Actualités robotique — page 37

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

35

1801Pandaily 

Scalabot HERON-CRA ajoute une mémoire contextuelle et un moteur d'apprentissage par renforcement pour le contrôle incarné

Songyan Dynamics, via sa marque d'intelligence incarnée Scalabot, a publié HERON-CRA (Context Reinforcement Action Model), second modèle de sa pile HERON après le HERON-World Model dévoilé une semaine plus tôt. Trois briques composent le système : un Context Expert qui encode l'historique multimodal en tokens spatio-temporels 4D pour conditionner la politique sur plus d'une minute de contexte passé, au-delà de la seule image courante ; un RL Engine, acteur-critique résiduel léger qui réutilise les clés et valeurs figées du Context Expert pour corriger les dérives de l'imitation pure ; et un pré-entraînement cross-embodiment mélangeant téléopération, simulation, données de type UMI et vidéos humaines à la première personne, sur des bras, des plateformes à roues, des pinces et des mains dextres. Sur une tâche de pliage de chaussette, Scalabot rapporte un taux de réussite passant de 38,5% avec une base purement imitative à 97,8% une fois le RL Engine activé. D'autres vidéos montrent une séquence longue de préparation de café (mouture, versement de lait) bouclée en moins de 30 secondes, un transfert de compétences entre un bras ARX et l'humanoïde à roues Noetix M1, ainsi qu'une reprise après déplacement d'une tasse en cours de préhension et la poursuite de certains mouvements lors d'occlusions visuelles brèves. Pour les intégrateurs et décideurs B2B de la robotique, l'annonce cible le point faible récurrent des modèles vision-langage-action : la manipulation à horizon long, où le clonage de comportement dérive dès que la tâche s'étire dans le temps ou que l'environnement varie légèrement. En combinant mémoire contextuelle et RL résiduel plutôt qu'imitation pure, Scalabot cherche à combler l'écart entre démonstration et déploiement réel, un écart que le secteur a souvent minimisé dans ses communications. Le saut de 38,5% à 97,8% de réussite, s'il se vérifie hors laboratoire, validerait cette hypothèse ; le transfert de compétences entre un bras fixe et un humanoïde à roues constitue par ailleurs un signal concret sur la portabilité inter-corps, enjeu clé pour amortir les coûts d'entraînement sur plusieurs plateformes matérielles. Ces chiffres restent néanmoins issus de communications de l'entreprise, appuyés sur des vidéos vraisemblablement sélectionnées et sans protocole indépendant publié ; des équipes tierces devront reproduire les résultats du pliage de chaussette et de la séquence café sur leur propre matériel avant de les tenir pour acquis. HERON-CRA s'inscrit dans une pile modulaire amorcée avec HERON-World Model, utilisé ici pour simuler des trajectoires imaginées sans risque matériel supplémentaire ; Context Expert et Action Expert sont entraînés comme un mélange de transformers, complété d'un modèle de valeur à contraintes de différence temporelle. Ce chantier place Scalabot, marque de Songyan Dynamics, dans la compétition mondiale des modèles fondation pour la robotique incarnée, aux côtés de Physical Intelligence (Pi-0), NVIDIA (GR00T N2), Figure AI (Helix) et des programmes humanoïdes type Optimus. Aucun acteur français ou européen n'apparaît dans cette annonce. La suite dépendra de la capacité de Scalabot à faire valider ces résultats par des tiers et à préciser un calendrier de déploiement pilote : l'entreprise n'a pour l'instant communiqué que des démonstrations vidéo et des chiffres internes, sans date de disponibilité commerciale ni partenaire industriel nommé.

IA physique⚡Actu

1 source

34

1802Robot Magazine FR 

Évolutivité des systèmes automatisés de stockage et de distribution

Rollon, fabricant de guidage linéaire, a détaillé un projet mené avec l'intégrateur de systèmes robotisés Turn-Key Solutions (TKS) pour un système automatisé de stockage et de prélèvement. Selon Sébastien Richard, responsable commercial France de Rollon, le cahier des charges imposait à deux préhenseurs de déplacer des pièces sur une course verticale de 9 mètres et une course horizontale de plus de 18 mètres, en fonctionnement continu et à haute fréquence. Les charges à manipuler atteignaient 136 kg, avec une précision de positionnement spécifiée à 1,5 mm. Pour répondre à ces contraintes, Rollon a recommandé son axe linéaire à courroie ROBOT 220, un produit déjà présent à son catalogue et non une nouveauté, retenu en particulier pour l'axe de levage vertical fonctionnant en continu à haute fréquence. Ni la localisation du site ni la date de mise en service ne sont précisées, et aucun temps de cycle chiffré n'est communiqué au-delà de la mention d'un fonctionnement à haute fréquence. L'intérêt de ce cas pour les intégrateurs et décideurs industriels tient moins à une avancée technologique qu'à un rappel opérationnel : dans les systèmes de stockage et de prélèvement automatisés, l'axe linéaire est souvent traité comme un composant secondaire alors qu'il conditionne directement la fiabilité et le débit de toute la cellule sur la durée. Sur le marché français, Rollon dit observer une dérive récurrente des cahiers des charges vers des charges plus lourdes et des courses plus longues sans relâchement sur la précision, ce qui pousse les intégrateurs à requalifier des architectures pensées au départ pour du simple pick-and-place. Le propos, à forte teneur commerciale puisqu'il émane du fournisseur du composant recommandé, se lit davantage comme une étude de cas fournisseur que comme une validation indépendante : aucun concurrent n'est cité, aucune donnée de performance comparative n'est fournie, et les chiffres avancés (9 m, 18 m, 136 kg, 1,5 mm) ne sont pas rapportés à un temps de cycle mesuré. Rollon se positionne comme partenaire de conception en amont plutôt que comme simple fournisseur de catalogue : selon Sébastien Richard, le choix de l'actionneur à longue course et forte charge doit être intégré dès la conception de la cellule, au même titre que le cycle de fonctionnement, le risque de contamination et l'accès pour la maintenance, plutôt que d'être adapté après coup. Cette approche s'inscrit dans un dialogue continu entre Rollon et les intégrateurs français bien avant la phase de construction des projets, plus qu'un lancement ponctuel. Aucun autre fournisseur de guidage linéaire n'est cité en comparaison, et aucun calendrier de déploiement supplémentaire ou de nouveau pilote n'est annoncé au-delà de ce projet mené avec TKS, ce qui situe le texte du côté du retour d'expérience commercial plutôt que de l'annonce produit ou du déploiement à grande échelle.

Industriel⚡Actu

1 source

44

1803arXiv cs.RO 

OmniPlanner : planification universelle de trajectoires d'exploration et d'inspection pour robots de toutes morphologies

Des chercheurs de l'Autonomous Robots Lab de la Norwegian University of Science and Technology (NTNU) ont publié une version révisée d'OmniPlanner, un framework de planification de trajectoire (arXiv:2603.04284v2) unifiant l'exploration et l'inspection autonomes pour robots aériens, terrestres et sous-marins dans une seule architecture logicielle. Le système combine exploration volumétrique, inspection par points de vue et comportements d'atteinte de cible, pilotés par une couche d'abstraction de plateforme qui encapsule les contraintes propres à chaque morphologie: perception embarquée, franchissabilité du terrain, dynamique de déplacement. Cette abstraction permet de réutiliser la même stratégie de planification d'un drone à un robot roulant puis à un véhicule sous-marin, avec un minimum de réglage spécifique. Le système a été validé en simulation puis sur le terrain dans cinq types d'environnements: mines souterraines, installations industrielles, forêts, bunkers sous-marins et sites extérieurs structurés. Le code source est publié en libre accès sur GitHub (branche gbplanner3 du dépôt gbplannerros), avec des vidéos de démonstration sur le site du projet. La plupart des planificateurs pour l'exploration et l'inspection restent conçus pour un seul domaine de mobilité, obligeant les intégrateurs à maintenir des piles logicielles distinctes par type de robot déployé sur un même site. En montrant qu'une architecture unique couvre l'air, le sol et le sous-marin avec des gains mesurés face à des méthodes de référence, OmniPlanner s'attaque à ce coût de fragmentation, un enjeu concret pour les opérateurs combinant drones, robots au sol et véhicules sous-marins autonomes sur un chantier d'inspection industrielle. Cela reste toutefois un livrable de recherche publié sur arXiv, non un produit commercial package: les gains annoncés proviennent des expérimentations propres des auteurs et n'ont pas été benchmarkés de façon indépendante. Le nom du dépôt publié, gbplannerros et sa branche gbplanner3, situe OmniPlanner dans la lignée de GBPlanner, l'outil d'exploration développé de longue date par ce même laboratoire NTNU ARL, dirigé par Kostas Alexis et connu pour ses travaux via l'équipe CERBERUS lors du DARPA Subterranean Challenge, remporté en 2021 avec une flotte mixte de robots terrestres et aériens explorant des environnements souterrains. OmniPlanner étend cette base à un troisième domaine, le sous-marin, dans un cadre pensé nativement multi-morphologie plutôt qu'adapté après coup. Le papier ne mentionne aucun partenaire industriel ni feuille de route commerciale: sa diffusion reste académique, via publication, code ouvert et vidéos de démonstration.

Recherche❖Paper

1 source

43

1804arXiv cs.RO 

RecMorph : récurrence spatiale guidée par la topologie pour un contrôle généralisé de la morphologie

Une équipe de recherche présente RecMorph, une architecture récurrente guidée par la topologie pour le contrôle généralisé de morphologies robotiques, détaillée dans un article arXiv (2609.18359) et publiée en code ouvert sur GitHub (quanruirao/RecMorph). La méthode convertit l'arbre cinématique du robot en séquence via un parcours en profondeur, le long duquel des transitions bidirectionnelles partagées transforment les informations de chaque membre avant le décodage de l'action, à complexité linéaire en tokens. Sur cinq tâches du benchmark UNIMAL, RecMorph obtient la meilleure performance d'entraînement et le meilleur débit d'inférence parmi les contrôleurs testés, et généralise à des corps inédits jusqu'à 30 membres. Transposé à quatre plateformes quadrupèdes physiques, il réduit l'erreur de vélocité (RMSE) de 43,5% face à des MLP spécialisés par robot, et une politique unique a mené 40 essais sur des Unitree Go1 et Go2 sans chute. L'enjeu pour les intégrateurs est d'éviter d'entraîner un contrôleur distinct par morphologie dès qu'une flotte mêle bras, quadrupèdes ou corps aux rôles physiques différents. Les mécanismes de communication inter-membres existants, réseaux de graphes ou transformers, ne traitaient que partiellement la coordination du mouvement corps entier et l'efficacité à mesure que le corps grandit. En unifiant communication et transformation de représentation dans un calcul récurrent à complexité linéaire, RecMorph montre qu'une politique généraliste unique peut égaler, voire dépasser, des contrôleurs spécialisés par plateforme, contredisant l'idée que la généralisation de morphologie se paie par une perte de performance. Le transfert réussi de corps simulés vers des robots physiques réels, sans chute sur 40 essais, confirme la viabilité du sim-to-real pour ce type d'architecture. Le travail s'inscrit dans la lignée du benchmark UNIMAL, un ensemble de corps procéduraux conçu pour tester la généralisation à travers des morphologies variées, face à des approches antérieures par graphes ou attention et aux MLP spécialisés par robot utilisés en référence. Les auteurs ont migré ces contrôleurs vers un environnement quadrupède à quatre plateformes physiques, dont les Unitree Go1 et Go2, pour vérifier que les gains simulés tiennent hors laboratoire. Code et données étant publiés en accès libre sur GitHub, la suite logique consiste à étendre ces résultats à d'autres familles de robots, sans pilote industriel ni déploiement commercial annoncé à ce stade.

Recherche❖Paper

1 source

43

1805arXiv cs.RO 

Toutes les couches ne nécessitent pas d'ajustement : diagnostiquer et orienter l'adaptation des modèles vision-langage-action

Un article publié sur arXiv (référence 2609.18084) teste cinq modèles Vision-Language-Action de tailles très différentes, de 93 millions à 7 milliards de paramètres : OpenVLA-OFT, Pi-0, SmolVLA, DTP et Octo. Les auteurs montrent qu'un changement d'apparence visuelle pèse surtout sur l'encodeur visuel, qu'un changement de formulation des instructions pèse sur le module langage, et qu'un objet inédit sollicite l'encodeur visuel et la tête d'action, un schéma constant sur les cinq architectures. Leur pipeline diagnostique ces besoins à partir de dix images non annotées du nouvel environnement, sans fine-tuning préalable, en combinant gradient, Monte Carlo Dropout et un score de Centered Kernel Alignment, avec une corrélation de Spearman médiane de 0,91, avant de répartir un budget de paramètres en adaptateurs LoRA à rang variable, gelant les régions déjà calibrées. Sur les benchmarks LIBERO et CALVIN, cette allocation ciblée égale ou dépasse un LoRA uniforme à chaque budget testé, et sur un bras robotique xArm-7, elle atteint les performances d'un fine-tuning complet avec seulement 0,04% des paramètres entraînables lors d'un changement de formulation des instructions. Sur cinq scènes inédites évaluées sans réentraînement, elle devance toutes les méthodes comparées avec 11 à 23 réussites sur 30 essais, contre 8 à 18 pour la meilleure alternative à budget équivalent et seulement 2 à 11 pour le fine-tuning complet. Pour les intégrateurs qui redéploient un VLA sur un nouveau site, l'intérêt est direct : cibler les couches qui comptent selon le type de changement, décor, consigne ou objet, évite de réentraîner un modèle entier ou d'appliquer des adaptateurs uniformes coûteux en calcul. Ce travail prolonge les méthodes d'adaptation à budget réduit comme LoRA, déjà utilisées pour spécialiser des modèles de langage, en les appliquant ici région par région à des VLA issus de laboratoires distincts, OpenVLA, Pi-0 (Physical Intelligence) ou Octo. Les résultats, obtenus en simulation sur LIBERO et CALVIN et validés sur un seul bras physique, restent à confirmer sur des humanoïdes ou des flottes en usine. Les auteurs présentent leur diagnostic comme exploitable avant même de lancer un entraînement, sans toutefois annoncer de calendrier ni de partenaire industriel pour une mise en production.

Recherche❖Paper

1 source

42

1806arXiv cs.RO 

Au-delà de la similarité pixel : évaluation orientée tâche de données sonar synthétiques par GAN pour la perception robotique

Une étude publiée en septembre 2026 sur arXiv (2609.18100) interroge une pratique de plus en plus répandue en robotique : générer des données sonar synthétiques par IA générative pour entraîner des systèmes de perception, sans vérifier si les métriques classiques de qualité d'image garantissent une réelle utilité pour les tâches embarquées. Les auteurs testent un GAN conditionnel de type Pix2Pix décliné en quatre configurations de discriminateur, PixelGAN, PatchGAN-16, PatchGAN-70 et ImageGAN, qui diffèrent par la taille du champ réceptif utilisé pour juger le réalisme des images générées. Entraînés sur deux jeux de données sonar réels, les modèles sont évalués à la fois avec les métriques d'image classiques, SSIM, PSNR et MSE, et par une évaluation orientée tâche : trois détecteurs d'objets, YOLOX-S, YOLOX-L et Faster R-CNN, entraînés uniquement sur des images sonar réelles, sont ensuite testés sur les images synthétiques générées par chaque configuration, avec les mêmes échantillons et annotations. Le résultat central est une divergence nette entre les deux types d'évaluation : la configuration qui obtient les meilleurs scores SSIM, PSNR et MSE n'est pas celle qui produit les meilleures performances de détection d'objets en aval. Les configurations PatchGAN, en particulier, se montrent solides pour la détection malgré des scores de fidélité pixel inférieurs. Pour les équipes robotique qui misent sur les données synthétiques afin de réduire le coût de collecte et d'annotation de capteurs sonar, ce constat invalide l'idée qu'un score de similarité visuelle élevé suffit à garantir des données exploitables par un modèle de perception. Il plaide pour une évaluation systématiquement "task-aware", c'est-à-dire testée sur la tâche réelle, plutôt que fondée sur la seule ressemblance pixel. Cette question s'inscrit dans un problème plus large de la robotique sous-marine et de l'inspection par capteurs acoustiques, où les données réelles sont rares, coûteuses et difficiles à annoter, poussant au recours croissant aux GANs conditionnels pour combler les manques. Le papier ne présente pas de produit ni de déploiement industriel : il s'agit d'un travail méthodologique dont les auteurs eux-mêmes limitent la portée aux jeux de données et modèles testés, appelant à généraliser cette approche d'évaluation à d'autres capteurs robotiques.

Recherche❖Paper

1 source

42

1807arXiv cs.RO 

NanoBench : un jeu de données multitâche pour l'identification, le contrôle et l'estimation d'état des nano-quadrirotors

NanoBench est un jeu de données benchmark open-source multitâches consacré aux nano-quadrotors, construit à partir du Crazyflie 2.1, plateforme commerciale de 27 grammes au décollage, testée dans une arène équipée d'un système de capture de mouvement Vicon à précision millimétrique. Le dataset regroupe 172 enregistrements de vol répartis en trois catégories : excitation multi-fréquence, suivi de trajectoires géométriques à trois régimes de vitesse, et vol stationnaire longue durée jusqu'à décharge complète de la batterie. Chaque enregistrement synchronise, par corrélation gyroscopique sur une grille de recherche de 1 milliseconde, la vérité terrain Vicon, les données IMU brutes, les estimations du filtre de Kalman étendu embarqué, les variables internes du contrôleur PID et les commandes PWM des moteurs, échantillonnées à 100 Hz, ainsi que la télémétrie batterie à 10 Hz. Le papier, publié sur arXiv (2603.09908v2, version révisée), définit des protocoles d'évaluation standardisés, des répartitions train/test et des lignes de base open-source pour trois tâches : identification de système non linéaire, benchmarking de contrôleurs en boucle fermée, et évaluation de l'estimation d'état embarquée. L'enjeu tient au vide identifié dans les benchmarks aériens existants, calibrés sur des véhicules de plusieurs centaines de grammes à quelques kilogrammes et limités à des données d'état de haut niveau. À l'échelle nano, l'aérodynamique à faible nombre de Reynolds, les non-linéarités des moteurs DC sans noyau et les contraintes de calcul embarqué sévères invalident les modèles et contrôleurs conçus pour des drones plus lourds, sans qu'aucun jeu de données public ne permette jusqu'ici de les recaler avec des signaux au niveau actionneur. Selon les auteurs, NanoBench est le premier dataset public à réunir commandes moteurs, variables internes de contrôleur et sorties d'estimateur avec une vérité terrain millimétrique sur une plateforme nano-aérienne commerciale, ce qui en fait une référence potentielle pour la recherche en contrôle et estimation d'état appliquée aux essaims de micro-drones ou à l'inspection en espaces confinés. Le choix du Crazyflie 2.1 comme plateforme de référence s'explique par son statut de standard de facto dans les laboratoires de robotique aérienne, en raison de son faible coût et de sa large diffusion, ce qui permet une reproductibilité directe des résultats sans matériel propriétaire. La mention "replace" sur arXiv signale une version révisée d'un travail déjà soumis. Les auteurs annoncent la mise à disposition ouverte du dataset complet, des protocoles d'évaluation et des baselines, posant les bases d'une comparaison future des méthodes de modélisation, de contrôle et d'estimation d'état spécifiques aux nano-quadrotors, un segment jusqu'ici sous-desservi par les benchmarks génériques de la robotique aérienne.

Recherche❖Paper

1 source

42

1808arXiv cs.RO 

Passage à l'échelle de l'apprentissage du mouvement aligné à la scène pour la traversée perceptive d'environnements encombrés par un humanoïde

Un preprint arXiv (2609.18732v1) publié mi-septembre 2026 présente PASSAGE, un système de planification et de suivi de mouvement conditionné par la perception, pour des robots humanoïdes traversant des environnements encombrés en enjambant, contournant ou se baissant devant les obstacles. Entraîné sur 100 heures de mouvements humains captés en réalité virtuelle et par capture inertielle sur 1500 scènes, un planificateur par flow-matching génère des trajectoires courtes exécutées à 50 Hz par un contrôleur corps entier avec retour géométrique, puis affiné par apprentissage par renforcement, contrôleur figé. Passer de 6 à 100 heures de données porte le taux de succès sans contact de 48,1% à 68,9% sur des scènes inédites, jusqu'à 70,3% avec augmentation de scène validée. Le système fonctionne entièrement en embarqué sur un Jetson AGX Orin, avec LiDAR 3D, cartographie en ligne, planification à 6,25 Hz et contrôle à 50 Hz, testé sur 50 configurations physiques inédites sans carte préconstruite ni calcul déporté. Le résultat s'attaque à un verrou du déploiement humanoïde hors laboratoire : choisir et enchaîner, depuis la seule perception embarquée, le bon comportement de franchissement selon la géométrie rencontrée, sans bibliothèque de mouvements ni récompense spécifique à chaque obstacle. Une seule paire planificateur-contrôleur généralise ici à des géométries jamais vues, ce qui va dans le sens d'un passage à l'échelle des données de démonstration plutôt que de l'ingénierie tâche par tâche, comme le montrent déjà les modèles vision-langage-action en manipulation tels que Pi-0, GR00T N2 ou Helix. Ce travail illustre un basculement de la recherche humanoïde, concentrée jusqu'ici sur la manipulation avec les modèles vision-langage-action, vers la locomotion en environnement non structuré, restée en retrait malgré la course menée par Figure, Tesla ou Unitree. Le choix du flow-matching pour générer les trajectoires prolonge une tendance déjà observée après les modèles de diffusion. Le preprint ne précise ni plateforme robotique commerciale ni entreprise porteuse : il reste, à ce stade, un résultat de recherche testé en simulation et sur un nombre limité de configurations physiques réelles, sans calendrier de transfert vers un produit. Aucun acteur français ou européen n'y figure.

Recherche❖Paper

1 source

41

1809arXiv cs.RO 

FIERCE : des politiques robotiques généralistes à des spécialistes rapides via retour de progression-échec

Une équipe de chercheurs présente FIERCE (From Generalist Robot Policies to Fast Specialists via Progress-Failure Feedback), une méthode d'apprentissage par renforcement décrite dans un préprint publié sur arXiv le 17 septembre 2026 (arXiv:2609.18651v1). Le système part d'une politique robotique généraliste déjà entraînée et l'affine en un modèle spécialiste compact grâce à un évaluateur unique de progrès et d'échec, adapté à la tâche cible. Son architecture partage une représentation observation-langage entre une tête qui mesure la progression observée et un prédicteur latent conditionné à l'action, dont les sorties passées et présentes alimentent une tête séquentielle causale chargée d'estimer le risque d'échec de la tâche. Cet évaluateur est entraîné par supervision conjointe à partir d'étiquettes de progrès et de préférence, de commandes et observations synchronisées, et de résultats terminaux, puis calibré sur des essais réels de la tâche visée. Des versions figées de cet évaluateur fournissent ensuite un signal de progression et une pénalité de risque d'échec, combinés à des récompenses terminales vérifiées indépendamment, pendant que politique et évaluateur sont mis à jour en alternance. Seul le modèle spécialiste compact est conservé au déploiement final. Les auteurs mettent le code, les poids du modèle et des outils de restauration de données à disposition sur GitHub (ar-mine/FIERCE). L'intérêt de cette approche est qu'elle évite deux écueils classiques du passage d'une politique généraliste à un usage industriel concret : la nécessité d'un simulateur dédié à chaque nouvelle tâche, et l'ingénierie manuelle de récompenses denses, souvent coûteuse et fragile. En supprimant aussi le besoin d'interroger en continu le modèle généraliste pendant l'affinage, FIERCE réduit le coût d'adaptation d'un modèle de type VLA (vision-langage-action) à une tâche précise, un point sensible pour les intégrateurs qui cherchent à déployer des politiques robustes sur du matériel réel sans multiplier les cycles de collecte de données. Le travail s'inscrit dans la tendance actuelle des politiques robotiques généralistes préentraînées, dont l'efficacité réelle sur des tâches spécifiques reste souvent difficile à vérifier au-delà des démonstrations. Les auteurs testent leur méthode en simulation ainsi que sur deux tâches réelles à contacts riches, un périmètre volontairement restreint qui invite à la prudence avant toute généralisation à plus grande échelle ou à d'autres familles de robots.

Recherche⚡Actu

1 source

41

1810arXiv cs.RO 

ForwardDLO : appariement bimanuel de forme pour objets linéaires déformables non contraints

Des chercheurs en robotique, dont l'identité reste masquée dans le cadre d'une soumission en double aveugle (arXiv:2609.18455), présentent ForwardDLO, un modèle de dynamique latente récurrent destiné à la manipulation bimanuelle d'objets linéaires déformables non fixés, cordes ou câbles posés librement sur une surface, que deux bras robotiques peuvent saisir et déplacer en n'importe quel point de leur longueur. Le modèle prédit à chaque pas de temps le déplacement de chaque segment de la corde à partir de son état observé, sans opérations explicites de segment à segment, ce qui rend son évaluation par lots peu coûteuse en calcul. En prédiction en boucle ouverte sur des mouvements réels de corde, il atteint la plus faible erreur parmi les modèles appris testés, 13% sous la meilleure référence. Dans un budget de temps fixe, il évalue de 8 à 22 fois plus d'actions candidates que des modèles de précision comparable, tout en égalant leurs résultats en mise en forme réelle de corde. Sur une tâche simulée de routage de câble à 30 Hz, ce débit supérieur se traduit par 98% de réussite contre 30% au maximum pour les modèles de référence à budget égal. Les auteurs publient le modèle, le code et un jeu de données de 2,42 millions de transitions simulées et 14 107 transitions réelles. L'enjeu pour l'industrie robotique tient moins à la précision brute qu'au goulot d'étranglement du calcul : manipuler une corde ou un câble non contraint implique un espace d'actions combinatoirement immense, et c'est le coût de chaque prédiction qui limite ce qu'un planificateur peut explorer en temps réel. En gagnant un facteur de 8 à 22 en débit de recherche d'actions à précision égale, ForwardDLO s'attaque directement à cette limite, pertinente pour le routage de câbles, l'assemblage de harnais électriques, le démêlage ou la suture chirurgicale assistée. Il faut toutefois noter que le résultat le plus spectaculaire, 98% contre 30% de réussite, provient d'une tâche de routage simulée et non d'un déploiement physique validé sur robot réel, ce qui appelle une lecture prudente au-delà des essais réels de mise en forme de corde. La manipulation d'objets linéaires déformables reste un défi de longue date en robotique, les approches précédentes reposant souvent sur des modèles de dynamique coûteux, notamment des réseaux de graphes modélisant explicitement les interactions entre segments, ce qui limite le nombre d'actions évaluables par unité de temps. ForwardDLO s'en distingue par un choix architectural qui sacrifie cette granularité explicite pour gagner en vitesse sans perdre en précision. Le statut de soumission anonyme suggère un article en cours d'évaluation pour une conférence en double aveugle, avec publication complète du code et des données prévue à la levée de l'anonymat.

Recherche❖Paper

1 source

41

1811arXiv cs.RO 

Moteur de perception visuelle : inférence multi-têtes rapide et flexible pour la vision robotique

Une équipe de recherche en robotique a publié sur arXiv (2508.11584v3) une nouvelle version de Visual Perception Engine (VPEngine), un framework open source qui exécute plusieurs tâches de vision robotique en parallèle sur un seul GPU embarqué. Plutôt que de faire tourner un modèle séparé par tâche, ce qui duplique l'extraction de caractéristiques d'image, VPEngine calcule une seule fois la représentation via un backbone de fondation partagé, DINOv2, puis la distribue, sans transfert mémoire GPU-CPU superflu, à plusieurs têtes spécialisées tournant simultanément: dans l'implémentation de démonstration, profondeur, détection d'objets et segmentation sémantique. Les auteurs rapportent jusqu'à 3x d'accélération face à une exécution séquentielle. Bâti sur CUDA Multi-Process Service (MPS) de NVIDIA, le framework garde une empreinte mémoire constante et permet d'ajuster la fréquence d'inférence de chaque tâche en cours d'exécution. Écrit en Python avec des bindings ROS2 C++ pour Humble, il atteint au moins 50 Hz de bout en bout sur une carte NVIDIA Jetson Orin AGX avec des modèles optimisés TensorRT. Cette approche cible un point de friction concret pour les intégrateurs robotiques: la plupart des piles de perception embarquées empilent des modèles indépendants pour la détection, la segmentation ou la profondeur, chacun recalculant sa propre extraction de caractéristiques et saturant la mémoire et le calcul limités d'une carte type Jetson. En mutualisant le backbone plutôt qu'en juxtaposant des processus, VPEngine montre qu'il est possible de cumuler plusieurs capacités de perception en temps réel sans multiplier le matériel, un enjeu direct pour les robots mobiles et humanoïdes déjà contraints en énergie et en calcul embarqué. Le résultat conforte l'hypothèse selon laquelle un backbone de fondation peut servir de tronc commun réutilisable pour plusieurs tâches downstream, réduisant le coût d'ingénierie face à des modèles spécialisés empilés. Il s'agit toutefois d'un framework de recherche évalué sur une implémentation à trois têtes, pas d'un produit déployé en flotte, et le gain de 3x reste propre à cette configuration précise. VPEngine s'inscrit dans une tendance plus large de la recherche robotique visant à rationaliser des piles de perception embarquée où la multiplication des tâches sur du matériel contraint, typiquement les cartes Jetson de NVIDIA, pousse vers des architectures mutualisées plutôt qu'une simple addition de modèles indépendants. Le choix de DINOv2, modèle de fondation pour la vision développé par Meta, comme backbone partagé illustre ce basculement vers la réutilisation de représentations d'image génériques plutôt que l'entraînement de modèles spécialisés bout en bout par tâche. En diffusant le code en open source avec des bindings ROS2 C++ compatibles Humble, l'équipe cible directement la communauté robotique déjà équipée de cette pile logicielle standard, facilitant une adoption sur des plateformes robotiques variées sans réécriture majeure. La mention "replace" sur arXiv signale qu'il s'agit d'une révision, la troisième, d'un article déjà soumis: le travail continue d'être affiné, sans date de version stable ni partenariat industriel annoncé à ce stade.

Recherche❖Paper

1 source

41

1812arXiv cs.RO 

WAVE-Go : navigation par modèle du monde à exécution adaptative pour robots à roues-pattes

Un article arXiv (2609.18193, catégorie "new") paru mi-septembre décrit WAVE-Go, un système de navigation par image-cible pour robots à roues et jambes, qui sépare la prédiction d'un world model de l'exécution des commandes, rendue interruptible. Un exécuteur choisit un préfixe d'actions et l'annule dès qu'une observation l'invalide, par exemple face à un obstacle mobile ou un changement de mode de locomotion, sous un budget de risque cumulé et des contrôles de stabilité pour les transitions de posture. Résultats : 74,1% de réussite en distribution et 63,3% en distribution dynamique hors distribution, soit 4,7 et 7,7 points de plus que la meilleure référence, avec des collisions réduites de 4,4 à 2,9 pour 100 mètres. Face à une exécution interruptible à quatre commandes fixes, le gain est de 4,0 points de réussite, avec 51,2% de replanifications et 6,5% de collisions en moins ; le code est publié sur GitHub sous vigorlee/wave-go. Le travail cible un problème concret pour les intégrateurs de robots mobiles hybrides : un plan de navigation calculé à un instant donné devient souvent caduc dès qu'un obstacle bouge ou qu'un changement de terrain impose de basculer entre roulage et marche. En montrant qu'une exécution interruptible et adaptative surpasse un modèle sans interruption et une version à commandes interruptibles mais figées, l'étude illustre que le compromis entre performance et charge de replanification peut être arbitré en temps réel plutôt que fixé à la conception, un argument utile face à l'écart souvent pointé entre démonstrations et conditions réelles en robotique mobile. Les ablations confirment ce compromis : l'interruption en temps réel améliore réussite, collisions et latence, mais augmente la replanification, un arbitrage que les intégrateurs devront calibrer selon leur budget de calcul embarqué. WAVE-Go s'inscrit dans la lignée des world models appliqués à la navigation robotique, une approche qui anticipe les conséquences d'une action avant de l'exécuter. Les auteurs comparent leur méthode à un modèle sans interruption et à une variante interruptible limitée à quatre commandes fixes, signe que l'interruptibilité était déjà explorée sans être couplée à un choix adaptatif de préfixe ni à un budget de risque cumulé. Publié comme nouvelle soumission arXiv sans affiliation industrielle ni partenaire annoncés, le projet met son code à disposition sur GitHub, ce qui le situe au stade de la recherche méthodologique plutôt que du produit prêt à déployer.

Recherche❖Paper

1 source

41

1813arXiv cs.RO 

SPROUT : le robot souple en croissance open source pour la recherche et le sauvetage

MIT Lincoln Laboratory publie sur arXiv (soumission de septembre 2026) l'ensemble des spécifications de SPROUT, pour Soft Pathfinding Robotic Observation Unit, un robot souple open source conçu pour la recherche et le sauvetage en milieu urbain (USAR). Le système a été affine pendant plusieurs années au contact direct d'équipes professionnelles de secours, avec pour objectif de fonctionner dans des conditions poussiéreuses, humides et isolées, typiques des structures effondrées. L'équipe met a disposition l'intégralité de la documentation nécessaire a sa reproduction: code source, liste de composants, assemblages CAO et instructions de construction, accessibles sur sprout-mitll.github.io/sprout. L'architecture logicielle repose sur ROS 2 et une plateforme matérielle modulaire permettant d'adapter charges utiles et fonctions de contrôle selon la tache. Les démonstrations ont été menées sur des sites d'entrainement a structures effondrées utilises par des pompiers et équipes de premiers secours, ou le robot a exécuté une série de taches d'inspection et de franchissement d'obstacles. Les robots a corps souple sont théorisés depuis longtemps comme candidats idéaux pour le sauvetage en décombres, capables de se faufiler dans des interstices inaccessibles aux plateformes rigides, mais peu de systèmes ont franchi le cap du laboratoire vers un usage opérationnel réel. En publiant l'intégralité des spécifications matérielles et logicielles plutôt qu'un produit ferme, le laboratoire s'attaque directement au problème de reproductibilité qui freine l'adoption de la robotique souple par les organismes de secours: n'importe quelle équipe de recherche peut désormais construire sa propre unité SPROUT sans dépendre d'un fournisseur unique. Pour les intégrateurs et décideurs du secteur SAR, c'est un signal que cette famille de robots sort progressivement du stade de simple démonstration en laboratoire, même si le passage de sites d'entrainement contrôles a des interventions réelles sur effondrements reste une étape distincte, non encore franchie ici. Le projet s'appuie sur un dialogue continu avec des communautés professionnelles de recherche et sauvetage urbain, ce qui a oriente les choix de conception vers la résistance a la poussière, a l'humidité et a l'isolement caractéristiques des sites d'intervention. SPROUT s'inscrit dans la lignée des robots dits a croissance (soft growing robots), un axe de recherche universitaire distinct des humanoïdes et des robots mobiles a roues qui dominent les annonces commerciales du secteur, et dont l'un des freins historiques était justement le manque de systèmes reproductibles hors du laboratoire d'origine. La compatibilité ROS 2 et la modularité matérielle ouvrent des usages au-delà du sauvetage, notamment l'inspection d'infrastructures et l'archéologie, deux domaines ou l'accès a des espaces confines et fragiles est également critique. La publication ne mentionne aucun pilote commercial ni calendrier de déploiement au-delà des sites d'entrainement déjà utilises pour les démonstrations: il s'agit a ce stade d'une diffusion académique en source ouverte, non du lancement d'un produit.

Recherche❖Paper

1 source

41

1814arXiv cs.RO 

Génération d'arbres de comportement multimodaux : un petit modèle vision-langage pour la planification de tâches robotiques

Une nouvelle version (v2) d'un article de recherche publié sur arXiv (2603.06084) détaille un pipeline pour entraîner des modèles vision-langage (VLM) compacts à générer des arbres de comportement (Behavior Trees, BT) exécutables et compatibles ROS2 pour la planification de tâches robotiques. Les auteurs ont converti 1 622 épisodes du corpus Open X-Embodiment via un pipeline enseignant multi-étapes, produisant un jeu de données augmenté de 2 433 exemples multimodaux associant images, instructions et BT. Ce jeu de données a servi à affiner, par fine-tuning efficace en paramètres (PEFT), des VLM open source allant de 500 millions à 4 milliards de paramètres. Les BT générés ont été évalués hors ligne sur leur validité syntaxique, puis exécutés sur 15 tâches domestiques dans l'environnement de simulation BEHAVIOR-1K. Le meilleur modèle, Gemma-3 4B, atteint une validité syntaxique parfaite et un taux de réussite de 87%, devançant Claude Opus 4.8 et approchant GPT-5, tout en tournant entièrement en local. Ce résultat nourrit le débat récurrent sur l'écart entre démonstration et réalité dans la planification robotique pilotée par IA: un modèle compact, exécutable sans API propriétaire ni connexion cloud, égale voire dépasse des modèles fermés bien plus massifs sur une tâche concrète. Pour les intégrateurs et décideurs industriels, c'est un signal en faveur d'une planification embarquée, sans latence réseau ni coûts d'inférence récurrents, un critère souvent déterminant pour un déploiement à grande échelle. Les ablations confirment aussi une hypothèse centrale du secteur: l'ancrage visuel est décisif, le taux de réussite passant de 40% en texte seul à 87% avec observations visuelles. L'augmentation de données, elle, fait grimper la validité syntaxique des BT de 65% à 100%, rappelant que la qualité des données d'entraînement prime souvent sur la taille du modèle. Ces travaux prolongent une lignée de recherches utilisant les Behavior Trees, formalisme hiérarchique déjà répandu en robotique industrielle via ROS2, comme cible de génération pour les grands modèles de langage. Jusqu'ici, ces approches restaient soit purement textuelles, soit dépendantes de VLM propriétaires massifs, faute de jeu de données public reliant observations visuelles et BT exécutables, un manque que ce travail cherche explicitement à combler. La comparaison directe avec Claude Opus 4.8 et GPT-5 positionne cette contribution académique comme une tentative de démocratiser la planification VLM face aux modèles propriétaires. Aucun partenariat industriel ni déploiement sur robot physique n'est mentionné: l'évaluation reste cantonnée à la simulation BEHAVIOR-1K, ce qui invite à la prudence avant toute extrapolation vers un usage en environnement réel.

Recherche❧Opinion

1 source

40

1815arXiv cs.RO 

WeaveRL : entrelacer la reconstruction dans des tissus sensibles à la scène pour l'apprentissage par renforcement perceptif

Un preprint publié sur arXiv en septembre 2026 (référence 2609.18685) présente WeaveRL, une méthode accélérée par GPU qui reconstruit une scène de manipulation sous forme de surfels, en parallèle dans des milliers d'instances de simulation pendant l'entraînement par renforcement. Elle remplace les représentations de scène statiques et codées à la main des contrôleurs anti-collision dits "geometric fabrics" par une géométrie dérivée directement des capteurs. Sur une série de tâches de manipulation denses en collisions, ces "surfel fabrics" réussissent là où des méthodes de référence à primitives géométriques échouent, tout en conservant un transfert sim-to-real fonctionnel. Face à des obstacles inédits introduits au moment du test, le taux de complétion de tâche sans collision passe de 35% à 61%. Les auteurs publient en accès libre le système de reconstruction, le code d'entraînement et un jeu de données de test. Cette avancée s'attaque à un verrou connu du RL en robotique: jusqu'ici, intégrer une perception 3D active et en ligne dans un entraînement massivement parallélisé sur GPU restait hors de portée faute de méthode de reconstruction assez rapide, ce qui obligeait les équipes à coder la géométrie des scènes à la main, une pratique mal adaptée à des environnements réels où objets et obstacles varient. En démontrant que la reconstruction par surfels tient la cadence sur des milliers de simulations simultanées, WeaveRL déplace cette limite technique. Pour les intégrateurs et les équipes robotiques industrielles, l'écart mesuré entre 35% et 61% de réussite face à des obstacles inédits illustre concrètement le fossé récurrent entre démonstrations en environnement contrôlé et généralisation en conditions réelles, et suggère que coupler perception active et contrôle anti-collision est une piste crédible pour le réduire, sans pour autant régler la question du passage à l'échelle hors laboratoire. Le travail prolonge la lignée des "geometric fabrics", des contrôleurs anti-collision déjà utilisés comme socle du RL en manipulation mais jusqu'ici cantonnés à des scènes statiques faute de perception embarquée compatible avec l'entraînement massivement parallèle. WeaveRL se positionne explicitement face aux méthodes à primitives géométriques, qu'il surpasse sur les tâches denses en collisions, sans toutefois se comparer dans ce preprint aux approches génériques de type vision-langage-action employées par ailleurs dans le secteur humanoïde. Il s'agit à ce stade d'une publication de recherche non encore relue par les pairs, et non d'un produit ou d'un système déployé en usine: aucun pilote industriel ni calendrier de commercialisation n'est annoncé. En publiant leur code d'entraînement, leur système de reconstruction et leur jeu de données de test, les auteurs cherchent explicitement à ce que d'autres laboratoires reproduisent et prolongent cette approche.

Recherche❖Paper

1 source

40

1816arXiv cs.RO 

OmniRisk : apprentissage omnidirectionnel du risque de trajectoire pour l'évitement dynamique agile de quadrirotors

Une équipe de recherche présente OmniRisk, un système de planification omnidirectionnelle permettant à des drones quadrirotors agiles d'éviter des obstacles rapides en mouvement, décrit dans un article publié sur arXiv (référence 2609.18191v1) en septembre 2026, avec code source mis à disposition sur GitHub sous le compte VANdexj. Le système combine dans un même tenseur de dimension fixe des panoramas de portée LiDAR, des masques de détection de mouvement et des vitesses de surface en coordonnées cartésiennes, afin de représenter simultanément la géométrie de l'environnement et la dynamique des obstacles. Il s'appuie sur un champ de risque asymétrique aligné sur le vecteur vitesse de chaque obstacle, qui accentue le danger lors d'une approche et l'atténue lors d'un éloignement. Un réseau à convolution circulaire à deux branches prédit en un seul passage les états limites terminaux et les niveaux de risque dynamique pour un ensemble de trajectoires candidates réparties sur une grille d'ancrage à 360 degrés, avant sélection et reconstruction analytique de la trajectoire retenue. Des essais en vol réel ont démontré des manœuvres d'évitement consécutives à des vitesses de rencontre relative allant jusqu'à 15 m/s, sans réglage fin additionnel du modèle. L'intérêt principal tient au déplacement du calcul de risque vers une phase d'apprentissage hors ligne : l'inférence embarquée devient indépendante du nombre d'obstacles, ce qui règle un point de blocage classique des planificateurs de trajectoire en ligne, soit trop coûteux face à des scènes denses, soit fiables uniquement au prix d'une charge de calcul croissante avec le nombre d'obstacles. Pour les intégrateurs de drones autonomes, cela ouvre la voie à un évitement dynamique temps réel et léger en calcul, sans dépendre de capteurs de profondeur denses. La validation en conditions réelles, à haute vitesse et sans fine-tuning, va aussi à l'encontre d'un écart fréquent entre performances simulées et transfert au monde réel dans ce type d'approche par apprentissage. Ce travail s'inscrit dans la lignée des recherches en navigation réactive pour drones agiles, un champ jusqu'ici partagé entre optimisation de trajectoire en ligne à base de modèles et méthodes d'apprentissage exploitant des capteurs de profondeur ou LiDAR. OmniRisk se distingue par sa couverture omnidirectionnelle plutôt que frontale et par la prise en compte explicite du sens de déplacement relatif des obstacles. Le code étant publié en accès libre, la reproductibilité et l'adoption par d'autres équipes de recherche en robotique aérienne constituent la suite logique attendue.

Recherche❖Paper

1 source

40

1817arXiv cs.RO 

Revue complète de l'intelligence artificielle physique générative

Une revue de littérature mise en ligne sur arXiv (référence 2609.18111v1) dresse un panorama de ce que ses auteurs appellent l'intelligence artificielle physique générative, des systèmes qui associent modèles de fondation et corps physiques pour percevoir, raisonner et agir de façon autonome. Ils distinguent cinq familles : les Robot Foundation Models, pour transférer des compétences entre plateformes robotiques différentes ; les modèles Vision Language Action, pour la perception multimodale et la commande de bout en bout ; les Large Behavior Models, pour générer des mouvements proches du geste humain ; les Diffusion Policy Models, fondés sur la diffusion, pour produire des séquences d'actions cohérentes dans le temps ; et les World Foundation Models, qui simulent la physique pour générer des données d'entraînement. Les exemples cités couvrent les véhicules autonomes, l'automatisation industrielle, la robotique médicale et les systèmes humanoïdes. Pour les intégrateurs et décideurs du secteur, l'apport tient à la mise en ordre d'un paysage saturé de revendications concurrentes, en montrant que ces cinq approches se complètent plutôt qu'elles ne s'opposent : un World Foundation Model peut fournir les données synthétiques qui entraînent un VLA ou un modèle de diffusion, un Robot Foundation Model porte une politique apprise d'une plateforme vers une autre, un Large Behavior Model apporte les a priori de mouvement qui rendent un geste crédible. Cette lecture tempère le discours souvent binaire sur la résolution du sim-to-real ou la capacité des VLA à généraliser seuls, en rappelant que les gains de performance observés restent portés par la combinaison de plusieurs briques technologiques plutôt que par une architecture unique. Il s'agit d'un travail de synthèse académique et non de l'annonce d'un produit ou d'un déploiement : aucune entreprise, aucun robot ni aucun chiffre de série n'est associé à cette publication, à la différence des communiqués habituels du secteur. Les auteurs inscrivent leur cadre dans la continuité des recherches sur l'IA incarnée et l'apprentissage de politiques robotiques, en le prolongeant vers des environnements connectés à l'internet des objets où des agents doivent coopérer avec des capteurs et des actionneurs en périphérie de réseau. Ils pointent plusieurs axes de recherche encore ouverts : apprentissage économe en données, transfert simulateur-réel, architectures compatibles avec le calcul embarqué, et cadres de sécurité, sans annoncer de calendrier ni de prototype précis pour ces prochaines étapes.

Recherche❖Paper

1 source

40

1818arXiv cs.RO 

Veo-Act : améliorer les politiques VLA grâce aux modèles vidéo de pointe

Des chercheurs présentent Veo-Act, un système hiérarchique associant le modèle de génération vidéo Veo-3.1 de Google DeepMind à une politique vision-language-action (VLA) pour la manipulation robotique, décrit dans un article déposé sur arXiv (identifiant 2604.04502, version révisée). Veo-3.1 y joue le rôle de planificateur de haut niveau : il génère des séquences vidéo montrant le mouvement attendu de la main et des objets pour réaliser une instruction. Un modèle de dynamique inverse à têtes multiples convertit ces paires d'images générées en commandes motrices, tandis qu'une «porte d'interaction» décide du moment où basculer vers la politique VLA pour l'exécution réactive et précise au niveau bas. Les auteurs ont testé le système en simulation et sur un robot réel, sans préciser charge utile, degrés de liberté ni temps de cycle, ce qui relève de la recherche méthodologique plutôt que de l'annonce produit. L'enjeu visé est bien connu du secteur : l'adaptation orientée action des politiques VLA à partir de modèles vision-langage pré-entraînés dégrade souvent leur généralisation sémantique, fragilisant leur robustesse face à des scènes ambiguës ou hors distribution. Les modèles vidéo généralisent mieux sur des scènes complexes et encodent des a priori sur les mouvements de la main, mais manquent de précision et de réactivité pour une manipulation dextre bas niveau. Veo-Act cherche à combiner ces deux forces : selon les auteurs, l'approche améliore le suivi d'instructions et le taux de réussite par rapport à une politique VLA seule, notamment dans des situations nouvelles et sémantiquement complexes, un résultat qui alimente le débat sur le rôle des modèles vidéo comme planificateurs visuels pour la robotique généraliste, aux côtés d'approches comme pi-0 (Physical Intelligence), GR00T N2 (NVIDIA) ou Helix (Figure). Ce travail s'inscrit dans la montée en puissance des politiques VLA comme paradigme dominant de l'apprentissage robotique généraliste, et dans celle des modèles de génération vidéo dont les progrès en cohérence temporelle poussent plusieurs équipes à les détourner en planificateurs pour la robotique. Aucune entreprise, aucun laboratoire ni acteur français ou européen n'est cité, et le travail reste une contribution académique publiée en version révisée sur arXiv, sans calendrier de déploiement industriel annoncé.

Recherche⚡Actu

1 source

40

1819arXiv cs.RO 

Rapport technique : têtes d'action à dérive en une étape pour GR00T N1.7

Des chercheurs publient un rapport technique sur arXiv (2609.18108) décrivant une variante de GR00T N1.7, le modèle vision-langage-action (VLA) de NVIDIA pour la robotique, dans laquelle la tête d'action par diffusion itérative est remplacée par une tête dite "one-step drifting", complétée par une extension conditionnée au chevauchement pour le remplacement asynchrone de segments d'action. Tous les entraînements multi-graines ont tourné sur deux GPU NVIDIA A800. Sur le benchmark de simulation LIBERO, le temps de calcul de la seule tête d'action tombe d'environ 45,3 ms à 5,0 ms, et le temps combiné backbone plus tête passe d'environ 70,0 ms à 30,6 ms. Ce gain de vitesse s'accompagne toutefois d'une baisse systématique du taux de réussite des tâches : sur trois graines d'entraînement, les scores atteignent 64,0±4,0% sur LIBERO-Spatial, 52,0±1,0% sur LIBERO-Goal et seulement 26,0±2,6% sur LIBERO-Long. La faible variance entre graines indique que cette dégradation n'est pas due au hasard de l'initialisation. Pour l'industrie robotique, ce résultat documente noir sur blanc un compromis vitesse-précision que beaucoup de communiqués commerciaux passent sous silence. Fait notable, les auteurs eux-mêmes refusent de présenter ce travail comme une amélioration globale et le qualifient explicitement de compromis vitesse-réussite plutôt que de progrès. Pour les intégrateurs qui envisagent des têtes d'action à une seule étape pour réduire le coût d'inférence des politiques VLA en conditions temps réel, ce papier rappelle qu'accélérer le passage avant d'un modèle d'action ne garantit pas la préservation du comportement en boucle fermée, surtout sur les tâches longues comme LIBERO-Long où la chute est la plus marquée. C'est aussi un rappel que LIBERO reste une évaluation en simulation synchrone, incapable de mesurer l'apport réel de l'extension asynchrone conçue par l'équipe. GR00T N1.7 s'inscrit dans la lignée des modèles fondation de NVIDIA pour la robotique généraliste, dans un paysage VLA qui compte notamment Pi-0 de Physical Intelligence, Helix de Figure AI ou GR00T N2, génération suivante de la même famille. La tête de diffusion itérative visée par ce rapport est le composant qui pèse le plus lourd sur le temps d'inférence dans la plupart des VLA actuels, d'où l'intérêt croissant des laboratoires pour des architectures à une ou quelques étapes. Les auteurs avancent plusieurs pistes pour expliquer la dégradation observée : moyennage déterministe du mode en une seule étape, estimation de géométrie dépendante du batch, et exécution en boucle ouverte de segments d'action longs. Le rapport ne mentionne aucun pilote industriel ni déploiement réel : il s'agit d'un travail de recherche exploratoire évalué uniquement en simulation, dont la suite logique serait de tester l'extension asynchrone dans des conditions qui l'exercent réellement.

Recherche❖Paper

1 source

40

1820arXiv cs.RO 

Activation rapide des filtres de sécurité par expansion d'atteignabilité en une étape

Un preprint publié sur arXiv le 17 septembre 2026 (arXiv:2609.17904v1) corrige un défaut des filtres de sécurité « least-restrictive » fondés sur la reachability de Hamilton-Jacobi, une technique qui garantit mathématiquement qu'un robot évite tout état dangereux en ne reprenant le contrôle, au détriment du contrôleur nominal, qu'à la frontière d'un ensemble interdit appelé Backward Reachable Tube (BRT). Cette garantie suppose un temps continu, alors que les robots commandent en réalité à intervalles d'échantillonnage discrets : entre deux mises à jour, le système peut sauter directement dans le BRT sans jamais toucher sa frontière, provoquant des échecs que la théorie continue jugeait pourtant évitables. La solution proposée calcule un BRT étendu d'un pas de temps, qui anticipe tous les états capables d'atteindre le véritable BRT en une seule période d'échantillonnage, et déclenche l'intervention de sécurité dès cette frontière élargie plutôt que l'originale. Ce nouvel ensemble se formule comme un problème de reachability modifié, résoluble avec les solveurs continus standards déjà utilisés, sans outil de calcul supplémentaire. Les filtres HJ équipent déjà des systèmes critiques en robotique aérienne, conduite autonome et manipulation, où ils servent de dernier rempart contre les collisions et les états irrécupérables ; un déclenchement trop tardif, dû au simple échantillonnage discret d'un contrôleur embarqué, ouvre une brèche invisible en simulation continue mais bien réelle sur le terrain, illustration classique de l'écart entre garantie théorique et comportement en exploitation. Pour les intégrateurs et les équipes de sécurité fonctionnelle qui cadencent leurs boucles de contrôle à fréquence finie, le correctif est directement actionnable puisqu'il ne nécessite ni nouvelle architecture de filtre ni nouveau contrôleur. Le papier ne règle pas l'ensemble du fossé simulation-réel des systèmes robotiques, mais comble une faille précise dans la chaîne de garanties formelles, à un moment où la certification de sécurité devient un critère d'achat pour les robots humanoïdes et les AMR partageant leur espace avec des humains. Ce travail prolonge la reachability de Hamilton-Jacobi, cadre mathématique popularisé notamment par les travaux de Claire Tomlin à Berkeley et devenu un outil standard de contrôle sûr pour drones, véhicules autonomes et bras robotiques, aux côtés d'approches concurrentes comme les control barrier functions. Le décalage entre temps continu et temps discret qu'il traite est connu de la communauté et jusqu'ici atténué par des marges de sécurité conservatrices, jugées ici insuffisamment rigoureuses. L'abstract ne mentionne aucune implémentation sur robot physique ni benchmark chiffré : il s'agit à ce stade d'une contribution méthodologique validée mathématiquement, pas d'un produit déployé, la suite logique étant sa validation sur des plateformes réelles fonctionnant à fréquence de contrôle limitée.

Recherche❖Paper

1 source

40

1821arXiv cs.RO 

Un algorithme efficace pour la planification de croissance à pression minimale des robots-liane

Un article déposé sur arXiv (2609.18070v1) présente un algorithme de planification de trajectoire pour les robots-liane (vine robots), qui avancent en s'allongeant depuis leur pointe dans des environnements encombrés. Les auteurs établissent une équation de la pression de croissance nécessaire pour suivre un chemin donné, un facteur jusque-là ignoré alors qu'une pression excessive peut faire éclater le robot, et montrent qu'un chemin à pression minimale est toujours linéaire par morceaux, ne changeant de direction qu'en des points précis des obstacles polytopiques. Le problème se ramène ainsi à un plus court chemin résolu par une version modifiée de Dijkstra, garantissant l'optimalité en deux dimensions et une solution approchée en trois dimensions, validée par simulations et par des essais matériels, avec une implémentation Python open source, VinePlanner, publiée sur GitHub. Ce travail comble un vide méthodologique pour une famille de robots mous envisagée pour l'inspection de canalisations, l'exploration de décombres ou l'accès à des espaces confinés inaccessibles aux robots à roues, où l'absence de garantie contre l'éclatement freinait toute planification fiable. En ramenant un problème géométrique continu à un plus court chemin discret soluble efficacement, l'étude offre aux intégrateurs un outil de planification vérifiable et scalable, plutôt qu'une simple démonstration de faisabilité en laboratoire. Il s'agit néanmoins d'un preprint non encore publié en conférence ou revue, et la validation matérielle reste limitée à des essais dont l'échelle n'est pas précisée. Les vine robots, robots mous inspirés de la croissance des plantes grimpantes, se déplacent par éversion depuis leur extrémité plutôt qu'en glissant sur leur propre corps, ce qui limite les forces exercées sur l'environnement. La recherche s'était surtout concentrée jusqu'ici sur la démonstration empirique de franchissement d'obstacles, laissant de côté la planification formelle de trajectoire, chantier que cet article ouvre en adaptant des outils classiques de plus court chemin, comme l'algorithme de Dijkstra, à la géométrie des obstacles rencontrés. Aucun partenariat industriel n'est mentionné et les travaux restent académiques, mais le code est déjà disponible via le paquet Python VinePlanner, ouvrant la voie à une reprise par d'autres équipes de robotique molle.

Recherche❖Paper

1 source

39

1822arXiv cs.RO 

ForceDelta-VLA : distiller les corrections d'action conditionnées par la force pour la manipulation à contact riche

Des chercheurs publient sur arXiv (2609.18242v1) ForceDelta-VLA, une méthode destinée à améliorer les politiques Vision-Language-Action (VLA) sensibles à la force pour la manipulation robotique en contact riche, comme l'insertion ou l'assemblage de pièces. Le problème de départ: les VLA actuels fusionnent mouvement de tâche et ajustement de contact en une seule prédiction, sans distinguer une action de référence réutilisable d'une correction. ForceDelta-VLA construit cette correction à partir des prédictions d'un modèle enseignant gelé, comparées en mode conditionné par la force et en mode agnostique, complétées par une correction de délai gérant le décalage de l'action de référence. La politique légère qui en résulte ajuste les actions via l'historique de force récent, sans régénérer de séquences complètes à chaque contact. Sur neuf tâches en bras unique et bimanuelles, le taux de réussite moyen atteint 82,2%, contre 54,4% pour la référence ForceVLA; le "Stage-1 Temporal Teacher" seul atteint 70,6%, et le système complet réduit la force de contact de crête d'environ 26% sur les deux plateformes testées. Ce résultat vise d'abord les chercheurs et intégrateurs travaillant sur la manipulation fine (insertion de connecteurs, assemblage, montage électronique), un point faible connu des VLA généralistes, plus à l'aise sur la préhension grossière que sur les tâches exigeant un retour de force précis. En découplant mouvement macro et correction de contact, ForceDelta-VLA évite de régénérer un chunk d'action complet à chaque micro-ajustement, ce qui allège le calcul et améliore la réactivité pour un déploiement industriel manipulant des pièces fragiles ou mal positionnées. La baisse de 26% du pic de force est aussi pertinente pour la sécurité du matériel et la durée de vie des effecteurs. Ces gains restent toutefois mesurés sur seulement neuf tâches en environnement de recherche, sans indication de déploiement industriel ni de plateforme commerciale nommée. ForceDelta-VLA se positionne comme une amélioration du système ForceVLA, pris comme référence de comparaison tout au long de l'article, et s'inscrit dans la lignée des modèles Vision-Language-Action, à l'image de Pi-0, GR00T N2 ou Helix, qui cherchent à généraliser la manipulation robotique à partir de démonstrations, la manipulation à contact riche restant un angle mort persistant de ces architectures. Publié sans affiliation industrielle citée, le travail ne mentionne ni entreprise ni date de déploiement: c'est une contribution méthodologique pour la communauté robotique, dont l'extension à davantage de tâches et de plateformes physiques serait la suite logique.

Recherche⚡Actu

1 source

39

1823arXiv cs.RO 

ActionPiece : repenser la tokenisation des actions pour les modèles vision-langage-action autorégressifs

Un article de recherche publié le 17 septembre 2026 sur arXiv (référence 2609.18487v1) propose ActionPiece, une nouvelle méthode de tokenisation d'actions pour les modèles vision-langage-action (VLA) autorégressifs. Ces modèles convertissent les commandes robotiques continues en tokens discrets, puis les régénèrent en commandes exécutables. Les auteurs introduisent une métrique baptisée "physical rank consistency" (PRC), qui évalue si la tokenisation conserve l'ordre relatif des distances physiques entre actions proches, un aspect ignoré par l'erreur quadratique moyenne (MSE) habituellement utilisée pour juger la fidélité de reconstruction. ActionPiece combine deux objectifs d'apprentissage joints : une supervision du rang physique sur les distances de l'encodeur et des features quantifiées, et une régularisation appliquant le même ordre aux assignations de codewords. Testé avec un pipeline d'entraînement de politique basé sur Qwen3-VL-4B, le système atteint 94,8% de réussite sur le benchmark de simulation LIBERO, 68,8% sur LIBERO-Plus (tâches non vues à l'entraînement), 71,9% sur SimplerEnv et 51,5% sur VLA-Arena (niveaux L0 à L2). Ce travail cible un maillon technique précis mais central dans l'architecture des VLA autorégressifs : la façon dont les actions continues sont discrétisées avant d'être traitées comme des tokens de langage. Un tokenizer imprécis peut faire converger des actions distinctes vers une même représentation, ce qui aplatit les nuances nécessaires à des contextes différents, un problème invisible aux métriques ponctuelles classiques. Pour les équipes qui construisent des politiques VLA (bras robotiques, humanoïdes), cela suggère que les gains de performance ne viennent pas uniquement de modèles plus gros, mais aussi de la qualité de la représentation intermédiaire des actions, un point souvent négligé face à l'attention portée aux architectures de perception ou de langage. Le papier s'inscrit dans un débat plus large sur la tokenisation discrète des actions (utilisée par des lignées de modèles type RT-2 ou OpenVLA) face aux approches à génération continue ou par diffusion, telles que Pi-0 de Physical Intelligence, GR00T N2 de NVIDIA ou Helix de Figure. Toutes les évaluations présentées restent toutefois limitées à des benchmarks de simulation (LIBERO, SimplerEnv, VLA-Arena), sans validation sur robot physique ni déploiement industriel annoncé à ce stade.

Recherche⚡Actu

1 source

39

1824arXiv cs.RO 

Découpler vision, langage et action pour des politiques robotiques multitâches efficaces

Une équipe de recherche publie sur arXiv (2609.18374v1) une étude qui remet en question l'architecture standard des modèles Vision-Language-Action (VLA), lesquels associent un module d'action à un Vision-Language Model (VLM) de plusieurs milliards de paramètres dont le coût de calcul est payé à chaque pas de contrôle. Les auteurs testent une architecture découplée baptisée Decoupled Embodiment Model (DEM), combinant un encodeur visuel DINOv3 affiné, un encodeur de langage NeoBERT figé, et une tête d'action MeanFlow qui génère chaque segment d'action en un seul passage avant. Dans une expérience contrôlée, à démonstrations, budget d'entraînement, tâches et plateforme de mesure identiques, ce système est comparé à sept modèles VLA de référence, sur 18 tâches de manipulation simulées avec paraphrases linguistiques inédites et scènes randomisées, ainsi que sur trois tâches exécutées avec un robot physique. Résultat: DEM atteint un taux de réussite comparable aux meilleures politiques à backbone VLM, tout en tournant huit à dix-sept fois plus vite en fréquence d'inférence et en consommant six à quinze fois moins d'énergie par inférence. Pour les intégrateurs et les équipes robotique en entreprise, ce résultat pèse directement sur les décisions de déploiement: la latence et la consommation énergétique des VLA massifs limitent leur usage embarqué sur des robots à ressources de calcul contraintes, un frein bien identifié dans l'industrie humanoïde et la manipulation industrielle. En montrant qu'un encodeur vision autonome et un encodeur de langage encoder-only peuvent égaler la compréhension d'un grand VLM sur ces tâches, l'étude questionne l'hypothèse selon laquelle un backbone VLM géant serait indispensable pour obtenir une politique de manipulation multi-tâches performante. Cela ouvre la voie à des politiques moins coûteuses à opérer en production, un argument utile face au décalage régulièrement observé entre démonstrations spectaculaires et robustesse réelle sur le terrain. Les auteurs restent prudents: le gain est mesuré "dans ce périmètre de tâches" et selon leur propre protocole d'évaluation, pas comme une généralisation universelle. Cette publication s'inscrit dans une trajectoire de recherche où la tendance dominante des dernières années consistait à empiler des backbones VLM toujours plus lourds pour gagner en généralisation des politiques robotiques. Le papier renverse partiellement cette logique en s'appuyant sur les progrès récents des encodeurs autonomes, DINOv3 pour la vision et NeoBERT pour le texte, désormais capables de rivaliser avec de grands VLM sur les benchmarks d'embedding visuel et de compréhension du langage. L'étude ne détaille pas précisément l'identité des sept baselines VLA testées ni des tâches réalisées sur robot physique, et ne mentionne aucun calendrier de déploiement industriel: il s'agit à ce stade d'un travail de recherche académique publié en preprint, sans partenaire industriel ni essai pilote annoncés. La suite logique attendue serait une validation sur un plus grand nombre de tâches réelles et une comparaison directe avec les politiques VLA propriétaires déjà déployées commercialement par les acteurs humanoïdes du secteur.

Recherche❖Paper

1 source

39

1825arXiv cs.RO 

Apprentissage par imitation ancré vision-langage et conscient du contexte pour le désassemblage robotique

Le 17 septembre 2026, une équipe de recherche a publié sur arXiv (référence 2609.17714) une nouvelle méthode d'apprentissage par imitation destinée au désassemblage robotique de pièces mécaniques et de connecteurs. Le problème visé est celui de l'exécution à long horizon : un bras robotique doit enchaîner plusieurs tâches de manipulation ordonnées sur une même scène contenant de multiples pièces, sans que les politiques d'imitation classiques parviennent à déduire, à partir des seules images brutes, quel geste effectuer quand plusieurs objectifs sont valides simultanément. La solution proposée combine une sélection hiérarchique des tâches avec un mécanisme dit "task-context-aware", qui ancre des instructions en langage naturel dans la représentation visuelle spatiale de la scène pour associer chaque consigne à sa cible de manipulation. Le système généralise à des géométries de connecteurs et des configurations d'assemblage variées sans nécessiter d'annotations explicites des objets. Les auteurs rapportent un gain de 35 points de pourcentage de taux de réussite de bout en bout par rapport à une politique de diffusion (diffusion policy) de référence, et de 75 points par rapport à la précédente méthode "task-context-aware" existante. Pour l'industrie du désassemblage, du recyclage et du reconditionnement (électronique, batteries, électroménager), ce travail s'attaque à un vrai verrou : la diversité combinatoire des configurations réelles rend impossible l'entraînement exhaustif d'un robot sur chaque variante de pièce. En s'appuyant sur le langage plutôt que sur des étiquettes d'objets prédéfinies, la méthode illustre une tendance plus large du secteur consistant à faire porter la généralisation par le contexte linguistique, une logique proche de celle des modèles vision-langage-action (VLA) déjà déployés par ailleurs. Un tel gain de robustesse, si confirmé hors laboratoire, intéresserait directement les intégrateurs qui cherchent à réduire le travail d'annotation et de reprogrammation entre lignes de désassemblage différentes. Ce travail s'inscrit dans la vague plus large des modèles vision-langage-action qui cherchent à dépasser les démonstrations à tâche unique, à l'image d'approches comme Pi-0, GR00T ou Helix dans le domaine plus large de la manipulation robotique généraliste. Il reste toutefois à ce stade une publication de recherche non validée par des pairs, sans partenaire industriel ni site de déploiement annoncé : la prochaine étape attendue serait une validation sur robot réel à plus grande échelle plutôt qu'en environnement contrôlé.

Recherche❖Paper

1 source

39

1826arXiv cs.RO 

InterMASH : une représentation géométrique unifiée pour la synthèse de préhension

La synthèse de préhension (grasp synthesis), qui vise à générer des interactions main-objet stables et physiquement plausibles, reste freinée par l'absence de représentation commune entre mains humaines et mains robotiques, en raison de leurs différences de morphologie et de modélisation de surface. Un nouveau papier de recherche, publié sur arXiv sous la référence 2609.18504, propose InterMASH, une représentation géométrique unifiée fondée sur des ancres fixées à la surface de sphères qui établissent une correspondance entre différentes morphologies de main. À chaque ancre, des harmoniques sphériques de faible degré encodent de façon compacte la géométrie locale de la main, celle de l'objet et le contact entre les deux, formant une séquence de tokens explicite et interprétable. Sur cette base, les auteurs entraînent un Diffusion Transformer conditionnel qui opère directement dans cet espace pour générer conjointement la géométrie de la main et les points de contact. Le système atteint des performances comparables à l'état de l'art sur les métriques de faisabilité physique d'un benchmark à grande échelle basé sur la main robotique ShadowHand, permet un entraînement conjoint sur plusieurs types de mains, et montre qu'un fine-tuning cross-embodiment avec des données de préhension humaine améliore le taux de succès et la diversité des préhensions générées pour des mains robotiques. L'intérêt pour l'industrie tient au format de représentation lui-même: les approches précédentes reposaient soit sur des cartes de contact, soit sur des descripteurs implicites denses, jugés incomplets ou coûteux en calcul et redondants. En rendant la représentation nativement tokenisée et compatible avec les architectures de diffusion transformer désormais standard en robotique générative, InterMASH facilite l'entraînement de modèles de manipulation sur des données hétérogènes, humaines et robotiques combinées. Pour les chercheurs en manipulation dextre et les concepteurs de politiques type VLA, le résultat le plus concret est la preuve que des données de préhension humaine, généralement plus abondantes et moins coûteuses à collecter que des données robotiques réelles, peuvent effectivement transférer vers de meilleures performances robotiques, une piste régulièrement évoquée pour réduire la dépendance à la téléopération ou à la simulation coûteuse. Il s'agit d'une publication de recherche fraîchement mise en ligne, sans annonce de produit, de partenaire industriel ni de calendrier de déploiement: l'abstract ne mentionne aucune date de disponibilité de code au-delà de la page projet dédiée, inter-mash.github.io. Le travail s'inscrit dans la lignée des efforts combinant modélisation de la main humaine et manipulation robotique dextre, avec pour référence de comparaison le benchmark ShadowHand, largement utilisé dans la recherche académique sur la préhension. Aucun acteur français ou européen n'apparaît dans cette publication.

Recherche❖Paper

1 source

39

1827arXiv cs.RO 

Tout accord ne vaut pas corroboration : fusion multi-vues préservant la provenance pour l'admission d'actions typées en collaboration homme-robot

Une équipe de recherche propose PACT (Provenance-Aware evidence Conservation and Typed action admission), une méthode qui distingue la magnitude d'un score de probabilité de la comptabilité réelle de l'évidence qui le soutient, via une partition de provenance fournie en amont. Le papier montre que sous deux conditions formelles, fidélité singleton et non-amplification par insertion, la règle d'agrégation optimale au sein d'un composant est le minimum coordonnée par coordonnée, et que les budgets par composant s'additionnent sous des hypothèses de commensurabilité et d'additivité séparée. Sur le jeu de données HandWritten, dans 4 des 12 tests à sources répliquées, un faux raffinement, c'est à dire la répétition artificielle d'une même source, abaisse la log-vraisemblance négative moyenne et le score de Brier tout en augmentant de 0,056 l'aire normalisée sous la courbe risque-couverture (ncsAURC) lorsque l'agrégation par partition de provenance est comparée à l'agrégation singleton, dans un benchmark contrôlé de passation d'objet (handover) homme-robot. Ce contraste disparaît dès que la condition adversariale construite pour le provoquer est retirée. Dans un test hors ligne de collaboration homme-robot avec quatre prompts par caméra, dupliquer chaque sortie de multiplicité un à huit ne modifie aucune des 720 réponses typées produites par PACT par point de contrôle. L'enjeu dépasse la performance statistique brute. Dans les systèmes de fusion multi-caméra utilisés pour décider si un robot peut engager un geste de handover avec un humain, une inférence répétée sur une même observation peut gonfler artificiellement la confiance du système sans ajouter de source d'évidence indépendante, un biais invisible aux métriques usuelles comme la NLL ou le score de Brier. Pour les intégrateurs et équipes sécurité qui valident des pipelines de perception avant déploiement, ce travail montre qu'une amélioration des scores de probabilité ne garantit rien sur la fiabilité du comptage d'évidence, et que le classement des méthodes de fusion reste dépendant du score de sélection choisi. Cela contredit l'idée répandue selon laquelle de meilleures métriques de calibration suffisent à valider un système de perception multi-capteurs pour des décisions de sécurité en collaboration homme-robot. Ce travail relève de la recherche académique en robotique probabiliste, non d'un produit commercial : il s'agit d'un article arXiv (identifiant 2609.01662, version de remplacement) sur la fusion d'évidence multi-vue pour l'admission d'actions typées, validé sur un jeu de données public (HandWritten) et sur un benchmark de passation d'objet homme-robot construit spécifiquement pour l'étude, sans robot commercial ni site de déploiement cité. Aucun acteur français ou européen n'apparaît dans ce papier. Les auteurs positionnent PACT comme un complément théorique aux approches d'apprentissage de bout en bout qui dominent la perception robotique actuelle, en plaidant pour une évaluation séparée de la qualité probabiliste et de la comptabilité de l'évidence, plutôt qu'une confusion des deux dans un seul score de confiance.

Recherche❖Paper

1 source

39

1828arXiv cs.RO 

DetAug : augmentation de trajectoires sans détection d'obstacles pour l'évitement zero-shot

Un preprint arXiv (2609.18395), mis en ligne le 17 septembre 2026, présente DetAug (Obstacle-Blind Trajectory Augmentation), une méthode destinée a faire éviter des obstacles jamais vus a l'entrainement par des politiques de manipulation robotique entraînées par téléopération, dont les jeux de données sont presque toujours enregistres en espace libre. DetAug augmente uniquement les phases de transit des trajectoires, laisse intactes les phases d'interaction avec les objets, et enregistre les paramètres d'augmentation comme label de conditionnement explicite. A l'inférence, le système échantillonné un lot de labels candidats et retient la trajectoire dont le cout de collision estime est le plus bas. Sur le benchmark SafeLIBERO, DetAug dépasse la meilleure méthode rivale de plus de 20 points de pourcentage de taux de réussite sans collision, et de 26 points face au guidage applique sur la même politique de base. Lors d'essais sur robot réel, DetAug égale ou dépasse une base entraînée avec conditionnement explicite sur des obstacles, bien qu'elle n'en ait jamais vu pendant son propre entrainement, la ou les méthodes de pilotage a l'inférence échouent des que la tache exige un large détour. Le résultat vise un problème concret pour l'industrialisation des politiques robotiques généralistes: les grands corpus de démonstration par téléopération sont collectes en environnement dégage, alors que les usines, entrepôts ou domiciles réels regorgent d'obstacles imprévisibles. Deux familles de solutions coexistaient jusqu'ici: augmenter le jeu de données en amont, ce qui suppose de connaitre a l'avance la géométrie des obstacles cibles, une contrainte irréaliste en déploiement, ou piloter un checkpoint déjà entraine au moment de l'inférence, plus flexible mais peu fiable des que le détour nécessaire s'allonge. En combinant les deux logiques sans hériter de leurs limites respectives, DetAug esquisse une voie vers un évitement d'obstacles zero-shot fiable, sans collecte de données spécifique a chaque site cible, un enjeu direct pour les intégrateurs qui cherchent a déployer une même politique généraliste sur des environnements varies sans reentrainement couteux. Le travail s'inscrit dans la recherche en apprentissage par imitation a partir de larges corpus de téléopération, approche devenue dominante pour entrainer les politiques de manipulation dites VLA. Les auteurs positionnent explicitement DetAug entre les deux approches existantes, augmentation de données en amont et guidage a l'inférence, sans nommer de laboratoire ou d'équipe rivale précise: il s'agit a ce stade d'une publication de recherche (preprint arXiv), et non d'un produit ou d'un déploiement commercial. Le benchmark SafeLIBERO utilise pour l'évaluation s'appuie sur LIBERO, une suite de taches de manipulation couramment employée par la communauté robotique. Aucun calendrier d'intégration commerciale n'est communique par les auteurs; la suite logique pour ce type de travaux académiques reste généralement une extension a davantage de taches et de plateformes robotiques, avant une éventuelle reprise par des laboratoires développant des politiques généralistes a grande échelle.

Recherche❖Paper

1 source

39

1829arXiv cs.RO 

Agir en mètres : apprentissage des interactions métriques pour une manipulation robotique précise

Des chercheurs publient sur arXiv (article 2609.18243, soumis en septembre 2026) un nouveau cadre baptisé "metric interaction framework", conçu pour améliorer la précision des modèles de manipulation robotique conditionnés par le langage, qu'il s'agisse de Vision-Language-Action models (VLA) ou de World-Action Models (WAM). Le système repose sur deux composants : les Interaction-Centric Tokens (ICT), qui représentent explicitement la trajectoire de pose de l'effecteur terminal par rapport aux objets manipulés et sont débruités conjointement avec les actions, et le Metric Action Interaction Field (MAIF), qui fait attention aux caractéristiques métriques du nuage de points de la scène pour générer des corrections d'action conditionnées par la géométrie. Ajouté à des modèles VLA et WAM existants via une adaptation en deux étapes, avec peu de paramètres et d'étapes d'entraînement supplémentaires, le framework produit des gains de taux de réussite de 0,80 point sur le benchmark LIBERO, 3,59 points sur RoboTwin 2.0, 6,80 points sur des tâches réelles et 7,45 points sur leurs variantes hors distribution. Ce travail s'attaque à un angle mort récurrent des VLA actuels : ces modèles excellent souvent à comprendre sémantiquement une consigne mais laissent implicites les relations métriques précises entre le geste, l'objet et la géométrie de la scène, ce qui limite leur fiabilité dès que la configuration spatiale change. En ancrant explicitement les actions dans un espace cartésien partagé à l'échelle métrique, les auteurs cherchent à combler l'écart entre démonstration en environnement contrôlé et robustesse en conditions réelles, un point sensible pour les intégrateurs industriels qui reprochent aux VLA génériques leur fragilité hors distribution. Le fait que la méthode s'ajoute, sans refonte lourde, à des baselines existantes en fait potentiellement un module d'amélioration incrémentale plutôt qu'une architecture concurrente, ce qui est notable dans un secteur où chaque nouveau papier revendique une rupture complète. Le papier s'inscrit dans la lignée des travaux cherchant à doter les modèles de manipulation robotique d'un raisonnement spatial plus explicite, en réponse aux limites documentées des architectures VLA purement sémantiques face à des tâches exigeant du contact précis avec des objets. Les résultats restent validés sur des benchmarks de simulation standards (LIBERO, RoboTwin 2.0) et un nombre limité de tâches réelles, sans indication de partenaire industriel, de déploiement commercial ni de calendrier de suite ; il s'agit à ce stade d'une contribution académique destinée à être reprise et testée par d'autres équipes de recherche en robotique manipulative.

Recherche❖Paper

1 source

39

1830arXiv cs.RO 

Politiques harmoniques modulées par retour d'information pour la locomotion des robots quadrupèdes

Des chercheurs décrivent dans un nouvel article publié sur arXiv (identifiant 2609.17946v1, catégorie "new") une architecture de contrôle pour la locomotion de robots quadrupèdes qui remplace le mapping direct observation-vers-action habituel des politiques apprises par une représentation explicite en série de Fourier, conditionnée par la commande de vitesse. Un réseau de contexte génère les coefficients de Fourier ainsi que les poids d'un second réseau de feedback exécuté à chaque pas de temps, qui ajuste en ligne, à partir de l'état du robot, les décalages d'articulation, les gains harmoniques, la fréquence et la phase de chaque trajectoire articulaire. En simulation, les auteurs comparent cette structure fréquentielle explicite aux activations internes d'une politique classique de type MLP produisant directement les cibles articulaires, et montrent que les formes d'onde harmoniques changent de fréquence et de forme selon la vitesse commandée. Une décomposition en modes dynamiques appliquée à des trajectoires MLP sélectionnées révèle par ailleurs des modes d'activation dominants proches de la fréquence d'oscillation de la hauteur du pied et de son second harmonique. Sur un robot quadrupède Unitree Go2, le contrôleur harmonique entraîné en simulation atteint une vitesse de pointe provisoire de 3,67 mètres par seconde, estimée par les capteurs embarqués, et transporte des charges additionnelles jusqu'à 5,883 kilogrammes lors d'essais séparés. L'intérêt de ces travaux tient moins à la performance brute, chiffre provisoire obtenu en conditions non détaillées, qu'à la démonstration que la structure périodique de la marche, généralement laissée implicite dans les réseaux de neurones des politiques de renforcement, peut être rendue explicite sans perte de capacité d'adaptation à la vitesse commandée ni aux charges transportées. Pour les équipes qui conçoivent des contrôleurs de locomotion pour quadrupèdes industriels ou de service, cela ouvre une piste d'interprétabilité: un contrôleur dont les paramètres (fréquence, phase, gains harmoniques) sont directement lisibles est plus facile à diagnostiquer, régler ou certifier qu'une boîte noire MLP. La mise en évidence de modes fréquentiels similaires dans les activations cachées d'un MLP standard, via décomposition en modes dynamiques, suggère aussi que les deux approches convergent vers une même solution physique, ce qui relativise l'idée qu'une architecture harmonique serait indispensable pour obtenir une marche stable. Ce travail s'inscrit dans la lignée de la locomotion quadrupède par apprentissage par renforcement en simulation puis transfert au réel, domaine où Unitree, dont le Go2 sert ici de plateforme d'essai, ANYbotics avec l'ANYmal ou Boston Dynamics avec Spot occupent des positions de référence côté matériel. L'article ne présente ni pilote commercial ni déploiement en flotte: il s'agit d'un résultat de recherche fraîchement publié, avec des mesures qualifiées par les auteurs eux-mêmes de provisoires, sur un seul robot et des essais de charge menés séparément des essais de vitesse. Les prochaines étapes attendues, non détaillées dans le résumé, porteraient logiquement sur une validation plus systématique en conditions réelles et une comparaison directe et chiffrée avec des politiques MLP de référence.

Recherche❖Paper

1 source

39

1831arXiv cs.RO 

Évaluation de l'état de préhension centrée sur l'humain : transférer l'évaluation subjective aux robots

Des chercheurs détaillent dans une prépublication arXiv (2609.17540, mise en ligne mi-septembre 2026) un framework qui transféré a un robot le jugement subjectif qu'un humain porte sur la qualité d'une prise appliquée a un objet déformable. Le système associe un modèle vision-langage (VLM), charge de générer semi-automatiquement des labels de supervision, a un prédicteur léger d'état de prise : a partir d'un très petit nombre d'essais annotes manuellement par des humains, utilises comme ancres contextuelles, le VLM propage ce jugement a de larges volumes de données non annotées. Une fois entraine, le prédicteur estime en continu, a partir de mesures tactiles et de force de préhension en série temporelle, si la prise est trop laxiste ou trop serrée, et permet un ajustement rapide de la force en ligne. La méthode a été validée sur trois objets déformables représentatifs, avec une étude d'évaluation humaine réunissant 25 participants charges de juger l'adéquation entre les ajustements du robot et leur propre perception d'une prise appropriée. L'enjeu vise un angle mort connu de la manipulation robotique : saisir un objet déformable (tissu, sac souple, aliment, composant fragile) reste bien plus difficile a automatiser que saisir un objet rigide, car le critère de réussite n'est pas géométrique mais dépend d'un jugement humain qualitatif difficile a formaliser. Les approches de deep learning classiques butent sur ce problème car elles exigent un volume prohibitif d'annotations manuelles pour chaque nouvel objet, ce qui freine leur déploiement dans des environnements industriels varies comme la logistique ou l'agroalimentaire. En réduisant ce besoin d'annotation grâce a un VLM utilise comme générateur de supervision plutôt que comme pilote direct du robot, ce travail illustre une piste distincte de l'approche "VLA de bout en bout" popularisée par des systèmes comme Pi-0, GR00T N2 ou Helix. Ce travail relève de la recherche académique plutôt que d'un produit commercial : il s'agit d'une simple prépublication arXiv, sans partenaire industriel ni déploiement annonce, et les auteurs limitent eux-mêmes leurs conclusions a un cadre expérimental restreint a trois objets. La contribution se positionne comme une brique complémentaire aux modèles de manipulation généralistes actuellement pousses par les laboratoires de robotique humanoïde et industrielle, en ciblant un problème souvent absent des démonstrations grand public : l'ajustement fin de la force de préhension sur des matières molles. Les étapes suivantes attendues pour ce type d'approche consisteraient a étendre la validation a davantage d'objets et de morphologies de robots avant d'envisager un transfert vers des applications industrielles réelles.

Recherche❖Paper

1 source

39

1832arXiv cs.RO 

UMI-Bridge : alignement latent ancré sur l'action entre données humaines et robotiques de manipulation

Une équipe de recherche publie sur arXiv (2609.18232, septembre 2026) UMI-Bridge, une méthode pour aligner les représentations apprises à partir de données de manipulation humaine, notamment des vidéos égocentriques et des démonstrations captées avec l'interface UMI (Universal Manipulation Interface, un dispositif de préhension portatif), avec celles issues de véritables robots. Le système utilise UMI comme domaine intermédiaire pour faire correspondre les représentations selon l'équivalence du mouvement d'action plutôt que la simple similarité visuelle, en s'appuyant sur la supervision d'action de UMI pour ancrer la représentation latente au mouvement de l'effecteur terminal et au comportement de la pince. Un modèle d'action latente à double vue (LAM) est d'abord entraîné sur des données humaines sans aucune démonstration robotique, puis son module poignet et son modèle de dynamique sont gelés pour régulariser le post-entraînement d'un modèle vision-langage-action (VLA) sur des données mixtes UMI et robot. Sur trois tâches réelles, UMI-Bridge atteint un taux de réussite moyen de 91,7%, contre 73,3% pour une méthode de co-entraînement naïf utilisant les mêmes données. Sur deux tâches testant l'efficacité en données, la méthode dépasse une base de référence entraînée uniquement sur robot avec l'intégralité des données, tout en n'utilisant que 25% des démonstrations robotiques complétées par des données UMI. Elle atteint aussi 85% et 90% de réussite sur deux tâches apprises uniquement à partir de démonstrations UMI, sans aucune démonstration robotique spécifique à la tâche. Ce travail s'inscrit dans un enjeu central de l'apprentissage robotique actuel: la rareté et le coût des démonstrations réelles collectées directement sur robot. En démontrant qu'un transfert efficace est possible depuis des données humaines bon marché à collecter vers des politiques robotiques opérationnelles, UMI-Bridge apporte un argument concret en faveur de l'hypothèse selon laquelle l'apprentissage par action plutôt que par apparence visuelle permet de réduire la dépendance aux données robot, un point de friction connu des approches VLA à grande échelle comme Pi-0 ou GR00T N2. Le papier s'appuie sur UMI, un outil de collecte de démonstrations déjà largement adopté dans la recherche en manipulation robotique pour sa facilité de déploiement sans robot physique. La contribution reste à ce stade un résultat de recherche évalué sur un nombre restreint de tâches réelles, sans indication d'intégration dans un produit commercial ni de calendrier de déploiement industriel annoncé.

Recherche⚡Actu

1 source

38

1833arXiv cs.RO 

Contrôle adaptatif de précision basé sur un modèle pour la poussée planaire sur table en dynamique incertaine

Une équipe de chercheurs a publié une nouvelle version (v2) d'un article sur arXiv (2510.03768) décrivant un système de contrôle pour la manipulation par poussée non préhensile sur table, c'est-à-dire déplacer un objet en le poussant plutôt qu'en le saisissant avec une pince. Le système combine un modèle de dynamique appris, bâti sur une architecture récurrente GRU enrichie de couches non linéaires, avec un contrôleur MPPI (Model Predictive Path Integral), une méthode d'optimisation par échantillonnage. L'entraînement se fait entièrement en simulation, avec randomisation de domaine pour faciliter le transfert vers le réel. Les auteurs valident l'approche en simulation puis sur un bras robotique Franka Panda équipé d'un suivi sans marqueurs. Les résultats montrent des taux de réussite élevés pour le positionnement de précision sous des seuils stricts, ainsi que de bonnes performances en suivi de trajectoire, évitement d'obstacles, changement de côté de poussée et longueurs de poussée variables. L'apport principal tient à la polyvalence : un seul modèle appris couvre plusieurs tâches simplement en changeant la fonction objectif du contrôleur, sans réentraînement. Cela contraste avec la majorité des travaux antérieurs sur la poussée pilotée par les données, généralement limités à une capacité étroite (changement de côté, précision ou entraînement mono-tâche) et devant être réentraînés pour chaque nouvel objectif. Pour des équipes travaillant sur la manipulation non préhensile en industrie, réarrangement d'objets, alignement de pièces, tri sans préhenseur dédié, ce résultat suggère qu'un modèle de dynamique unique peut remplacer plusieurs politiques spécialisées, réduisant le coût d'ingénierie. Le transfert sim-to-réel réussi, sans données réelles pour l'entraînement, confirme aussi la viabilité de cette approche pour un déploiement rapide sur du nouveau matériel. Le travail s'inscrit dans la lignée des méthodes de poussée pilotées par les données, apparues en réaction aux limites des approches analytiques classiques, trop dépendantes d'une modélisation manuelle précise de la friction et des contacts. Le système reste pour l'instant restreint à un seul type d'objet : les auteurs indiquent l'étendre via des longueurs de poussée plus variées et un contrôleur équilibré réduisant le nombre d'étapes pour les objectifs à horizon long. Aucun calendrier de déploiement industriel n'est mentionné ; il s'agit à ce stade d'une contribution de recherche académique, sans acteur français ou européen identifié dans le texte.

Recherche❖Paper

1 source

38

1834arXiv cs.RO 

CANTABILE : un apprentissage de la dynamique expressive pour le piano robotique

Un preprint publié le 17 septembre 2026 sur arXiv (2609.18213v1) présente CANTABILE, un framework qui ajoute la dimension expressive au jeu de piano robotique en simulation. Jusqu'ici, les systèmes évalués sur RoboPianist, le benchmark de référence pour la manipulation bimanuelle dextre, n'étaient jugés que sur la justesse des notes, à savoir quelle touche presser et à quel instant, sans tenir compte de l'intensité du toucher. CANTABILE conditionne sa politique sur des objectifs de vélocité à venir, convertit la vitesse angulaire de chaque touche au moment de l'impact en valeur MIDI, et combine une récompense de fidélité de vélocité à une récompense de couverture des notes jouées, pour empêcher le système de sauter les passages difficiles afin de préserver son score. Sur EXPRESSIVE-51, un sous-ensemble de 51 morceaux riches en nuances dynamiques, le score Velocity F1, qui mesure conjointement hauteur, timing et intensité avec une tolérance de plus ou moins 8 sur l'échelle MIDI, passe de 0,06 à 0,34 par rapport à la référence RoboPianist, avec une amélioration sur l'ensemble des 51 morceaux, une erreur de vélocité sur les notes correctement jouées divisée par plus de deux, et une distance log-mel à l'enregistrement de référence réduite de 8 %. Un raffinement additionnel, un résidu localisé aux doigts et pondéré par un coefficient alpha appliqué à une politique de base gelée, ainsi qu'un entraînement à intensité aléatoire, permet de régler l'intensité du jeu au moment de l'exécution sans réentraîner le modèle. L'intérêt dépasse la seule musique: il révèle un angle mort des benchmarks de dextérité robotique, où mesurer uniquement précision temporelle et hauteur des notes laisse de côté l'intensité du geste et peut inciter un système à éviter les passages difficiles pour préserver son score. En couplant explicitement fidélité de vélocité et couverture des notes, CANTABILE ferme cette faille et propose une méthode transposable à d'autres tâches de manipulation fine où la force ou la vitesse du contact compte autant que sa localisation, un enjeu direct pour les politiques de type VLA et les architectures de contrôle bimanuel visées par la robotique humanoïde et les bras dextres industriels. Il ne s'agit toutefois pas d'une démonstration sur robot physique: RoboPianist et EXPRESSIVE-51 restent des benchmarks en simulation, et un F1 qui passe de 0,06 à 0,34 mesure un progrès relatif sur une tâche difficile plutôt qu'une performance musicale aboutie. CANTABILE s'inscrit dans la continuité de RoboPianist, benchmark de simulation déjà établi pour évaluer la manipulation bimanuelle dextre de mains robotiques jouant du piano, jusqu'ici centré sur la seule justesse note par note. Le résumé ne mentionne ni acteur industriel, ni société commerciale associée, ni calendrier de portage sur matériel réel: il s'agit d'une contribution académique publiée en preprint. Elle s'ajoute à un ensemble de travaux cherchant à combler l'écart entre les démonstrations de dextérité en simulation et des critères d'évaluation plus complets, dans un contexte où la recherche en robotique pousse vers des politiques capables de généraliser des compétences motrices fines, du jeu d'instrument à la manipulation d'objets fragiles.

Recherche❖Paper

1 source

38

1835arXiv cs.RO 

Apprentissage par renforcement pour des politiques vision-langage-action en temps réel

Un article publié sur arXiv (2609.18207v1) présente Real-Time EXPO-FT, un framework de fine-tuning par renforcement (RL) destiné à rendre les modèles Vision-Language-Action (VLA) exploitables en temps réel. Le problème visé : la taille des VLA modernes entraîne une latence d'inférence élevée, si bien que l'observation utilisée pour choisir une action est souvent obsolète au moment de son exécution, ce qui dégrade la fiabilité en conditions dynamiques. Bâtie sur EXPO-FT, un framework existant de fine-tuning RL économe en données, la méthode sépare la génération d'action, lente et expressive, confiée à un grand VLA pré-entraîné, de l'édition rapide et réactive de ces actions par une politique légère conditionnée sur l'observation la plus récente. Sur le benchmark simulé Kinetix, cette politique retardée obtient la meilleure performance dans les 10 environnements testés ; sur quatre tâches robotiques réelles (passation d'objet entre robots, équilibrage de balle, tir au but au babyfoot, ramassage d'objet en mouvement), la performance moyenne passe de 42 % à 97 % avec seulement 10 minutes de données collectées en ligne, sans intervention humaine. Ce résultat s'attaque à un frein connu du déploiement des VLA en robotique : la latence d'inférence, qui crée un décalage entre l'état perçu et l'état réel au moment d'agir, un problème qui s'aggrave à mesure que les modèles grossissent pour gagner en généralisation. Les approches antérieures d'exécution asynchrone reposaient sur l'apprentissage par imitation, incapable de dépasser la distribution des démonstrations ou de corriger ses erreurs en ligne. En montrant qu'un fine-tuning RL peut respecter des contraintes de contrôle temps réel tout en s'adaptant au-delà des données d'entraînement, Real-Time EXPO-FT ouvre une piste utile pour les intégrateurs cherchant des politiques VLA fiables sur des tâches dynamiques, plutôt que sur les démonstrations statiques et scénarisées souvent mises en avant par l'industrie. Le travail prolonge EXPO-FT, dont il reprend le principe de fine-tuning RL économe en échantillons, en y ajoutant la dimension temps réel absente des méthodes concurrentes fondées sur l'imitation. Il s'inscrit dans une recherche plus large sur les VLA génériques pour la manipulation robotique, où la latence liée à la taille des modèles reste un obstacle régulièrement pointé face aux exigences de contrôle réactif. Les auteurs ont mis en ligne une page de projet (pd-perry.github.io/real-time-expo-ft) présentant ces résultats, mais l'article ne mentionne aucun partenariat industriel ni calendrier de déploiement au-delà du cadre expérimental décrit, ce qui en fait pour l'instant une contribution de recherche plutôt qu'un produit prêt pour la production.

IA physique⚡Actu

1 source

38

1836arXiv cs.RO 

LEAP : la perception active émergente pour la navigation des robots quadrupèdes

Une équipe de recherche publie sur arXiv (2609.17628, mi-septembre 2026) une méthode baptisée LEAP, qui entraîne des politiques de navigation à choisir elles-mêmes où diriger leur regard plutôt que de subir passivement le flux de caméra imposé. Testée sur une tâche de navigation vers des objectifs visuellement cachés en terrain accidenté, la méthode fait émerger ce contrôle du regard uniquement sous la pression de la tâche, sans bonus artificiel de couverture ou de curiosité, grâce à une représentation invariante au point de vue qui fusionne des images de profondeur dans des cartes de croyance égocentriques. Sur des scénarios inédits, LEAP atteint 92,7% de réussite, contre 74,2% pour une perception scriptée et 34,5% pour une perception passive, à 4,6 points d'un oracle privilégié; les mêmes politiques pilotent aussi, sans modification, la locomotion de robots quadrupèdes en simulation physique. Le résultat s'attaque à un problème connu: les objectifs de substitution conçus à la main pour inciter un agent à bouger sa caméra entrent souvent en conflit avec la tâche réelle et dégradent les performances. LEAP montre qu'un contrôle du regard utile peut émerger d'un entraînement centré uniquement sur la réussite de la tâche, un point qui intéresse les concepteurs de politiques de navigation pour quadrupèdes et robots mobiles amenés à opérer en environnements non structurés, chantiers ou zones dangereuses. L'écart de 40 points entre perception scriptée et passive illustre le coût d'une caméra fixe face à un système qui choisit où regarder, mais ces chiffres restent issus de scénarios de simulation choisis par les auteurs, sans validation sur robot physique. La perception active, soit le choix du point de vue plutôt que sa réception passive, est un axe ancien de recherche en robotique et en apprentissage par renforcement, généralement traité par des récompenses de curiosité ou des objectifs de couverture ajoutés artificiellement; LEAP cherche à s'affranchir de ces heuristiques externes. L'article, nouvelle soumission arXiv non encore relue par les pairs, ne mentionne aucune affiliation industrielle ni partenaire matériel. Face à des acteurs de la navigation quadrupède comme Boston Dynamics, Unitree ou ANYbotics, LEAP reste à ce stade un résultat de recherche en simulation, sans calendrier de portage réel ni pilote annoncé.

Recherche❖Paper

1 source

38

1837arXiv cs.RO 

VLA-ULAP : alterner appels VLA cloud et prédiction d'action locale ultralégère en périphérie

Un article publié sur arXiv (2609.18663) présente VLA-ULAP, qui entrelace des appels à un modèle vision-langage-action (VLA) distant et lourd avec un prédicteur d'actions local ultra-léger, ULAP, d'environ 7,4 millions de paramètres, encodeur visuel gelé inclus. ULAP combine images caméra, proprioception et historique d'actions pour prédire un bloc d'actions en une passe, sans état caché du VLA ni aller-retour serveur. Sur un Jetson Orin Nano, une inférence prend 19,9 ms pour 0,183 joule, contre 284,3 ms et 50,55 joules pour GR00T sur une RTX A6000. En simulation, la méthode supprime 48,8 à 76,7% des appels au VLA en conservant 95,0 à 97,5% du taux de réussite de référence ; sur un bras physique SO-101, elle conserve 95,2 à 100% de réussite en réduisant le temps d'inférence de 47,9 à 58,0% et l'énergie de 52,1 à 62,5%. Ce résultat s'attaque au principal frein au déploiement des politiques VLA à grande échelle sur des robots embarqués : la puissance de calcul nécessaire à bord et la latence des appels distants, incompatible avec des tâches dynamiques. Pour les intégrateurs et fabricants de bras ou d'humanoïdes, cela suggère qu'un petit prédicteur local peut remplacer une bonne partie des appels au grand modèle sans perte notable de performance, contredisant l'idée qu'une inférence VLA continue soit indispensable à la fiabilité. Comparé à ACT et SP-VLA sur l'architecture VLA-JEPA, ULAP réduirait de 49 à 79% le temps et l'énergie par épisode réussi. En simulation sensible à la latence (LIBERO-Safety), VLA-ULAP dépasserait π0.5 de 11,0 et 15,5 points sur deux tâches en divisant par deux le nombre d'appels au VLA, signe que la latence pèse autant que la précision sur le succès des tâches dynamiques. VLA-ULAP s'inscrit dans la course aux politiques VLA à très grande échelle, dont GR00T sert ici de point de comparaison, réputées pour leur généralisation mais coûteuses à faire tourner en continu sur du matériel embarqué. Elle se positionne face à d'autres pistes d'accélération locale, ACT et SP-VLA, que les auteurs disent dépasser en efficacité à réussite comparable. Aucun calendrier de déploiement industriel n'est communiqué : les résultats restent ceux d'une recherche validée en simulation et sur une seule plateforme physique bas coût, le bras SO-101, avant toute extension.

IA physique❖Paper

1 source

38

1838arXiv cs.RO 

GraphPoint : graphes d'entités sémantiques et trajectoires de points pour la manipulation robotique compositionnelle

Un article déposé sur arXiv (référence 2609.18358) début septembre 2026 présente GraphPoint, une méthode de manipulation robotique associée à un nouveau benchmark baptisé CoMani. Le travail part d'un constat répandu en robotique : les politiques de manipulation entraînées par apprentissage peinent à généraliser au-delà de leurs démonstrations, même quand une nouvelle instruction combine des objets et des comportements déjà vus séparément. Les auteurs expliquent que lorsque langage et scène visuelle sont trop fortement corrélés pendant l'entraînement, la politique finit par mémoriser un mapping visuo-moteur fixe au lieu de réellement suivre l'instruction donnée. CoMani propose des scènes initiales appariées et des variations contrôlées portant sur un seul facteur sémantique à la fois, afin de forcer les modèles évalués à s'appuyer sur le langage plutôt que sur des raccourcis visuels. Deux niveaux de généralisation compositionnelle sont testés : à l'intérieur d'une sous-tâche, en recombinant entités, types d'action et modificateurs déjà connus, et entre sous-tâches, en réutilisant des comportements appris dans des tâches longues et inédites. GraphPoint, la méthode proposée, relie des graphes d'entités sémantiques à un contrôle géométrique en prédisant la trajectoire future du point de préhension du gripper, convertie ensuite en commandes moteur via la géométrie du robot ; le gripper et les objets sont organisés par rôles sémantiques et leurs interactions conditionnées par le type et le modificateur d'action demandés, tandis qu'une estimation de progression guide les transitions entre étapes. L'enjeu dépasse la seule démonstration technique : il touche directement le problème de l'écart entre performance affichée sur des tâches déjà vues et robustesse réelle en usage, un point sensible pour tout intégrateur évaluant une politique vision-langage-action avant déploiement industriel. En isolant précisément si un modèle suit l'instruction ou reconnaît simplement une scène mémorisée, CoMani offre aux équipes de recherche un outil de diagnostic plus rigoureux que les démonstrations vidéo sélectionnées qui dominent souvent la communication du secteur autour des capacités de généralisation. Le papier s'inscrit dans la vague récente de benchmarks cherchant à mesurer la généralisation compositionnelle des politiques de manipulation plutôt que leur seule réussite sur des tâches figées. Les auteurs indiquent que le code sera publié en accès libre sous le nom GraphPoint, sans préciser de calendrier ni d'institution porteuse. Aucun partenariat industriel, déploiement réel ou chiffre de performance chiffré au-delà des résultats d'ablation sur CoMani n'est mentionné à ce stade, ce qui situe cette publication au stade de la recherche amont plutôt que du produit commercialisable.

Recherche❖Paper

1 source

38

1839arXiv cs.RO 

Raisonnement probabiliste calibré des obstructions par modèles vision-langage pour la préhension en environnement encombré

Un preprint publié sur arXiv (2609.18718v1) présente CPOR-Grasp, un système de raisonnement probabiliste calibré pour la préhension d'objets en environnement encombré. Face à une cible partiellement cachée, il doit choisir entre la saisir directement, retirer un objet qui la bloque, ou différer la décision. Plutôt que de figer une seule interprétation de la scène, CPOR-Grasp calibre et fusionne les signaux d'un modèle vision-langage, de la profondeur et de masques amodaux pour construire une distribution sur les graphes d'obstruction possibles, en ne gardant que les plus probables et en bornant mathématiquement la probabilité écartée. Sur le benchmark UNOBench, en scènes synthétiques et réelles, avec Gemini Robotics comme backbone VLM, l'erreur de calibration chute de 0,1416 à 0,0185, l'inférence tronquée égale l'inférence exacte sur 99,74% des décisions avec 56 fois moins de graphes, et le taux de réussite réel atteint 77,8%, devant les meilleures méthodes existantes. Le tri en entrepôt, le bin-picking industriel et les bras montés sur robots mobiles autonomes (AMR) butent régulièrement sur ce problème : les VLM utilisés pour interpréter une scène encombrée produisent des scores de confiance mal calibrés, souvent trop optimistes, et des relations d'obstruction incohérentes entre elles. Une décision fondée sur une seule hypothèse fausse entraîne casse, chute d'objet ou échec de tâche, ce qui pèse sur le taux de succès en production, loin des vidéos de démonstration sélectionnées. En rendant l'incertitude explicite et en autorisant l'ajournement d'une action plutôt que la décision forcée, CPOR-Grasp montre qu'un VLM commercial performant comme Gemini Robotics reste surconfiant sans calibration statistique dédiée, un point utile pour qui construit un pipeline de préhension autour d'un VLM générique. Ce travail s'inscrit dans la vague d'approches robotiques qui s'appuient sur des VLM préentraînés pour le raisonnement de haut niveau plutôt que sur des pipelines de perception spécialisés, dans la lignée de modèles vision-langage-action comme Pi-0 ou GR00T N2, davantage orientés vers l'exécution de bout en bout. UNOBench sert ici de banc d'essai dédié à la désobstruction avant saisie, un sous-problème distinct mais complémentaire de ces architectures généralistes. Publié comme contribution de recherche, sans partenariat industriel annoncé, CPOR-Grasp n'est comparé pour l'instant qu'à des bases de référence académiques ; une intégration sur bras robotique réel en entrepôt et une confrontation aux piles de préhension propriétaires du secteur restent les étapes suivantes attendues.

Recherche❖Paper

1 source

38

1840arXiv cs.RO 

Apprentissage de la prise et du transport multi-humanoïdes via un contrôle décentralisé centré sur l'objet

Une équipe de recherche publie sur arXiv (référence 2609.17824, soumission de septembre 2026) une étude consacrée à la manipulation coopérative multi-humanoïdes : plusieurs robots bipèdes soulèvent et transportent ensemble un même objet dont la taille, le poids et la géométrie varient, avec une taille d'équipe qui s'adapte à la tâche. La méthode, baptisée contrôle décentralisé centré sur l'objet, attribue à chaque humanoïde une zone d'attache locale sur l'objet partagé ; chaque robot apprend à réaliser la prise et le transport par un pincement bimanuel sans pince dédiée (gripperless bimanual pinching), c'est-à-dire en utilisant directement ses deux mains articulées. Cette interface d'attache sert d'abstraction de contrôle commune, valable aussi bien pour la prise par un seul robot que pour le transport à plusieurs ou le passage de main à main (handover) entre robots, sans qu'il faille reconcevoir l'algorithme pour chaque cas de figure. Les auteurs valident l'approche en simulation sur des tailles d'équipe et des géométries d'objets variées, puis démontrent un transfert sim-to-real sur du matériel réel, où les contrôleurs appris permettent à de vrais robots humanoïdes d'exécuter des tâches de manipulation coopérative. Le résultat le plus significatif pour le secteur est que des politiques entraînées uniquement sur la prise par un robot seul se transfèrent déjà de façon non triviale à des scénarios coopératifs à plusieurs robots, ce qui suggère que l'abstraction par zone d'attache capture une grande partie de la structure nécessaire à la coordination. Un entraînement multi-robot explicite améliore néanmoins encore les performances, preuve que le couplage via l'objet partagé introduit une dynamique de coordination qu'il vaut la peine d'apprendre directement plutôt que de la déduire. Pour les intégrateurs et les décideurs industriels qui envisagent des flottes d'humanoïdes en logistique ou en usine, ce travail attaque un vrai goulot d'étranglement : la manutention d'objets encombrants ou lourds nécessitant plusieurs robots reste peu résolue, et une abstraction unique évitant de reprogrammer chaque configuration d'équipe réduirait fortement le coût d'ingénierie du déploiement. Ce travail s'inscrit dans la vague plus large des politiques apprises pour la manipulation robotique, où la question du passage du simple robot isolé à la coordination multi-agents reste un axe de recherche actif à mesure que les humanoïdes commerciaux se multiplient. L'abstract ne précise ni les auteurs, ni le laboratoire, ni la plateforme humanoïde utilisée pour les essais matériels, ce qui est courant pour une prépublication arXiv en cours d'évaluation. Il s'agit d'un travail de recherche à ce stade, validé en simulation et sur du matériel réel en conditions contrôlées, sans annonce de produit, de pilote industriel ni de calendrier de déploiement commercial.

Recherche❖Paper

1 source

38

1841arXiv cs.RO 

Apprentissage robotique en contexte avec des agents VLM

Un article publié sur arXiv (référence 2609.19138v1) présente GPT-Policy, un cadre logiciel qui permet à un robot d'apprendre au moment du déploiement, sans réentraînement préalable pour chaque tâche. L'architecture combine un « context compiler » qui conserve les transitions visuelles utiles à la tâche, un modèle vision-langage (VLM) grand public comme GPT-6 Astra chargé de proposer des actions robot-outil, et un contrôleur contraint qui vérifie, exécute et rapporte le résultat de chaque action. Sur robot réel, des démonstrations vidéo humaines améliorent le taux de réussite même sans étiquetage des actions robotiques correspondantes, et des références d'actions alignées apportent un gain supplémentaire sur les tâches sensibles au contact. Aucun chiffre de charge utile, de degrés de liberté ou de temps de cycle n'est communiqué : il s'agit d'une étude de recherche évaluée sur des métriques de réussite et d'efficacité, pas d'un produit commercialisé. Le problème visé est central pour l'industrie : aucun jeu de démonstrations fini ne peut couvrir toutes les tâches et situations qu'un robot rencontrera en usage réel, ce qui limite la généralisation des politiques actuelles entraînées par imitation. En s'appuyant sur l'apprentissage en contexte, déjà courant chez les grands modèles de langage pour le texte ou le code, mais sans mise à jour de gradient ni modification persistante des paramètres, l'approche suggère qu'un VLM généraliste pourrait s'adapter à une situation nouvelle à partir de quelques exemples fournis au moment de l'exécution. Si elle se confirme à plus grande échelle, cette piste remettrait en question l'idée selon laquelle seuls des modèles vision-langage-action spécialement entraînés sur des données robotiques peuvent piloter un robot, un enjeu direct pour les intégrateurs cherchant à réduire le coût de collecte de données par tâche. Ce travail s'inscrit dans la vague des modèles fondation appliqués à la robotique, aux côtés de familles VLA comme Pi-0, GR00T N2 ou Helix, qui misent à l'inverse sur un entraînement massif de bout en bout sur des données robotiques. Les auteurs présentent eux-mêmes leurs résultats comme une étape vers l'apprentissage en contexte plutôt que comme une solution aboutie, reconnaissant que des défis subsistent avant un déploiement fiable. Aucun acteur français ou européen, aucun site de déploiement industriel ni calendrier de commercialisation ne figurent dans cette publication, qui reste une contribution académique destinée à poser des fondations empiriques plutôt qu'un produit prêt à l'emploi.

Recherche❖Paper

1 source

38

1842arXiv cs.RO 

Coordination corps-main à résidu contrôlé pour la téléopération humanoïde du corps entier

Un article publié sur arXiv (2609.18763v1) décrit une méthode pour corriger un défaut connu des systèmes de téléopération de robots humanoïdes à corps entier : la désynchronisation entre le suivi de mouvement du corps et le repositionnement des mains, deux modules aujourd'hui indépendants qui ne préservent pas la géométrie corps-mains, d'où des décalages de pose au poignet et aux doigts lors d'interactions bimanuelles. La méthode, baptisée "gated residual coordination", laisse ces deux modules gelés et leur ajoute des corrections bornées via une porte d'action conditionnée au mouvement, qui répartit l'autorité de correction entre groupes d'articulations, et des portes de récompense liées à la géométrie de référence pendant l'entraînement. Le contrôleur corporel de référence est calibré sur la plateforme humanoïde Agile One par une calibration morphologique multi-pose, puis entraîné avec un tracker basé sur SONIC et un jeu de données de mouvement construit par étapes. En simulation, les erreurs de géométrie poignet-doigts baissent de 39,2 à 56,3% sur des mouvements bimanuels issus du jeu GRAB, tandis que le taux de succès du suivi corporel global sur AMASS passe de 89,03% à 89,29%. Le problème visé est concret pour les intégrateurs de téléopération humanoïde : la cohérence corps-mains conditionne la fiabilité des tâches bimanuelles comme la saisie ou le transfert d'objet entre les mains, un enjeu direct pour la collecte de démonstrations servant à entraîner des modèles vision-language-action et pour le contrôle téléopéré en environnement industriel. L'atout de la méthode tient à sa modularité : elle évite de réentraîner les politiques de suivi corporel ou de retargeting déjà déployées, ce qui limite le coût d'intégration pour des équipes disposant d'une pile de téléopération existante. Le gain de 39 à 56% sur la précision géométrique est net, mais l'amélioration du taux de succès global du suivi corporel reste marginale, et les résultats ne sont pour l'instant validés qu'en simulation, sans démonstration publiée sur robot physique. Ce travail s'inscrit dans la lignée des pipelines de téléopération combinant un tracker de mouvement corporel et un module de retargeting dextre séparé, architecture répandue dans le secteur mais dépourvue jusqu'ici de coordination explicite entre les deux flux de commandes. Les auteurs s'appuient sur les jeux de capture de mouvement AMASS et GRAB, références classiques pour évaluer respectivement le suivi corporel global et l'interaction main-objet. À la différence d'une approche end-to-end entraînée depuis zéro, cette méthode résiduelle vise la compatibilité avec des modules déjà en production, ce qui pourrait faciliter son adoption par des équipes ayant déjà investi dans une pile de téléopération. Les prochaines étapes attendues sont une validation sur robot réel et une extension à des tâches de manipulation plus variées que celles couvertes par GRAB et AMASS.

Recherche❖Paper

1 source

38

1843arXiv cs.RO 

TRACER : navigation sociale multirobot adaptative par prédiction conjointe et replanification interactive

Un nouveau framework de navigation multi-robot baptisé TRACER a été présenté dans un article publié sur arXiv le 17 septembre 2026 (référence 2609.18776), destiné aux flottes de robots évoluant dans des espaces partagés avec des humains. Le système fonctionne selon un principe d'horizon glissant bidirectionnel : il évalue plusieurs trajectoires candidates pour l'équipe de robots à l'aide d'un modèle probabiliste par entité, qui distingue l'effet propre de chaque robot des interactions par paires non additives avec les personnes à proximité. Une fois le début de la trajectoire choisie exécuté, TRACER met à jour des croyances persistantes, liées à l'identité de chaque entité observée, sur ses modes de réponse latents, à partir des réactions réellement mesurées. Ces croyances actualisées guident ensuite l'évaluation des trajectoires suivantes selon des critères de sécurité probabiliste et de coût sensible aux réponses humaines. Les tests ont été menés sur SocialGym2, un benchmark de référence en navigation sociale multi-robot, sans précision sur le nombre de robots engagés ni sur les temps de calcul. Les auteurs rapportent trois résultats principaux : TRACER capture mieux les effets d'interaction non additifs entre robots qu'un prédicteur additif de capacité équivalente, les croyances persistantes et cohérentes par identité améliorent la prédiction des réponses humaines et le replanning qui en découle, et le framework complet augmente le taux de trajets sans collision par rapport à une base de référence où chaque robot planifie indépendamment. Pour les intégrateurs de flottes de robots mobiles autonomes en entrepôt, hôpital ou espace public, ce travail cible une limite connue : les méthodes existantes traitent séparément la prédiction conditionnée à l'action, la planification multi-robot et l'adaptation en ligne, ce qui empêche de boucler prédiction et exécution en temps réel face à des humains non coopératifs. Cette recherche s'inscrit dans la continuité des travaux sur la navigation sociale robotique qui cherchent à dépasser les modèles de force sociale classiques et les approches de prédiction conditionnée à l'action, en unifiant prédiction et planification dans une seule boucle fermée. Classé comme contribution nouvelle sur arXiv, l'article reste à ce stade une validation purement en simulation via SocialGym2, sans annonce de pilote industriel, de partenaire ou de robot physique associé. Aucun acteur français ou européen comme Wandercraft, Exotec, Pollen Robotics ou Enchanted Tools n'apparaît dans ces travaux. L'étape suivante attendue pour ce type de recherche est le passage à des tests avec des robots réels face à des humains non scénarisés, écart qui reste le plus difficile à combler entre simulation et déploiement opérationnel.

Recherche❖Paper

1 source

38

1844arXiv cs.RO 

Rêver le son du contact : générer vidéo et audio pour la manipulation sensible à la force en zero-shot

Un article déposé sur arXiv (référence 2609.19137, catégorie "new") début septembre 2026, intitulé "Dreaming the Sound of Contact", décrit une méthode pour doter les robots manipulateurs d'une perception de la force lors de tâches de contact. Les modèles de génération vidéo utilisés pour apprendre des trajectoires de manipulation ne produisent que des mouvements cinématiques, sans information de force, et échouent donc dès qu'un contact adéquat est requis pour réussir la tâche. Les auteurs augmentent la vidéo générée avec de l'audio: le volume des sons de contact synthétisés façonne un profil de force désirée, borné et variable dans le temps, dérivé conjointement avec la trajectoire à partir d'un simple prompt textuel structuré. Exécutées sur un bras Franka Panda via un régulateur de force en boucle fermée qui suit ce profil audio pendant le contact, ces trajectoires réussissent plusieurs tâches là où une base purement cinématique échoue, sans qu'un taux de réussite chiffré ne soit précisé dans le résumé. Le pipeline sert aussi de générateur de données pour entraîner des politiques exécutant ces tâches en boucle fermée, avec code, vidéos et jeu de données promis sur dreamingcontactsound.github.io. Le travail cible un angle mort des approches génératives aujourd'hui dominantes en manipulation robotique, notamment les modèles vision-langage-action qui imitent des mouvements visuellement plausibles mais ignorent la dynamique de contact, pourtant indispensable pour pousser, essuyer, visser ou insérer une pièce. Montrer qu'un signal audio généré, et non mesuré par un capteur réel, peut suffire à façonner une consigne de force exploitable en boucle fermée ouvre une piste peu coûteuse pour réduire l'écart entre démonstration vidéo et exécution physique réelle. Pour les intégrateurs et les équipes de R&D en manipulation industrielle, l'intérêt est double: moins dépendre de démonstrations réelles coûteuses à collecter, et étendre le champ des politiques apprises par vidéo, aujourd'hui cantonnées aux tâches sans contact critique, vers l'assemblage ou la manipulation fine. Cette méthode s'inscrit dans une lignée de recherches qui exploitent la génération vidéo comme source de trajectoires de manipulation robotique, une alternative à la téléopération ou à l'apprentissage par renforcement en simulation pour collecter des données d'entraînement. L'absence de force dans ces trajectoires générées, et l'échec conséquent sur les tâches à contact riche, est une limite connue depuis l'essor des architectures vision-langage-action à grande échelle. Le choix du bras Franka Panda, plateforme standard des laboratoires de recherche en manipulation, situe ce travail au stade de validation expérimentale plutôt que de déploiement industriel: aucun partenariat commercial, licence ou calendrier de mise en production n'est mentionné. Les seules suites annoncées sont la mise à disposition du code, des vidéos et du jeu de données sur le site du projet, ouvrant la voie à une réplication par la communauté robotique.

Recherche❖Paper

1 source

38

1845arXiv cs.RO 

Apprendre à empiler : imitation learning par démonstrations en réalité virtuelle pour empiler des cubes

La collecte de démonstrations reste le principal frein à l'apprentissage par imitation pour les tâches manipulatoires en plusieurs étapes, qui exigent de réinitialiser la scène après chaque essai humain. Un article publié sur arXiv en septembre 2026 (arXiv:2609.19040v1) décrit un pipeline de collecte de données en réalité virtuelle conçu pour contourner ce goulot d'étranglement, appliqué à une tâche d'empilement de cubes avec un bras robotique personnalisé à 5 degrés de liberté (DoF) simulé dans NVIDIA Isaac Sim et Isaac Lab. Équipé d'un casque HTC Vive Pro 2, de gants Manus Quantum et du standard OpenXR, un opérateur envoie des commandes SE(3) à l'effecteur terminal pour générer les démonstrations. La tâche consiste à empiler le cube rouge sur le cube bleu puis le cube vert sur le cube rouge, avec des positions de départ randomisées à chaque essai. En 30 minutes, l'équipe a collecté 200 démonstrations virtuelles, à comparer aux 45 démonstrations réalisées par téléopération physique sur le robot réel, et le module Isaac Mimic a généré 100 échantillons supplémentaires par augmentation automatique. Une politique de clonage comportemental a ensuite été entraînée sur les démonstrations virtuelles avec des observations double caméra au format LeRobot, puis évaluée en simulation. L'apport principal tient moins au volume brut qu'à la séparation entre capture des trajectoires et construction du jeu de données : une démonstration enregistrée peut être rejouée, ses commandes converties de l'espace des tâches vers l'espace articulaire, puis re-rendue avec de nouvelles configurations de capteurs ou d'états, sans nouvelle session de téléopération humaine. Pour les laboratoires et intégrateurs qui cherchent à entraîner des politiques de manipulation à grande échelle, cette approche promet de réduire le coût humain récurrent associé à chaque changement d'observation ou d'action, un enjeu central alors que le secteur multiplie les tentatives de données synthétiques ou téléopérées pour nourrir des modèles de type vision-langage-action. Le travail reste néanmoins circonscrit à une tâche simple à trois cubes et évalué uniquement en simulation, ce qui ne constitue pas une démonstration de transfert sim-to-real sur robot physique et appelle à la prudence sur la généralisation des résultats. Ce travail s'inscrit dans la lignée des efforts recourant à la téléopération VR/AR, déjà explorée par plusieurs équipes de robotique, pour remplacer ou compléter la téléopération physique classique jugée trop lente et coûteuse à grande échelle. L'écosystème NVIDIA Isaac (Isaac Sim, Isaac Lab, Isaac Mimic) sert ici de socle de simulation et d'augmentation de données, une plateforme de plus en plus utilisée par la communauté recherche pour générer des jeux d'entraînement sans dépendre exclusivement d'un robot physique disponible en continu. Les auteurs positionnent leur contribution comme une preuve de concept méthodologique plutôt qu'un système prêt au déploiement, et les suites logiques annoncées portent sur l'extension à des bras à davantage de degrés de liberté, des tâches multi-étapes plus complexes, et une validation sur robot réel pour confirmer que les politiques apprises en réalité virtuelle se transfèrent effectivement hors simulation.

Recherche❖Paper

1 source

38

1846arXiv cs.RO 

Du jeu à la politique de contrôle : vers une collecte de données robotiques à grande échelle par interaction gamifiée sans robot

Une équipe de recherche présente sur arXiv (papier 2609.18650v1, mis en ligne en septembre 2026, soumission apparemment en aveugle sans institution nommée) une méthode de collecte de données pour l'apprentissage de politiques de manipulation robotique baptisée Project Kitchen, couplée à un algorithme nommé Game2Policy. Project Kitchen est une plateforme de collecte de données égocentriques en réalité virtuelle conçue comme une expérience de jeu vidéo plutôt qu'une session classique de téléopération : l'utilisateur manipule des objets virtuels dans un environnement gamifié, sans dépendre d'un robot physique ni d'un matériel spécifique, ce qui rend les données transférables et potentiellement collectables à grande échelle via crowdsourcing. Game2Policy extrait ensuite des indices d'affordance indépendants de la morphologie du robot, notamment les points de contact et les états de sous-objectifs, à partir des trajectoires de jeu ; un modèle d'affordance est pré-entraîné sur ces données puis affiné conjointement avec les politiques robotiques finales à l'aide d'une poignée seulement de démonstrations réelles. Les auteurs rapportent des gains moyens de taux de réussite de 10,0 points en simulation et 18,3 points sur robots réels en configuration few-shot, ainsi qu'une diversité comportementale et un niveau d'engagement supérieurs selon des études utilisateurs. Ce travail cible un goulot d'étranglement central du secteur : l'entraînement de politiques de manipulation généralisables, notamment de type VLA, exige des données massives et variées, mais les démonstrations réelles restent coûteuses et les méthodes existantes sont soit liées à un robot spécifique, ce qui limite le crowdsourcing, soit mal annotées et peu diversifiées. Si l'approche tient à plus grande échelle, elle ouvrirait la voie à une collecte de données quasi illimitée via des joueurs grand public plutôt que des flottes de téléopération dédiées, réduisant potentiellement le coût d'entrée pour les intégrateurs. Les résultats restent toutefois à prendre avec prudence : ils proviennent d'un article de recherche non encore accepté, la « poignée » de démonstrations réelles n'est pas quantifiée précisément, et les gains sont mesurés sur des tâches contrôlées en cuisine simulée. La démarche s'inspire explicitement des mécanismes d'engagement à long terme des jeux vidéo pour résoudre le problème récurrent du sim-to-real et du game-to-real gap. Elle s'inscrit dans la tendance plus large consistant à exploiter des données humaines non robotiques (vidéo, VR, simulation) pour contourner la téléopération coûteuse. Les auteurs annoncent la publication de la plateforme et du code uniquement après acceptation de l'article : il s'agit donc à ce stade d'une annonce de recherche, pas d'un produit ni d'un déploiement réel.

Recherche❖Paper

1 source

38

1847arXiv cs.RO 

Évaluation multimodale en ligne de la charge de travail dans l'interaction physique homme-robot à contact riche

Une équipe de recherche publie sur arXiv (référence 2609.18031, soumission de type "new") un cadre d'évaluation en ligne de la charge de travail dans les interactions physiques homme-robot riches en contact, un domaine qui couvre par exemple l'assemblage collaboratif ou la manipulation partagée avec un cobot. Le système combine trois signaux capturés en continu, le torseur d'effort au point de contact, la cinématique planaire du point central de l'outil (TCP), et la conductance cutanée (SCL), qu'il synthétise en quatre facteurs interprétables liés à la charge de travail. Les poids de ces facteurs sont ajustés dynamiquement selon la courbure de la trajectoire, pour refléter les variations de la demande motrice, et selon la progression de la tâche, pour tenir compte de la dérive physiologique dans le temps. Le protocole d'évaluation a mobilisé 24 participants soumis à 18 combinaisons contrôlées de température, de bruit acoustique et d'éclairement, testées sous deux modes de commande en admittance. En validation croisée stricte de type "un sujet exclu" (LOSO), avec le diamètre pupillaire standardisé comme référence physiologique indépendante, le cadre atteint une corrélation de Spearman moyenne de 0,308 sur des blocs de 30 secondes, avec une corrélation positive chez 23 des 24 participants. Pour les intégrateurs de cobots et les concepteurs de commandes en admittance, l'intérêt tient moins à la performance brute, une corrélation de 0,308 reste modeste, qu'à la transparence de la méthode : elle égale des modèles d'apprentissage profond "boîte noire" tout en gardant des facteurs de charge explicites et des règles de pondération définies, ce qui facilite l'audit et la certification en environnement industriel. Elle ouvre la voie à une adaptation en temps réel des paramètres de contrôle robotique en fonction de l'état physiologique de l'opérateur, sans dépendre uniquement d'un dispositif de suivi pupillaire coûteux et contraignant. Ce travail s'inscrit dans la recherche sur l'évaluation continue de la charge cognitive et physique en pHRI, en alternative aux questionnaires post-tâche classiques et aux approches à poids fixes, jugées moins robustes. Étant un préprint tout juste annoncé, il n'a pas encore été validé par les pairs ni testé en conditions industrielles réelles, et ses auteurs comparent leur approche à des références d'apprentissage automatique jugées représentatives de l'état de l'art sans toutefois les nommer précisément.

Recherche❖Paper

1 source

37

1848arXiv cs.RO 

KINO : une interface à images-clés pour la planification par VLM et le contrôle du corps entier en loco-manipulation humanoïde

Des chercheurs présentent KINO (arXiv:2609.18869v1), un framework hiérarchique pour la loco-manipulation de robots humanoïdes qui insère des « keyframes » de mouvement comme représentation intermédiaire entre un modèle vision-langage (VLM) chargé de la planification et un contrôleur par renforcement (RL) chargé de l'exécution corps entier. Chaque keyframe encode une pose cible pour l'ensemble du corps du robot et, si nécessaire, la pose de l'objet manipulé. À partir d'une instruction en langage naturel, d'observations de la scène et d'un retour d'exécution, le VLM sélectionne successivement des keyframes pertinentes dans une bibliothèque prédéfinie ; ces keyframes sont ensuite réajustées à la scène courante pour tenir compte de la position et des dimensions des objets, avant qu'une politique conditionnée par keyframe ne génère les actions articulaires. Les auteurs introduisent une stratégie d'échantillonnage de keyframes basée sur la saillance pour l'entraînement de la politique bas niveau, qui fait passer le taux de réussite de bout en bout de 44 % à 92 % lorsque le VLM ne fournit que des keyframes éparses. Le système a été évalué sur des tâches de prise, transport et dépose d'objets, en simulation et sur un humanoïde Unitree G1, avec manipulation à une et deux mains. Ce résultat s'inscrit dans un débat central du secteur robotique : comment relier des modèles vision-langage capables de raisonner sur des instructions abstraites à des contrôleurs bas niveau capables de produire des mouvements corps entier stables. Plutôt que de miser sur une architecture VLA (vision-language-action) de bout en bout, à l'image de Pi-0, GR00T N2 ou Helix, KINO mise sur une représentation intermédiaire discrète et interprétable, ce qui pourrait faciliter le débogage et le contrôle qualité pour des intégrateurs industriels tout en limitant la fréquence des appels au VLM, coûteux en calcul. Le saut de 44 % à 92 % de succès reste toutefois une mesure obtenue en conditions contrôlées de recherche, pas un chiffre de déploiement industriel, et mériterait d'être confirmé sur des tâches plus variées. Le travail s'inscrit dans la vague de recherches académiques cherchant à rendre les humanoïdes capables de manipulation généraliste sans réentraînement massif pour chaque nouvelle scène, un axe exploré en parallèle par les architectures VLA de Physical Intelligence, NVIDIA ou Figure. Le choix du Unitree G1, plateforme humanoïde accessible et déjà utilisée dans de nombreux laboratoires, en fait un banc d'essai plutôt qu'un produit fini : aucun partenariat industriel ni calendrier de commercialisation n'est mentionné dans l'article. Les auteurs indiquent que le système généralise à des emplacements de dépose non vus pendant l'entraînement, un point clé pour juger de sa robustesse au-delà des démonstrations sélectionnées, mais le nombre d'essais et les conditions exactes de ces tests de généralisation ne sont pas précisés.

Recherche❖Paper

1 source

37

1849arXiv cs.RO 

Apprentissage de la loco-manipulation globale du corps entier avec un manipulateur mobile bipède

Des chercheurs publient sur arXiv (référence 2609.18930v1, septembre 2026) un contrôleur unifié de corps entier pour un robot bipède manipulateur mobile, entraîné par apprentissage par renforcement. Le système prend en entrée une seule cible d'effecteur terminal en 6 degrés de liberté (position et orientation) et produit directement les actions coordonnées de la base bipède et du bras, sans qu'aucune commande explicite de vitesse de base ou de placement de pas ne soit fournie séparément. L'entraînement repose sur une stratégie de "reward-gating" qui arbitre dynamiquement entre suivi de trajectoire de l'effecteur, locomotion et maintien de l'équilibre. Un module d'estimation de contexte temporel, combinant un encodeur Transformer à fenêtre glissante, une mémoire récurrente GRU et une prédiction auxiliaire de dynamique, extrait des informations pertinentes de l'historique d'observation pour affiner le contrôle. Sur robot réel, les auteurs montrent que ce même contrôleur exécute des tâches d'atteinte, d'adaptation posturale et de pas sous trois types de commandes différentes : téléopération en réalité virtuelle, une politique de diffusion apprise, et des trajectoires scriptées. L'intérêt pour l'industrie robotique tient à la simplification de l'architecture de contrôle: au lieu de piloter séparément la locomotion et la manipulation, ou de dépendre de commandes de pas explicites, une seule interface d'effecteur terminal suffit à coordonner l'ensemble du corps. Cela facilite en théorie le branchement de politiques de haut niveau (VLA, diffusion, téléopération) sur un même contrôleur bas niveau, sans réentraînement spécifique à chaque source de commande. C'est un signal pertinent pour les équipes qui travaillent sur l'intégration de piles de manipulation sur plateformes humanoïdes ou bipèdes mobiles, dans la lignée des efforts sectoriels pour découpler la couche de décision de la couche de contrôle moteur. Le travail s'inscrit dans la recherche académique sur la loco-manipulation bipède, un problème identifié de longue date car il étend la portée effective des bras au-delà de leur espace de travail nominal en mobilisant les jambes. L'abstract ne précise ni l'identité des auteurs, ni la plateforme robotique utilisée, ni un calendrier de déploiement commercial: il s'agit d'un preprint de recherche avec validation expérimentale en laboratoire, pas d'un produit ou d'un pilote industriel annoncé.

Recherche❖Paper

1 source

37

1850arXiv cs.RO 

Raccourcis géométriques pour postures complexes du tronc : le couplage à double hélicité permet un contrôle à faible dimension

Une équipe de recherche a mis en ligne sur arXiv en septembre 2026 un preprint (2609.18050) sur une énigme de biomécanique : comment la trompe d'éléphant produit-elle une telle variété de postures sans commande fine muscle par muscle ? Les auteurs proposent qu'un raccourci géométrique de basse dimension y contribue, un couplage à double hélicité entre deux couches de muscles obliques de sens opposé. Sur un prototype de robot souple simplifié, faire varier seulement deux paramètres géométriques suffit à reproduire une large bibliothèque de postures proches de celles de l'animal. Cette approche intéresse la robotique continue, où le pilotage bute souvent sur le grand nombre de degrés de liberté à coordonner en temps réel. En montrant qu'une architecture à deux niveaux, un contrôle géométrique global couplé à une activation locale plus fine, peut engendrer une diversité de mouvements comparable à celle d'un organe biologique complexe, l'étude ouvre une piste pour simplifier la commande de bras manipulateurs souples industriels ou médicaux sans en réduire la richesse de mouvement. La robotique continue bio-inspirée des trompes d'éléphant est un champ actif depuis plusieurs années, mais la plupart des systèmes existants reposent encore sur de nombreux actionneurs pilotés individuellement. Cette étude se distingue en formulant une hypothèse biologique testable sur l'architecture musculaire réelle des éléphants, plutôt qu'en se limitant à l'imiter. Il s'agit d'un prototype de laboratoire décrit dans un preprint non encore relu par les pairs, sans partenariat industriel annoncé ; les auteurs veulent approfondir cette validation biologique et affiner l'architecture à double couche pour de futurs bras robotiques continus.

Recherche❖Paper

1 source