heurtait au coût computationnel d'une recherche exhaustive sur la sphère de vue, incompatible avec des cycles de contrôle temps réel. Une accélération d'un facteur 76 à 85 change la donne pour les architectures de navigation et de SLAM visuel embarquées sur robots légers. Le travail s'inscrit dans la tendance vers des capteurs mécaniquement découplés du châssis, gimbals et LiDAR MEMS, qui remettent en question les pipelines de perception conçus pour des capteurs rigidement fixés. L'article ne mentionne ni acteur industriel ni calendrier de déploiement commercial : il s'agit d'une contribution algorithmique validée en simulation et sur un unique robot quadrupède, pas d'un produit prêt à l'emploi.

Recherche❖Paper

1 source

36

1780arXiv cs.RO 

Imagine-TAMP : planification des tâches et des mouvements guidée par l'imagination en observabilité partielle

Un cycle de planification robotique conçu pour décider quand observer et quand agir vient d'être détaillé dans un article arXiv publié le 18 septembre 2026 (arXiv:2609.20396v1), intitulé Imagine-TAMP: Imagination-Guided Task and Motion Planning in Partial Observability. Le système cible un problème concret des robots manipulateurs en environnement encombré : quand la position d'un objet cible est partiellement cachée, faut-il chercher un nouvel angle d'observation ou déplacer d'abord l'objet qui obstrue la vue. Imagine-TAMP combine deux mécanismes d'"imagination" : un modèle vision-langage qui met à jour une croyance probabiliste (particle belief) sur la position de la cible en s'appuyant sur des relations de bon sens avec les objets visibles, et un modèle génératif de scène qui estime la géométrie plausible des zones non observées. À partir de ces hypothèses, le système génère plusieurs squelettes de plan symboliques, leur attribue des coûts non uniformes reflétant à la fois l'effort de manipulation et la probabilité de révéler la cible, puis affine le squelette retenu en plan moteur exécuté, avec replanification si de nouvelles observations contredisent la croyance initiale. Dans des scènes d'étagère à points de vue contraints, l'évaluation géométrique non uniforme fait passer le taux de succès de 46,0% à 84,0% par rapport à une approche de référence, et l'ajout du modèle sémantique réduit encore les manipulations et replanifications inutiles. Sur un robot réel, le système complet réduit le temps de planification de 32% comparé à une version n'utilisant que la géométrie. L'enjeu dépasse la démonstration académique : la décision observer-versus-manipuler est un goulot d'étranglement classique pour les robots de logistique et de préparation de commandes travaillant dans des bacs ou étagères encombrés, où les approches TAMP classiques s'appuient sur des coûts symboliques grossiers ou une planification géométrique coûteuse, sans jamais estimer la probabilité qu'une observation révèle réellement la cible. En montrant qu'un modèle vision-langage peut injecter du bon sens dans cette décision avant d'engager un calcul moteur coûteux, les auteurs illustrent une tendance plus large où les VLM servent de couche de raisonnement pour la planification plutôt que de générateur direct d'actions, à la différence des approches VLA comme Pi-0 ou GR00T N2. Le travail s'inscrit dans la lignée du TAMP, qui combine planification symbolique et planification de mouvement continue, en cherchant à corriger sa faiblesse historique face à l'observabilité partielle. Il s'agit d'un preprint, sans validation par les pairs ni partenaire industriel identifié dans le résumé ; les auteurs ne précisent pas de calendrier de suite ni d'extension à d'autres classes de tâches.

Recherche❖Paper

1 source

36

1781arXiv cs.RO 

Classement pré-exécution conscient de l'exécution pour le placement robotique conditionné par la préhension

Un article publié en septembre 2026 sur arXiv (2609.19946) présente une méthode qui classe les couples prise-pose avant de lancer la planification de trajectoire, car une prise géométriquement valide peut rester inexécutable une fois prise en compte la pose finale de l'effecteur et le risque de collision pendant le transport. Le modèle associe un nuage de points conditionné par la cible à trois descripteurs de pose, avec des têtes hiérarchiques qui évaluent séparément la réussite de la planification puis celle de l'exécution. Sur un jeu de 30 objets et 1 235 scènes, avec des groupes de test disjoints de l'entraînement, le taux de réussite du candidat classé en tête (top-1) atteint 85,63% en sélection conjointe de la prise et de la pose, et 79,84% à cible fixée, contre 72,84% et 59,65% pour une planification exhaustive de référence via le moteur cuMotion. Transféré sans réentraînement spécifique sur un bras xArm7 piloté par MoveIt, le système réussit 13 des 27 cas testés de bout en bout (48,15%), et 13 des 16 cas ayant franchi le contrôle préalable top-5 (81,25%). Pour les intégrateurs de cellules de manipulation, ce travail cible un angle mort courant des pipelines de prise-dépose: la prise est souvent choisie pour sa seule stabilité, sans vérifier si la pose de dépôt qui en résulte reste exécutable par le bras. Classer les couples prise-pose avant de solliciter un planificateur coûteux comme cuMotion promet de réduire le temps de calcul et les échecs tardifs, un enjeu concret pour le bin-picking industriel et la logistique automatisée. L'écart entre le score académique, supérieur à 85% en top-1, et le taux de réussite réel de bout en bout, inférieur à 50% sur les cas verrouillés, rappelle que la fiabilité en conditions d'exécution reste un problème largement ouvert. Cette approche s'inscrit dans une tendance de la recherche en manipulation qui associe des modules de scoring appris à des planificateurs classiques comme cuMotion (NVIDIA) et MoveIt (ROS), plutôt que de confier la tâche à une politique de bout en bout. Publié en préprint sans affiliation industrielle ni partenariat annoncés, l'article reste un résultat de laboratoire, validé sur un jeu de données fermé et un bras de test, non un produit commercialisé.

Recherche❖Paper

1 source

36

1782arXiv cs.RO 

ReShoot : randomisation visuelle générative du domaine pour l'apprentissage de politiques visuomotrices

Un article publié sur arXiv sous la référence 2609.19661 présente ReShoot, une méthode qui produit de la diversité visuelle en re-rendant des démonstrations robotiques déjà enregistrées, plutôt que d'en recollecter de nouvelles pour chaque changement d'apparence. Un modèle vision-langage décrit la scène et modifie un attribut ciblé, comme le fond, la couleur d'un objet ou un matériau, puis un générateur vidéo conditionné par les contours re-rend les deux vues caméra en conséquence ; l'instruction textuelle associée est mise à jour, mais la séquence d'actions et la trajectoire proprioceptive sont conservées à l'identique, sans réétiquetage. Sur le benchmark LIBERO, une politique entraînée à parts égales sur données réelles et re-générées obtient un taux de réussite quasi identique à un entraînement uniquement sur données réelles (96,5% contre 96,9%) et améliore la robustesse aux perturbations de scène sur LIBERO-Plus (85,5% contre 82,3%). Sur deux plateformes robotiques physiques, avec seulement 43 et 100 démonstrations pré-collectées, le taux de réussite sur des objets recolorés passe de 0% à respectivement 42,9% et 47,5%, sans dégradation des performances sur l'apparence d'origine. Ce résultat vise un point faible connu des politiques visuomotrices apprises par imitation : elles restent souvent collées aux conditions visuelles précises de leurs démonstrations d'entraînement, si bien qu'un simple changement de couleur ou de décor fait chuter drastiquement leurs performances. La parade habituelle, recollecter des démonstrations pour chaque nouveau contexte visuel, mobilise à chaque fois un robot, un environnement contrôlé et un opérateur humain, ce qui freine le déploiement à grande échelle en usine ou en entrepôt. En déplaçant l'effort de la collecte vers la génération, ReShoot suggère qu'une part significative de la robustesse visuelle recherchée par les intégrateurs peut s'obtenir sans temps robot supplémentaire ni simulation photoréaliste coûteuse à construire. Cette approche s'inscrit dans la lignée des travaux sur la randomisation de domaine et l'augmentation de données par génération, qui cherchent depuis plusieurs années à combler l'écart entre les démonstrations limitées disponibles et la diversité des conditions réelles d'exploitation. Sa particularité est de conserver intégralement les labels d'action et de proprioception du geste original, évitant le risque de réétiquetage erroné propre à d'autres pipelines génératifs. Le résumé ne précise ni les plateformes robotiques utilisées ni un calendrier de publication du code, ce qui place pour l'instant ReShoot au stade de publication de recherche plutôt que d'outil disponible pour les intégrateurs.

Recherche❖Paper

1 source

35

1783arXiv cs.RO 

Robot aérien transformable à liaisons flexibles intégrant des propulseurs pour une manipulation adaptative

Des chercheurs décrivent, dans un preprint mis en ligne sur arXiv (référence 2609.19328v1), un robot aérien "morphogène" doté de bras continuum flexibles intégrant des rotors répartis sur toute leur longueur. Contrairement aux manipulateurs aériens classiques, à bras rigide et poussée fixe, cette architecture place des hélices directement le long de liens souples qui épousent passivement la forme de l'environnement rencontré, tout en élargissant l'espace de forces et de couples ("wrench space") disponible pour l'effecteur terminal. Le principal verrou technique tenait aux vibrations des liens légers et flexibles : l'équipe a développé une structure composite à lame-ressort offrant à la fois une forte rigidité en torsion et en flexion verticale, associée à des méthodes de contrôle actif de suppression vibratoire. Le prototype a démontré un vol stable ainsi que plusieurs tâches de manipulation aérienne en conditions de laboratoire. Pour l'industrie de la robotique aérienne, ces travaux attaquent un compromis persistant : les manipulateurs souples s'adaptent bien à des environnements irréguliers mais exercent peu de force, tandis que les systèmes multi-propulseurs rigides gagnent en capacité de poussée au prix de la compliance passive. Réunir les deux propriétés dans un même bras, ce qu'aucun robot aérien n'avait fait selon les auteurs, ouvrirait des applications d'inspection ou de manipulation d'objets irréguliers en espace confiné, là où un drone doit toucher et saisir sans trajectoire rigide préplanifiée. L'apport le plus concret pour des intégrateurs reste la résolution du problème vibratoire, obstacle connu qui déstabilise le vol ou dégrade la précision de manipulation dès qu'on allège et assouplit une structure de bras. La manipulation aérienne est un champ de recherche actif depuis plusieurs années, mais les publications se répartissent jusqu'ici entre deux familles distinctes : des robots à bras articulés rigides, plus lourds mais capables de forces élevées, et des pinces souples montées sur drones à poussée fixe, plus adaptables mais limitées en effort. Ce papier revendique explicitement la première fusion des deux approches, propulsion intégrée et structure continuum flexible. Il s'agit toutefois d'un prototype académique à ce stade : aucun partenaire industriel, site de déploiement ni calendrier ne sont mentionnés dans le résumé. La suite logique passerait par des essais de robustesse hors laboratoire, une caractérisation de charge utile et une comparaison chiffrée avec les solutions rigides existantes avant tout transfert industriel.

Recherche❖Paper

1 source

35

1784arXiv cs.RO 

MaskHarness-WAM : harnachement ancré sur l'instance pour la manipulation robotique à long horizon

Une équipe de recherche publie sur arXiv (arXiv:2609.19974v1, soumission classée "new") un système baptisé MaskHarness-WAM, conçu pour la manipulation robotique longue durée lorsque plusieurs objets identiques doivent être traités dans un ordre précis. Le principe repose sur des masques visuels de cible qui font le lien entre un planificateur de tâches de haut niveau et une politique de manipulation visuomotrice de bas niveau, cette dernière restant limitée à un horizon court. À chaque transition de sous-tâche, le harnais réobserve la scène, génère un nouveau masque désignant l'instance à traiter, le vérifie, puis met à jour la condition spatiale transmise à la politique bas niveau avant de faire basculer le robot vers l'objet suivant une fois la complétion du sous-tâche confirmée par retour visuel. Les auteurs rapportent des expériences sur une plateforme robotique réelle montrant que MaskHarness-WAM surpasse nettement les politiques à horizon limité sur des tâches de manipulation séquentielle multi-objets ; le résumé ne précise cependant ni le nom du robot, ni le nombre de degrés de liberté, ni de chiffres de temps de cycle ou de taux de réussite, ce qui limite la portée de la comparaison en l'état. L'enjeu dépasse la démonstration technique isolée. Les politiques vision-langage-action de type Pi-0, GR00T N2 ou Helix excellent sur des gestes locaux mais peinent historiquement à maintenir un suivi de cible cohérent et une estimation fiable de la progression sur des séquences longues, notamment quand des objets visuellement indiscernables doivent être manipulés dans un ordre imposé, un cas fréquent en kitting industriel ou en tri de pièces en bac. En traitant ce problème via une couche d'orchestration externe plutôt qu'en modifiant la politique elle-même, les auteurs proposent une piste pragmatique pour étendre des compétences de manipulation à courte portée vers une exécution fiable de longue durée, sans réentraîner le modèle de base. Le papier ne mentionne aucune affiliation d'entreprise ni de comparaison chiffrée directe avec des systèmes commerciaux existants, ce qui situe la contribution du côté de la recherche académique plutôt que d'un produit ou d'un pilote industriel annoncé. Aucun calendrier de déploiement, partenaire ou suite commerciale n'est indiqué à ce stade.

Recherche❖Paper

1 source

35

1785arXiv cs.RO 

Navi-Agent : agent de navigation monoculaire sans localisation

Un article publié sur arXiv (2609.20388) présente Navi-Agent, un agent de navigation zero-shot pour la Vision-Language Navigation in Continuous Environments (VLN-CE), où un robot doit suivre des instructions en langage naturel dans un environnement inconnu, sans carte préétablie. Face aux systèmes classiques qui s'appuient sur une localisation géométrique ou des coordonnées, et aux approches récentes sans profondeur ni coordonnées globales mais incapables de garder une mémoire spatiale fiable, Navi-Agent construit un état spatial sans coordonnées à partir d'une seule caméra et de l'historique des déplacements exécutés, organisé en topologie où les nœuds sont des lieux visuels et les arêtes des transitions de mouvement. En boucle fermée, il découpe une instruction en sous-objectifs, navigue localement par vision, puis vérifie les lieux visités via cette topologie pour s'auto-localiser, suivre sa progression et se rétablir par revisite visuelle en cas d'erreur. Les auteurs l'évaluent sur un benchmark VLN-CE zero-shot et sur des plateformes robotiques réelles. L'enjeu pour les intégrateurs de robotique est concret: le système fonctionne avec une seule caméra RGB, sans capteur de profondeur ni odométrie globale, ce qui allège le coût matériel et la dépendance à un SLAM classique en environnement inconnu. Il répond à un point faible connu des architectures dites geometry-free, qui abandonnent les coordonnées mais perdent la capacité à confirmer qu'un lieu a déjà été visité ou à se rétablir après une erreur de trajectoire. Les auteurs revendiquent l'état de l'art parmi les méthodes sans contrainte géométrique et une compétitivité avec les approches à localisation géométrique classique, mais le résumé ne détaille ni taux de réussite ni conditions des essais réels, ce qui invite à la prudence sur la portée de cette comparaison. Ce travail s'inscrit dans la recherche active en VLN-CE, qui vise à faire suivre des instructions naturelles à un agent dans un espace 3D continu plutôt qu'un graphe discret préconstruit. Il se positionne contre les méthodes à coordonnées globales, précises mais coûteuses en capteurs, et contre les approches geometry-free qui n'ont pas résolu la persistance spatiale. Classé comme nouvelle soumission arXiv, le papier ne cite ni entreprise ni laboratoire affilié, ni date de publication de code.

Recherche❖Paper

1 source

35

1786arXiv cs.RO 

Naviguer ou déplacer l'obstacle : planification parmi des obstacles mobiles en environnements inconnus

Une équipe de chercheurs propose un nouveau cadre de planification pour le problème dit de « Navigation Among Movable Obstacles » (NAMO), décrit dans un article déposé sur arXiv le 19 septembre 2026 (arXiv:2609.19541v1). Le problème traité est le suivant : lorsque tous les chemins vers un objectif sont bloqués, un robot mobile doit décider quels objets déplacer, dans quel ordre, et où les positionner pour dégager un passage. Contrairement aux planificateurs NAMO classiques, qui supposent une carte de l'environnement connue à l'avance, ce travail cible le cas d'un environnement inconnu, découvert progressivement par les capteurs embarqués du robot. Le système choisit en ligne entre naviguer ou relocaliser un objet, en comparant des plus courts chemins calculés en traitant chaque objet mobile détecté soit comme un obstacle fixe, soit comme un élément amovible. Pour la relocalisation, l'approche recherche, à la différence des méthodes existantes limitées à un raisonnement local, des séquences de déplacements interdépendantes, et s'appuie sur un grand modèle de langage (LLM) pour biaiser l'échantillonnage des solutions candidates. Les auteurs rapportent, en simulation numérique, un passage à l'échelle sur des environnements encombrés nécessitant des relocalisations en chaîne, avec une meilleure qualité de plan que les méthodes de référence existantes. Ce travail s'attaque à un angle mort connu de la robotique mobile autonome : la plupart des systèmes déployés aujourd'hui évitent le problème en supposant un couloir dégagé ou s'arrêtent simplement face à un obstacle, ce qui limite leur autonomie hors des entrepôts optimisés. En traitant explicitement l'ambiguïté entre chemin praticable dans l'espace inexploré et blocage réel nécessitant une relocalisation, l'approche se rapproche des conditions réelles de déploiement en environnement humain non structuré (hôpital, domicile, espace de service), plutôt que du cas contrôlé de l'entrepôt cartographié. Le recours à un LLM comme simple biais d'échantillonnage plutôt que comme contrôleur direct illustre une tendance plus large à intégrer les modèles de langage en appoint de pipelines de planification géométrique classiques, sans sacrifier leurs garanties de sécurité. Pour les intégrateurs, il s'agit toutefois d'une contribution académique validée uniquement en simulation, sans démonstration sur robot physique à ce stade. Le NAMO est étudié depuis plusieurs décennies comme extension du problème classique de planification de chemin sans collision, mais les approches se divisent généralement entre celles qui exigent une carte complète préétablie et des méthodes plus récentes pour environnements inconnus, restées cantonnées à des décisions locales et incapables de planifier des séquences de déplacements dépendantes entre elles. C'est cette lacune que comble le framework présenté, en combinant recherche par échantillonnage et guidage par LLM. L'article ne mentionne ni plateforme robotique spécifique, ni partenaire industriel, ni calendrier d'essais sur matériel réel : il s'agit d'un pré-print académique, et non d'une annonce produit. Une validation sur robot physique et une comparaison directe avec les planificateurs déployés en logistique restent les étapes attendues pour confirmer l'intérêt pratique de l'approche.

Recherche❖Paper

1 source

35

1787arXiv cs.RO 

DITTO : une interface dextérique pour la téléopération transparente

Un nouveau papier publié sur arXiv (identifiant 2609.19196) présente DITTO, pour Dexterous Interface for Transparent TeleOperation, une interface matérielle destinée à la collecte de données de manipulation dextre. Le système combine une main robotique à 7 degrés de liberté (DOF) et un exosquelette motorisé conçu pour être cinématiquement équivalent à cette main, selon un co-design anatomiquement informé. Un mappage direct, actionneur par actionneur, relie l'exosquelette à la main robotique, ce qui permet d'utiliser la même plateforme pour deux usages : la collecte de données en conditions naturelles et portables, dite « in-the-wild », et la téléopération bilatérale avec retour de force au niveau de chaque articulation. Les auteurs précisent que l'exosquelette couvre l'espace de travail naturel de l'opérateur entre l'index et le pouce. Les capacités du système sont démontrées via des politiques de manipulation apprises sur des tâches impliquant des contacts complexes, sans que le papier ne fournisse de chiffres de temps de cycle, de volumes de déploiement ou de prix. Pour l'industrie de la manipulation robotique, l'enjeu ciblé est central : la qualité des données d'entraînement conditionne directement la performance des politiques de manipulation, y compris les architectures VLA de plus en plus utilisées pour piloter des mains dextres. Jusqu'ici, les équipes devaient arbitrer entre deux approches imparfaites. La téléopération classique produit des données cohérentes avec le robot cible mais prive l'opérateur de sensation de contact, ce qui dégrade la finesse des gestes capturés sur des tâches délicates. Les systèmes portables restituent au contraire naturellement les forces perçues par la main humaine, mais introduisent un écart d'incarnation visuelle au moment du déploiement, le robot ne percevant pas la scène comme l'outil ayant servi à la collecte. En unifiant les deux modes sur une seule plateforme plutôt que sur deux matériels distincts, DITTO cherche à réduire ce compromis structurel, un point que suivront les équipes qui constituent des jeux de données de manipulation dextre pour entraîner leurs modèles. Le sujet s'inscrit dans une difficulté connue de la recherche en manipulation : les mains à haut nombre de degrés de liberté exigent des interfaces capables de restituer à la fois la richesse du mouvement et les interactions de contact nécessaires à une manipulation précise, deux exigences que les gants de données et la téléopération classique satisfont rarement ensemble. D'autres travaux sur la capture portable avaient déjà tenté de contourner ce problème sans résoudre l'écart d'incarnation au déploiement. Publié comme un nouveau papier de recherche, DITTO reste à ce stade une démonstration académique de faisabilité, validée sur des tâches de manipulation riches en contact, et non un produit commercialisé ni un déploiement industriel ; le texte ne mentionne aucun partenariat ni calendrier de mise sur le marché.

Recherche❖Paper

1 source

34

1788arXiv cs.RO 

Suivi Robuste à la Dégénérescence pour Environnements Géométriquement Complexes par Lidar FMCW

Un papier publié sur arXiv (référence 2603.10248v3, version révisée) présente un système de navigation Teach and Repeat (T&R) conçu pour rester fiable dans les environnements géométriquement dégénérés, ces terrains peu structurés où les méthodes de localisation classiques perdent leurs repères. Le T&R permet à un robot de répéter automatiquement un trajet déjà parcouru sans GPS, ce qui le destine aux mines souterraines ou à la navigation lunaire. Les systèmes T&R actuels reposent généralement sur l'algorithme ICP (Iterative Closest Point), qui devient mal conditionné sur des terrains plats ou peu texturés et dégrade la localisation. Les auteurs proposent à la place un système fondé sur un lidar FMCW (Frequency-Modulated Continuous-Wave), qui mesure directement la vitesse radiale de chaque point par effet Doppler. Il combine une odométrie basée sur cette vitesse Doppler, indépendante de la géométrie de la scène et dotée d'une estimation d'incertitude de pose stable en cas de dégénérescence, avec une localisation scan-to-map qui exploite la courbure locale de chaque point pour améliorer l'association des données et unifier la détection de dégénérescence entre translation et rotation. Lors d'essais de terrain en boucle fermée sur des environnements de complexité variable, le système a mené à bien la navigation autonome, y compris sur un terrain d'aéroport plat et peu texturé où un système ICP conventionnel a échoué. Le code doit être publié en open source, mais le lien fourni dans le papier est un espace réservé non actif. Pour l'industrie de la robotique mobile en environnements extrêmes, l'apport cible un point faible connu du secteur : l'échec de l'ICP dans les couloirs rectilignes, tunnels lisses ou terrains plats sans relief exploitable, un cas fréquent en exploration minière ou en mission planétaire. Utiliser un lidar FMCW à mesure Doppler plutôt qu'un lidar temps de vol classique diffère de l'approche dominante, qui compense la dégénérescence géométrique par fusion multi-capteurs plutôt que par une modalité de mesure intrinsèquement plus riche. Si l'approche se confirme au-delà du cadre expérimental décrit, elle pourrait réduire la dépendance des systèmes de navigation souterraine ou lunaire à des architectures multi-capteurs coûteuses. Le résumé ne fournit toutefois aucun chiffre de robustesse (taux de réussite, dérive, distance parcourue), ce qui limite la portée de la comparaison avec l'ICP. Le Teach and Repeat est une technique de navigation topométrique éprouvée, historiquement développée pour des robots opérant sans GPS, en contexte minier ou planétaire. Le papier se positionne explicitement contre les systèmes ICP conventionnels, pris comme référence directe dans les tests sur terrain d'aéroport. Le lidar FMCW reste une technologie émergente en robotique mobile face aux lidars à temps de vol dominant le marché, dans la lignée de son usage déjà exploré côté automobile pour l'estimation de mouvement par effet Doppler. La suite annoncée est la publication du code en open source, dont le lien reste pour l'instant un espace réservé, sans calendrier ni partenaire industriel précisés au-delà des essais de terrain décrits.

Recherche❖Paper

1 source

34

1789arXiv cs.RO 

OmniMimic : augmentation de mouvement par dynamique complétée pour la locomotion omnidirectionnelle multi-style de quadrupèdes

Une équipe de recherche présente OmniMimic, un framework d'entraînement permettant à des robots quadrupèdes d'apprendre une locomotion omnidirectionnelle multi-style à partir de démonstrations animales, selon un article publié sur arXiv (2609.20566v1). Le problème de départ est concret : les démonstrations animales couvrent naturellement bien la marche avant, mais offrent très peu de données exploitables pour les mouvements arrière, latéraux ou les virages, ce qui limite la fidélité des styles de démarche appris par les robots sur ces axes. OmniMimic combine trois techniques pour combler ce manque, à savoir le renversement temporel des trajectoires, une complétion dynamique contrainte par la physique du robot, et une réflexion sagittale, afin de générer des données de supervision cinématique et physique au-delà des directions réellement observées. Le système étend ensuite progressivement les commandes de vitesse au-delà de la distribution démontrée, et s'appuie sur un acteur partagé associé à des experts résiduels spécialisés par type de démarche, activés de façon souple (soft-gated). Sur quatre démarches testées en simulation, la méthode réduit l'erreur de position des pattes (RMSE) de 12,9% aux vitesses de référence avant et arrière, et l'erreur de suivi de vitesse de 63,1% sur une grille de commandes cartésiennes uniforme, par rapport à une base de comparaison appelée APEX. Pour l'industrie de la robotique quadrupède, ce travail répond à une limite bien identifiée de l'apprentissage par imitation à partir de données animales : la générosité des mouvements avant contraste avec la rareté des données pour les manœuvres omnidirectionnelles, pourtant essentielles en usage réel (navigation en espace contraint, évitement d'obstacles, manœuvres en entrepôt). En démontrant qu'une augmentation de données structurée par la physique peut compenser ce déséquilibre sans recourir à du reward engineering manuel, OmniMimic offre une piste méthodologique transférable à d'autres plateformes de locomotion apprise, y compris potentiellement humanoïde. Les gains rapportés restent toutefois mesurés en simulation uniquement, sans validation sur robot physique ni comparaison avec d'autres frameworks que APEX. Le travail s'inscrit dans la lignée des méthodes d'apprentissage par imitation animale pour la locomotion robotique, un axe de recherche actif depuis plusieurs années pour doter les quadrupèdes de démarches naturelles difficiles à concevoir à la main. Les auteurs n'annoncent pas de déploiement matériel ni de calendrier de transfert sim-to-real ; le projet est documenté sur une page dédiée (OmniMimic.github.io), et la prochaine étape logique, non confirmée dans l'article, serait une validation sur plateforme physique.

Recherche❖Paper

1 source

33

1790arXiv cs.RO 

SmellDiffusion : navigation de quadrupède par diffusion avec graphes de scène olfactifs

Des chercheurs publient sur arXiv (arXiv:2609.20624v1) SmellDiffusion, un pipeline de simulation pour la navigation de robots quadrupèdes chargés de localiser la source d'une fuite de gaz identifiée. Le système construit un graphe de scène olfactif à vocabulaire ouvert représentant des zones de gaz par espèce chimique, puis partage l'estimation de la source entre un planificateur classique (A) et un planificateur par diffusion. Sur 424 configurations uniques de source et de vent en écoulement résolu, 28 cas présentent un pic de concentration décalé de plus de 0,5 mètre par rapport à la source réelle. Une porte géométrique locale au pic, calibrée uniquement sur le jeu d'entraînement, détecte 9 des 10 décalages en test avec une précision de 0,64. En activant une correction par appariement précalculé sur seulement 14 des 204 cas, l'erreur moyenne sur les cas décalés chute de 1,468 m à 0,592 m (moins 60%), et l'erreur moyenne toutes configurations confondues passe de 0,205 m à 0,180 m. La meilleure proposition sur dix tirages du planificateur par diffusion atteint une exposition moyenne au gaz de 0,0476, comparable au 0,0455 obtenu par un A guidé par le gaz. Une seule proposition de diffusion prend 41,7 ms contre 72,3 ms pour A, mais dix tirages successifs alourdissent le temps total. Six essais sous le simulateur Gazebo donnent une erreur moyenne robot-source de 0,39 m pour A et 0,31 m pour la diffusion. Ces résultats répondent à une question concrète pour l'inspection industrielle : un robot mobile peut-il retrouver la source d'une fuite de gaz nommée sans intervention humaine, alors que le panache se déforme et que le pic de concentration ne coïncide pas toujours avec l'origine réelle. Le travail montre surtout que le planificateur par diffusion n'apporte pas de gain net face au classique A : à exposition au gaz comparable, A reste plus rapide et produit le chemin le plus court, ce qui tempère l'idée que les méthodes génératives supplanteraient systématiquement les approches classiques en planification de trajectoire. L'apport réel tient à la porte géométrique de correction de source, un mécanisme peu coûteux qui améliore la localisation sans recourir à la diffusion à chaque cas. SmellDiffusion s'inscrit dans le champ du "chemical plume tracing", la détection et le suivi de panaches chimiques par robot mobile, appliqué ici à un quadrupède plutôt qu'aux drones ou robots à roues plus habituels de cette littérature. Le papier, soumis comme nouvelle contribution sur arXiv, reste un travail de simulation : hormis les six essais Gazebo, aucun test sur robot physique n'est rapporté, et aucune entreprise ni plateforme commerciale n'est associée à ces travaux. Les suites logiques pour ce type de recherche seraient un passage à un quadrupède réel en environnement non contrôlé et l'extension du graphe de scène à davantage d'espèces gazeuses.

Recherche❖Paper

1 source

33

1791arXiv cs.RO 

FlipToSee : un a priori probabiliste de placement stable pour l'exploration visuelle active par re-préhension

Publié le 18 septembre 2026 sur arXiv (référence 2609.20078), un article décrit FlipToSee, un système probabiliste qui apprend, à partir d'un simple nuage de points en vue unique, à réorienter un objet posé sur une table afin d'exposer ses faces cachées, sans recherche physique exhaustive. Plutôt qu'une régression classique en 6 degrés de liberté, source d'ambiguïté, la méthode représente les placements stables comme des vecteurs normaux sur la sphère S^2 via un réseau de mélange von Mises-Fisher, puis reclasse un ensemble compact de candidats selon leur robustesse physique grâce à une tête auxiliaire dédiée. En simulation, le taux de succès de la première proposition atteint 98,4% sur des objets proches de l'entraînement, 95,3% sur des formes hors distribution et 90,0% en transfert zéro-shot vers les objets ménagers du jeu YCB. La méthode a aussi été validée sur un robot physique, intégrée à des modules de planification de prise et de mouvement pour du regrasping exploratoire. Ce travail répond à un problème concret de perception active en manipulation : décider, sans multiplier les essais physiques coûteux, comment réorienter un objet inconnu pour en inspecter les faces cachées. En traitant le placement stable comme une distribution sur une sphère plutôt qu'une pose complète en 6-DoF, les auteurs évitent une ambiguïté représentationnelle qui pénalise les régressions directes classiques. Le transfert zéro-shot vers YCB, benchmark de référence en manipulation robotique, est le résultat le plus parlant pour des intégrateurs, car il suggère une généralisation au-delà des objets d'entraînement ; l'écart entre le succès simulé et la validation réelle, décrite sans métrique chiffrée dans l'abstract, appelle cependant à la prudence. FlipToSee s'inscrit dans la recherche sur le regrasping exploratoire et la planification de prise sous incertitude visuelle, où le jeu d'objets YCB sert de référence commune pour comparer les méthodes. L'abstract ne précise ni le laboratoire à l'origine des travaux ni la plateforme robotique utilisée pour la démonstration, ce qui limite le positionnement concurrentiel. Aucun partenariat industriel, date de publication de code ou pilote de déploiement n'est annoncé : il s'agit à ce stade d'un résultat académique validé en simulation et par une démonstration ponctuelle sur banc, non d'un produit déployé en environnement industriel.

Recherche❖Paper

1 source

32

1792arXiv cs.RO 

EmbodiedMind : curation adaptative des données et apprentissage par renforcement par arbre de préfixes pour une intelligence incarnée efficace

Un article déposé sur arXiv le 18 septembre 2026 (référence 2609.19659) présente EmbodiedMind, un pipeline d'entraînement en trois étapes pour les modèles fondamentaux dits "embodied", ces IA généralistes destinées au contrôle de robots physiques. L'affiliation des auteurs n'est pas précisée dans le résumé. La première étape, RSFT (Rejection Sampling-based Fine-Tuning), filtre les échantillons peu informatifs pour établir des comportements de base robustes sans effondrement de la distribution apprise. La deuxième, IR-GRPO, répartit les données de renforcement en files triées par difficulté et par tâche, avec une récompense hybride censée équilibrer les contributions de gradient entre tâches hétérogènes. La troisième, Trie-GRPO, est l'apport principal: un algorithme de renforcement fondé sur des arbres de préfixes d'actions, qui permet d'estimer l'avantage à chaque étape plutôt qu'au niveau de toute la trajectoire. EmbodiedMind revendique une performance moyenne de 70,02% sur 18 benchmarks et affirme surpasser les autres modèles embodied en planification longue durée. Code et données doivent être publiés ultérieurement pour reproduire ces résultats, non encore vérifiables de façon indépendante. Le problème visé est central pour la robotique généraliste: entraîner un modèle vision-langage-action (VLA) capable de couvrir des dizaines de tâches exige aujourd'hui des volumes de données massifs et un calcul considérable, sans garantie que chaque échantillon ou chaque tâche contribue efficacement. Le "crédit assignment problem", l'incapacité d'une récompense de trajectoire à distinguer les bonnes décisions intermédiaires des erreurs qui suivent, freine notamment les méthodes de RL appliquées à la planification robotique longue durée. Si l'approche par arbre de préfixes tient en dehors du cadre des benchmarks, elle offrirait aux intégrateurs un entraînement moins coûteux sans sacrifier la fiabilité sur des tâches multi-étapes, un facteur clé pour des humanoïdes ou bras manipulateurs en conditions réelles. La mention "state-of-the-art" reste toutefois une auto-évaluation, non validée par les pairs, et aucun test sur robot physique n'est mentionné: tout provient de benchmarks hors ligne ou simulés. Ce travail s'inscrit dans la vague des modèles vision-langage-action, qui visent à transposer à la robotique le principe d'une politique unique généraliste plutôt qu'un contrôleur par tâche. Le recours à GRPO, popularisé pour l'entraînement par renforcement des modèles de langage, illustre le transfert croissant de techniques issues du NLP vers le contrôle robotique. Aucun partenaire industriel ni robot commercial n'est cité: la publication reste un article de méthode en préprint, non encore validé par la communauté. Les auteurs annoncent l'ouverture future du code et du projet pour en permettre la reproduction, sans calendrier précis.

Recherche❧Opinion

1 source

32

1793arXiv cs.RO 

Marche sur une pente : démarches bipèdes stables grâce à des trajectoires optimisées par algorithme génétique

Des chercheurs publient sur arXiv (référence 2609.20570v1) une étude de modélisation cinématique et dynamique d'un robot bipède à 8 degrés de liberté (DOF) marchant sur terrain plat et incliné. La cinématique directe repose sur les paramètres de Denavit-Hartenberg et des transformations homogènes, tandis qu'une cinématique inverse en forme fermée convertit les trajectoires cartésiennes de la hanche et du pied oscillant, générées par splines cubiques, en angles articulaires. Les couples aux articulations sont calculés par l'algorithme itératif de Newton-Euler, et la stabilité dynamique est évaluée via le critère du point de moment nul (ZMP). Un algorithme génétique optimise trois paramètres, la hauteur de hanche, l'amplitude maximale de levée du pied oscillant et l'angle d'inclinaison dans le plan frontal, en minimisant le travail articulaire sous contrainte de faisabilité ZMP. Les simulations sous MATLAB montrent que le modèle nominal à 8 DOF reste stable au sens ZMP pour des temps de cycle de pas allant jusqu'à 0,5 seconde et des pentes allant jusqu'à 22,5 degrés, avec la géométrie de pied retenue. Au-delà de ces limites, le ZMP sort du polygone de sustentation, ce qui impose de revoir la géométrie du pied ou les paramètres de trajectoire. Ce travail se situe à l'opposé des annonces commerciales qui dominent l'actualité humanoïde: pas de prototype physique, pas de déploiement, uniquement de la simulation et de la modélisation analytique classique, alors que des acteurs comme Figure ou Tesla misent sur des politiques apprises de bout en bout (VLA) plutôt que sur des modèles ZMP explicites. Son intérêt pour les concepteurs mécaniques et les équipes de contrôle tient à un résultat contre-intuitif: la stabilité ZMP dépend davantage de la répartition de la masse entre les segments du robot que de sa masse totale, un paramètre de conception souvent négligé au profit de l'allègement global. La méthode combine des outils historiques de la marche bipède, le critère ZMP formalisé dès les travaux de Vukobratović et la formulation Denavit-Hartenberg, avec une optimisation par algorithme génétique plus récente. Aucun industriel ni laboratoire n'est nommé dans l'étude, qui reste à ce stade un travail théorique validé uniquement en simulation, sans annonce de prototype physique ni de calendrier de test.

Recherche❖Paper

1 source

29

1794arXiv cs.RO 

Télé-traversabilité : repenser la traversabilité des robots terrestres téléopérés en navigation sur terrain

Un article publié sur arXiv sous la référence 2609.19577v1, dans la catégorie « new » (soumission inédite, non encore évaluée par les pairs), propose un nouveau cadre conceptuel baptisé « télé-traversability » pour la navigation des robots terrestres téléopérés en tout-terrain. Le papier ne présente ni prototype testé, ni chiffres de charge utile, de degrés de liberté ou de temps de cycle : il s'agit d'un travail théorique qui recense les définitions existantes de la traversabilité en robotique puis les étend à un contexte de téléopération. Les auteurs, dont l'affiliation n'est pas précisée dans le résumé, partent d'un constat simple : dans un système téléopéré, l'opérateur humain juge la praticabilité du terrain à partir d'un retour d'interface homme-machine souvent incomplet et retardé, tandis que le robot évalue cette même praticabilité en temps réel grâce à ses capteurs embarqués, ce qui peut créer une divergence entre les deux estimations et provoquer des décisions ou actions mal alignées. Cette divergence n'est pas anecdotique pour l'industrie de la robotique mobile : la quasi-totalité des méthodes actuelles de modélisation, d'estimation et de prédiction de la traversabilité sont conçues du point de vue du robot, pour des systèmes pleinement autonomes, en ignorant l'état cognitif de l'opérateur (attention, charge mentale, tolérance ou perception du risque). Pour les intégrateurs déployant des robots terrestres télé-opérés en environnements non structurés, défense, inspection, déminage, exploration, ce papier pointe un angle mort concret : des échecs de navigation en conditions réelles pourraient provenir moins d'un défaut de perception embarquée que d'un défaut d'alignement entre ce que la machine « voit » et ce que l'humain perçoit à distance, un facteur souvent invisible lors de tests en autonomie complète ou en simulation. Le texte s'inscrit dans la lignée des recherches sur la traversabilité en robotique tout-terrain, historiquement centrées sur la perception embarquée pour l'autonomie complète, et cherche à en déplacer le centre de gravité vers l'humain dans la boucle. Aucun acteur industriel ni concurrent n'est cité dans le résumé, et le papier ne fournit ni pilote annoncé ni calendrier concret : il se limite à identifier des tendances futures et des défis ouverts pour des systèmes de téléopération davantage centrés sur l'humain, posant les bases d'un programme de recherche plutôt qu'une solution déployée.

Recherche❖Paper

1 source

40

1795Pandaily 

TaichuAI ouvre le code source de ZDTaichu5.0-9B, son modèle multimodal spatial

TaichuAI a mis en accès libre ZDTaichu5.0-9B, un modèle multimodal fondation d'environ 9 milliards de paramètres, annoncé le 15 septembre et repéré par TMTPost. L'architecture associe un backbone linguistique Qwen3.5-9B à un encodeur visuel C-RADIOv4-H, traite du texte, une ou plusieurs images ainsi que de la vidéo à toute résolution, et gère un contexte allant jusqu'à 128 000 tokens. Sur sa fiche modèle publique, TaichuAI revendique un rang de tête parmi les VLM généralistes de taille comparable (environ 10 milliards de paramètres), avec des scores notables sur des benchmarks spatiaux et incarnés : ViewSpatial 62,50, MMSI-Bench 47,20, MindCube-tiny 78,27, ERQA 48,00 et RoboSpatial 56,00. Sur les suites orientées agents et instructions, le modèle affiche 87,70 sur TAU2-Bench, 71,40 en moyenne générale sur Claw-Eval et 93,70 sur IFEval. La fiche technique décrit aussi un mécanisme de raisonnement récurrent adaptatif à seuil d'entropie, censé allouer davantage d'étapes de calcul aux tokens les plus complexes. Les poids sont disponibles sur Hugging Face sous licence NVIDIA Open Model, avec conservation des mentions Apache 2.0 héritées de Qwen3.5, et le déploiement s'appuie sur une branche personnalisée de vLLM 0.26.0 ainsi qu'une image Docker fournie par TaichuAI pour exposer des points d'accès compatibles OpenAI. Pour les intégrateurs et chercheurs en IA incarnée, ce lancement fournit un artefact concret et réutilisable plutôt qu'une simple démonstration : un modèle open source de taille moyenne combinant perception spatiale, raisonnement multi-vues et planification de tâches, conçu pour nourrir des pipelines de type VLA (vision-langage-action) au-delà des seuls laboratoires fermés qui dominent ce segment. La couverture fonctionnelle annoncée (comptage dense, ordonnancement de profondeur, distinction égocentrique/allocentrique, planification d'affordances) touche directement aux briques nécessaires à la manipulation robotique et à la navigation. Toutefois, comme pour la plupart des fiches modèles publiées par leurs propres concepteurs, les scores doivent être considérés comme non vérifiés tant que des laboratoires tiers n'ont pas reproduit ces résultats dans des conditions de prompt et de jugement identiques ; l'écart entre performance annoncée et performance réelle reste un point de vigilance classique dans ce secteur. ZDTaichu5.0-9B s'inscrit dans une vague de modèles multimodaux ouverts à vocation spatiale et incarnée, aux côtés d'efforts comme Pi-0 ou GR00T N2 portés par d'autres acteurs de la robotique générale. En misant sur un format relativement compact (9 milliards de paramètres) plutôt que sur des modèles massifs, TaichuAI cible une adoption plus large par des équipes de recherche disposant de ressources de calcul limitées. Aucune feuille de route de déploiement pilote ni de partenariat industriel n'est mentionnée à ce stade ; le modèle reste, pour l'instant, un artefact de recherche à évaluer plutôt qu'un produit commercial déployé sur le terrain.

IA physique⚡Actu

1 source

37

1796Interesting Engineering 

Des chercheurs du MIT construisent un laboratoire robotisé qui assemble et exécute ses propres expériences laser

Des chercheurs du MIT, au Research Laboratory of Electronics, ont construit un laboratoire robotique capable d'assembler, calibrer et démonter seul des expériences d'optique laser, un travail qui prend habituellement des mois de réglages manuels. Menée par le postdoctorant Sachin Vaidya et le professeur Marin Soljačić, l'équipe utilise un bras robotique qui saisit des composants optiques standards (miroirs, lentilles), chacun logé dans un boîtier imprimé en 3D avec code QR d'identification et base magnétique, pour les positionner avec une précision micrométrique. Un outil de réglage Wi-Fi tourne à distance les molettes des montures optiques, tandis que deux caméras aériennes guident le logiciel dans la reconnaissance des pièces et le calcul des trajectoires ; une interface virtuelle permet aussi de déplacer les composants en glissant leur icône à l'écran. Lors d'une démonstration, le robot a assemblé seul une cavité laser de table, brique de base de la plupart des montages optiques, en 50 manœuvres et 30 minutes, puis s'est réajusté automatiquement après le déplacement volontaire d'un composant pour maintenir l'intensité du faisceau. Les détails complets seront présentés à la conférence IROS (Intelligent Robots and Systems) ce mois-ci. Pour la photonique et les laboratoires de R&D, l'enjeu est de lever un goulot d'étranglement connu : le montage optique reste un geste artisanal, dépendant du savoir-faire individuel et peu reproductible. Un système fonctionnant sans fatigue, avec une constance que Vaidya juge supérieure au réglage "au feel" pratiqué par les humains, pourrait libérer du temps de recherche et accélérer les cycles d'expérimentation, promesse qu'une seule démonstration de 30 minutes ne suffit pas à établir à grande échelle. Le projet rejoint la tendance des laboratoires autopilotés ("self-driving labs"), déjà testée en chimie et en science des matériaux, ici appliquée à l'optique de précision où les tolérances se comptent en microns. Une interface cloud, si elle aboutit, permettrait à des chercheurs distants de soumettre des protocoles exécutés physiquement par le robot, utile pour tester plus vite des prototypes de caméras, écrans, cellules solaires ou casques AR/VR. Construire une seule expérience d'optique peut prendre des mois de positionnement manuel de miroirs et lentilles fragiles, d'où le choix de la cavité laser comme premier cas d'usage, composant quasi universel des montages optiques. L'équipe étend le système sur deux fronts : le matériel, pour élargir la gamme de composants manipulables, et l'interface cloud, pour l'exécution à distance de protocoles. Les chercheurs appliquent déjà leur plateforme à un usage concret hors laser, l'évaluation de matériaux candidats à la capture du carbone, en éclairant des échantillons avec une lumière calibrée pour mesurer leur absorption de CO2. Aucun partenaire industriel, prix ni calendrier de déploiement commercial n'est mentionné ; le système reste, à ce stade, un démonstrateur académique.

Recherche❖Paper

1 source

46

1797Interesting Engineering 

Robot humanoïde Digit 5 : 20 heures d'autonomie pour 9 minutes de charge, fabriqué aux États-Unis

Agility Robotics a dévoilé Digit 5 le 15 septembre 2026, un robot humanoïde de 1,80 mètre pesant 129 kg (284 livres), conçu pour déplacer des charges aux côtés d'employés dans des entrepôts et usines. Développé à Salem, dans l'Oregon, l'appareil peut soulever de façon répétée jusqu'à 23 kg (50 livres) et recharger sa batterie en neuf minutes, pour une autonomie de 90 minutes par cycle, ce qui permettrait en théorie plus de 20 heures de fonctionnement quotidien s'il retourne régulièrement à sa station de charge. Cette cinquième génération abandonne les jambes repliées vers l'arrière façon volatile de Digit 4 au profit d'une articulation plus humaine, actionnée par des vérins cycloïdaux propriétaires, qui augmente la capacité de charge de 40 % et permet au robot de s'agenouiller, de s'accroupir ou de s'asseoir pour couper ses moteurs en présence d'un opérateur. Son allonge passe de 1,68 à 2,20 mètres tout en restant assez compact pour franchir une porte standard. Le robot embarque 30 moteurs pilotés à environ 1 000 Hz, des caméras, capteurs de profondeur et centrales inertielles pour détecter les humains, ainsi que des préhenseurs interchangeables aux normes ISO. Nvidia est le premier partenaire de lancement pour la pile de sécurité, via les plateformes IGX Thor et Halos for Robotics. Agility revendique plus de 300 millions de dollars d'engagements conditionnels au 15 septembre 2026, un accès anticipé prévu au premier semestre 2027 et une disponibilité élargie ensuite, produite dans l'usine RoboFab de 6 500 m², dimensionnée pour 10 000 robots par an. L'annonce la plus significative pour les intégrateurs n'est pas le gabarit du robot mais sa procédure de certification: Agility affirme que Digit 5 est le premier humanoïde à passer une évaluation terrain selon les normes de sécurité industrielle OSHA, et l'entreprise participe à l'élaboration de standards de sécurité pour humanoïdes aux États-Unis, au Canada et via l'ISO. C'est ce verrou, plus que la puissance brute, qui conditionne le déploiement sans barrières physiques entre robots et travailleurs, condition posée par les clients eux-mêmes après trois ans d'usage réel de Digit 4. Le logiciel Agility Arc, qui orchestre Digit avec convoyeurs et robots mobiles autonomes, vise à faire d'une même machine un outil polyvalent, de la dépalettisation à la palettisation, plutôt qu'un robot à tâche unique. Ces chiffres restent toutefois déclaratifs et non audités indépendamment, et le calendrier annoncé, accès anticipé en 2027, reste une projection commerciale plutôt qu'un déploiement effectif. Agility Robotics, basée dans l'Oregon et connue pour sa lignée de robots bipèdes Cassie puis Digit, capitalise ici sur un retour d'expérience industriel réel plutôt que sur une simple démonstration en laboratoire, un argument censé la démarquer d'une partie du secteur où subsiste un écart entre vidéos promotionnelles et usage quotidien. Le champ concurrentiel reste dense, entre Figure et son Figure 03, Tesla et Optimus Gen 3, les plateformes Nvidia Isaac GR00T N2 et Apptronik/Helix, ou encore Boston Dynamics et 1X. Aucun acteur français ou européen n'apparaît dans cette annonce.

Humanoïdes⚡Actu

1 source

44

1798Robotics Business Review 

Arm Total Design pour l'IA physique réunit plus de 80 développeurs

Arm Holdings, entreprise britannique basée à Cambridge, a lancé le programme Arm Total Design for Physical AI, qui réunit plus de 80 entreprises couvrant l'ensemble de la chaîne technologique de l'IA physique, de la robotique aux véhicules autonomes. Parmi les membres déjà annoncés figurent AWS, ECARX, Hugging Face, Liquid AI, NXP, PlusAI, Psyonic, QNX, Qwen, Siemens et Unitree Robotics. Arm a également présenté un Robotics Capability Framework, une grille destinée à établir un langage commun pour décrire et comparer les capacités des robots. Ce cadre distingue six niveaux, numérotés de 0 à 5 : au niveau le plus bas, des robots réactifs qui exécutent des commandes selon des règles fixes ; au niveau le plus élevé, des systèmes dotés de comportements évolutifs capables d'apprendre et de s'auto-optimiser. Dermot O'Driscoll, vice-président en charge du go-to-market et des solutions client pour l'IA physique chez Arm, a expliqué au Robot Report que ce programme était né d'un constat fait à son arrivée sur ce segment en mars : l'absence d'un lieu où les entreprises pouvaient partager technologies et idées ou collaborer directement. Pour l'industrie robotique, cette initiative répond à un problème concret de fragmentation : un système robotique complet assemble généralement du matériel et des logiciels provenant de multiples fournisseurs, ce qui complique l'interopérabilité et ralentit les intégrations. En réunissant sous une même structure les acteurs des semi-conducteurs, du cloud, de l'actionnement et des capteurs, des frameworks logiciels, de la sécurité et de la robotique elle-même, Arm cherche à devenir un point de convergence pour valider plus tôt des systèmes interopérables. Pour les intégrateurs et décideurs B2B, le Robotics Capability Framework offre surtout un vocabulaire partagé pour situer un robot sur une échelle de maturité, un exercice jusqu'ici largement livré à la communication marketing de chaque fournisseur. Il s'agit toutefois d'une démarche de standardisation et de mise en réseau, pas d'un produit ou d'une technologie livrée : ni les six niveaux ni la liste des membres ne constituent un engagement technique vérifiable, et Arm dit explicitement vouloir les faire évoluer avec les retours du secteur. Cette initiative prolonge une méthode qu'Arm avait déjà testée dans l'écosystème cloud avec un programme Arm Total Design similaire, avant que O'Driscoll ne transpose l'approche à l'IA physique en constatant le même vide organisationnel. L'entreprise, dont l'architecture de processeurs équipe déjà une large part des puces embarquées dans les objets connectés et les systèmes robotiques, cherche ainsi à consolider sa position d'infrastructure neutre plutôt que de concurrent frontal des fabricants de robots. Aucun acteur français ou européen de la robotique humanoïde ou logistique n'est cité parmi les membres annoncés à ce stade. Arm indique vouloir associer davantage d'entreprises au programme et affiner les six niveaux du Robotics Capability Framework au fil des contributions du secteur, sans calendrier précis ni étape de déploiement communiquée pour l'instant.

Infrastructure⚡Actu

1 source

46

1799Pandaily 

La robotique industrielle chinoise évolue vers une structure de capacités domestiques

Le marché chinois des robots industriels a basculé en cinq ans : les marques domestiques sont passées de moins de 30% des unités vendues en Chine vers 2020 à environ 55% en 2025, selon les données compilées par MIR DATABANK et reprises dans les documents d'Estun. Estun revendique environ 33 400 unités de robots industriels livrées en 2025, soit près de 10% du marché, et affirme avoir pris la première place toutes marques confondues en Chine, un chiffre qui reste une déclaration de l'entreprise elle-même. Inovance suit avec environ 9,2% de part de marché globale et près de 25% du segment SCARA, en s'appuyant sur sa position de leader des servo-variateurs généralistes. Les deux groupes construisent des chaînes verticales complètes : Estun couvre les contrôleurs de mouvement et servomoteurs jusqu'aux corps de robots et postes de travail, tandis qu'Inovance part des servo-variateurs et contrôleurs pour aller vers les bras SCARA, les six-axes et la vision industrielle. Cette montée en puissance s'appuie sur la localisation des composants clés : selon les chiffres cités par GGII, la part chinoise des réducteurs RV et harmoniques ainsi que des servomoteurs a fortement progressé jusqu'en 2024. Sur le terrain, les fabricants chinois dominent déjà les six-axes à charge légère, le soudage, la palettisation et les cobots, avec une répétabilité statique annoncée entre ±0,02 et ±0,03 mm sur certains bras de milieu de gamme, tandis que les lignes d'assemblage carrosserie complètes et les équipements semi-conducteurs avancés restent le domaine des solutions Fanuc, ABB et Kuka certifiées depuis des décennies, appuyées sur des suites de programmation hors ligne comme ROBOGUIDE, RobotStudio et KUKA.Sim. Ce basculement dépasse la simple guerre des prix : il révèle un écart de compétences qui se resserre secteur par secteur plutôt qu'un basculement financier global. Les fournisseurs domestiques captent les nouvelles lignes de production dans les batteries au lithium, le photovoltaïque, l'électronique grand public et les cellules sensibles aux coûts, pendant que les logiciels de procédés pour l'automobile haut de gamme et les semi-conducteurs avancés restent le point de résistance des quatre familles historiques. Pour les intégrateurs et les décideurs industriels, le signal clé n'est donc pas la part de marché brute mais la nature des lignes gagnées : changer de marque de robot implique de migrer des programmes, un savoir-faire process et des habitudes d'ingénieurs, pas seulement remplacer un bras articulé. Les premières commandes de soudage par points en carrosserie décrochées par Estun marquent une première fissure dans ce mur protégé, et la suite dépendra moins du nombre d'axes ou du prix affiché que de la profondeur des bibliothèques de procédés et des outils de simulation proposés. Cette progression chinoise s'inscrit dans une décennie de rattrapage sur les composants critiques, longtemps le verrou technologique qui maintenait Fanuc, ABB, Yaskawa et Kuka en position dominante malgré leur base installée mondiale considérable. La localisation des réducteurs et des servomoteurs, associée à l'intégration verticale menée par Estun et Inovance, a permis aux acteurs chinois de dépasser 50% de part unitaire sur le marché domestique en l'espace de cinq ans. Estun et Inovance se positionnent désormais comme les deux têtes de file de cette offre nationale, chacun construisant sa propre pile technologique plutôt que de se contenter d'assembler des composants importés. La prochaine étape à surveiller est la capacité de ces fournisseurs à transformer leurs premiers succès en carrosserie automobile et leur avance sur les segments de charge légère en une percée durable dans les segments premium de l'automobile complet et des semi-conducteurs avancés, là où les suites logicielles et les bibliothèques d'application des quatre familles historiques restent, pour l'instant, l'avantage décisif.

Chine/Asie❧Opinion

1 source

41

1800Pandaily 

Light Origins ouvre le code source de LightNav-0, son cerveau de navigation généraliste

Light Origins a publié en open source LightNav-0, un modèle de navigation généraliste compact bâti sur un socle Qwen3-VL-4B, avec poids, code, rapport technique et kit d'évaluation INSIGHT-Bench, sous licence Apache 2.0 (GitHub lightorigins/LightNav-0, Hugging Face LightOriginsHQ/LightNav-0). Le modèle partage une interface à token unique pour le suivi d'instructions, la navigation vers des objets en vocabulaire ouvert et le suivi visuel, sans têtes de prédiction dédiées par tâche. Son entraînement repose sur un pipeline Real2Sim2Real convertissant plus de 2000 scènes réelles glanées sur internet en simulateurs réutilisables, générant plus de 4000 heures de données vision-langage-action, avant trois phases d'apprentissage (pré-entraînement de raisonnement incarné, fine-tuning supervisé sur trajectoires alignées, puis renforcement en ligne) et une randomisation de la hauteur, du champ de vision et de l'inclinaison de caméra. Light Origins affirme que sa version monoculaire RGB arrive première parmi les méthodes à caméra unique sur dix bancs d'essai (VLN-CE, navigation d'objets sur Matterport3D/HM3D, HM3D-OVON, suivi EVT-Bench), tout en restant compétitive face aux systèmes panoramiques, via des tokens de pointage spatial et un tokenizer d'action à quantification vectorielle résiduelle générant des séquences de dix points de passage avec une erreur de reconstruction centimétrique selon les propres tests de l'équipe. Des démonstrations zero-shot transfèrent le même modèle sur des robots humanoïdes, quadrupèdes, à roues et aériens, en intérieur comme en extérieur, jusqu'au suivi dans une rue encombrée. Pour l'industrie robotique, l'intérêt ne tient pas tant au score de navigation qu'à la démonstration d'une boucle reproductible: scènes réelles vers simulation, puis retour vers des corps hétérogènes, ce qui pourrait réduire la dépendance à la téléopération pour collecter des données de navigation. La publication complète sous licence permissive tranche avec des modèles VLA plus fermés comme Pi-0 de Physical Intelligence, GR00T N2 de Nvidia ou Helix de Figure, et donne aux intégrateurs une base testable plutôt qu'une démonstration fermée. Le fait qu'un même checkpoint pilote sans réentraînement des humanoïdes, quadrupèdes, plateformes à roues et drones appuie l'idée qu'un cerveau de navigation générique et transférable entre morphologies est atteignable, hypothèse encore débattue dans le secteur. Il faut cependant nuancer les chiffres avancés: le classement sur dix bancs d'essai et l'erreur de reconstruction centimétrique proviennent des propres évaluations et ablations de Light Origins, sans validation indépendante rapportée, ce qui invite à traiter ces résultats comme des annonces à confirmer plutôt que des faits établis. LightNav-0 s'inscrit dans la vague des modèles vision-langage-action ouverts qui cherchent à concurrencer des systèmes propriétaires en misant sur la reproductibilité et l'adoption communautaire plutôt que sur la démonstration marketing. L'article ne mentionne aucun acteur français ou européen ni de partenariat de déploiement industriel; la comparaison implicite se fait avec des laboratoires et fabricants positionnés sur la navigation et la manipulation par VLA, tels que Physical Intelligence ou Nvidia. Aucun calendrier de pilote commercial n'est communiqué: les artefacts sont disponibles immédiatement, ouvrant la voie à des fine-tunings communautaires sur de nouvelles morphologies plutôt qu'à un déploiement annoncé chez un client.

IA physique❧Opinion

1 source