Actualités robotique — page 38

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

37

1851arXiv cs.RO 

Mise à l'échelle en temps de test par historique causal pour la récupération après échec dans les modèles autorégressifs monde-action

Des chercheurs publient sur arXiv (papier 2609.18016v1, soumis le 17 septembre 2026) un framework de récupération d'échec pour les "world-action models" (WAM), ces systèmes qui modélisent conjointement la dynamique visuelle future et les actions du robot pour la manipulation. Le problème identifié est précis : ces modèles sont entraînés quasi exclusivement sur des trajectoires réussies, si bien qu'ils échouent dès que l'exécution réelle s'écarte de la dynamique apprise, et dans les WAM autorégressifs, chaque erreur d'exécution s'inscrit dans l'historique causal et contamine les prédictions suivantes. La méthode proposée, qualifiée de "training-free" (pas de réentraînement nécessaire), reformule la récupération d'échec comme un scaling au moment de l'inférence sur l'historique causal, en trois étapes couplées : un déclencheur qui détecte la non-progression persistante et n'intervient que si l'état d'exécution le permet, un module qui identifie le suffixe d'historique non fiable, retrouve une ancre historique correspondant à l'état physique courant et reconstruit l'état causal (KV) à partir du préfixe retenu, et enfin une vérification d'hypothèses qui compare les continuations générées à partir de l'historique complet, du préfixe récupéré et d'une réinitialisation totale, avant de retenir la meilleure. Les expériences, menées en simulation et sur banc réel, montrent une amélioration constante du taux de succès des tâches, et les ablations confirment l'apport de chacune des trois étapes. L'enjeu dépasse le papier lui-même : il touche au point faible connu des modèles vision-langage-action (VLA) et WAM déployés en usine, à savoir l'écart entre démonstrations soignées et robustesse en conditions réelles bruitées. Un mécanisme de récupération générique, applicable sans réentraînement à des modèles existants, intéresse directement les intégrateurs qui cherchent à fiabiliser des pipelines de manipulation basés sur des architectures autorégressives, un défi partagé par l'ensemble des modèles de type Pi-0, GR00T N2 ou Helix. Ce travail reste à ce stade un preprint arXiv, non encore validé par relecture par les pairs ni testé à grande échelle industrielle ; l'abstract ne précise ni les auteurs ni leur affiliation. Il s'inscrit dans un effort de recherche plus large visant à combler l'absence de mécanismes natifs de correction d'erreur dans les modèles génératifs de robotique, un axe que plusieurs laboratoires explorent en parallèle à mesure que ces modèles passent du stade démonstratif au déploiement réel.

Recherche❖Paper

1 source

37

1852arXiv cs.RO 

Adaptive-MHE : un MPC adaptatif basé échantillonnage pour la loco-manipulation des robots à pattes via estimation à horizon glissant

Un article publié sur arXiv sous la référence 2609.17832, signalé comme nouvelle soumission ce qui situe sa parution en septembre 2026, présente Adaptive-MHE, un framework de contrôle pour robots à pattes effectuant des tâches de loco-manipulation, c'est-à-dire combinant déplacement et manipulation d'objets. Le système associe une estimation à horizon glissant (moving horizon estimation, MHE) à un contrôleur prédictif basé sur l'échantillonnage (sampling-based model predictive control, MPC), qui compare en parallèle des milliers de trajectoires simulées aux trajectoires réellement mesurées. Il estime ainsi en continu, pendant l'exécution, des paramètres physiques inconnus comme la masse d'un objet manipulé ou le coefficient de friction du terrain. Les auteurs rapportent des tests menés à la fois en simulation et sur du matériel réel, où Adaptive-MHE dépasse systématiquement des méthodes de référence et atteint des performances comparables à celles d'un contrôleur disposant directement des paramètres réels du terrain et des objets. L'article ne précise ni le nombre de degrés de liberté du robot testé, ni la charge utile, ni de temps de cycle chiffré, ce qui limite la comparaison avec des plateformes commerciales. Cette approche s'attaque à un problème central de la robotique à pattes: l'écart entre simulation et réalité, qui dégrade le contrôle dès que les paramètres physiques réels diffèrent de ceux du modèle simulé. Les méthodes classiques d'identification de système supposent une dynamique différentiable, hypothèse qui ne tient pas pour des systèmes riches en contacts comme un robot à pattes manipulant un objet sur un sol variable. Les techniques d'identification par échantillonnage contournaient déjà cette limite mais restaient cantonnées à un traitement hors ligne, incapables de suivre des conditions changeantes en temps réel. En rendant cette estimation adaptative et embarquée, ce travail répond directement à un besoin des intégrateurs qui déploient des robots à pattes dans des environnements logistiques ou industriels non contrôlés, où la nature du sol et le poids des charges varient d'un cycle à l'autre sans qu'aucun capteur ne les mesure directement. Cette contribution s'inscrit dans la lignée des recherches sur le contrôle prédictif basé échantillonnage, une famille de méthodes qui gagne du terrain face aux approches par apprentissage par renforcement ou aux modèles vision-language-action pour piloter des robots à pattes dans des tâches de contact riche. Contrairement aux plateformes humanoïdes commerciales déjà présentées en usine par certains acteurs du secteur, Adaptive-MHE reste à ce stade une contribution académique, validée par des expériences de simulation et un prototype matériel, sans partenaire industriel ni calendrier de transfert produit annoncés. Les auteurs présentent leur méthode comme un pas vers une identification de système en ligne plus généralisable, ouvrant la voie à des essais sur des tâches de loco-manipulation plus complexes et sur davantage de plateformes robotiques dans de futurs travaux.

Recherche❖Paper

1 source

37

1853arXiv cs.RO 

DeformSmith : génération hiérarchique d'objets déformables guidée par harnais physique pour la manipulation robotique

Un framework baptisé DeformSmith, décrit dans un article publié sur arXiv en septembre 2026 (arXiv:2609.18620v1) avec une page projet dédiée, automatise la création d'objets déformables physiquement crédibles pour la manipulation robotique, à partir d'un texte ou d'une seule image. Le système combine une construction agentique hiérarchique et un harnais physique partagé : il construit, teste puis affine la géométrie, le modèle physique, le comportement des matériaux et l'interaction avec un bras robotique, jusqu'à obtenir un asset prêt pour la simulation. La boucle se referme via un retour d'interaction robotique, les essais générant des données rejouables qui corrigent l'objet. Les auteurs comparent leur méthode à trois références, PhysGen3D, PhysGM et PhysX-Omni, revendiquant une meilleure qualité visuelle et physique, sans chiffres précis à l'appui. L'enjeu dépasse la démonstration académique. La manipulation d'objets déformables (tissus, câbles, emballages souples, aliments) reste un angle mort des politiques de manipulation robotique actuelles, entraînées surtout sur des objets rigides faute d'assets simulés en nombre et en qualité suffisants. En automatisant leur génération et en bouclant la construction avec un retour d'interaction simulé, DeformSmith cible le goulot d'étranglement des données plus que celui des algorithmes. Pour les laboratoires et intégrateurs qui veulent entraîner des politiques capables de plier, saisir ou déformer des objets mous, un tel outil pourrait réduire la dépendance à la capture de données réelles, coûteuse et difficile à mettre à l'échelle, sans garantir pour autant un transfert direct au monde réel. Le travail s'inscrit dans une lignée de générateurs d'assets physiques pour la simulation robotique, dont PhysGen3D, PhysGM et PhysX-Omni sont les références directes de comparaison. Ces outils partagent le même constat : les moteurs de simulation modernes manquent moins de puissance de calcul que de contenu physiquement cohérent, surtout pour les corps mous. DeformSmith se distingue par son traitement couplé, plutôt que séquentiel, de la géométrie, de la physique et de l'interaction. À ce stade, il s'agit d'une publication de recherche sans déploiement industriel ni partenaire annoncé ; aucun calendrier de validation sur bras robotiques physiques n'est précisé, ce qui reste l'étape suivante logique pour confirmer l'intérêt de la méthode hors simulation.

Recherche❖Paper

1 source

37

1854arXiv cs.RO 

Cartographie de terrain à faible coût pour la locomotion humanoïde par apprentissage par renforcement : Loco-Loco-RL

Un article de recherche publié sur arXiv (2609.19041v1) en septembre 2026, intitulé "Loco-Loco-RL: Low-Cost Terrain Mapping for Humanoid Locomotion with Reinforcement Learning", propose une méthode de perception de terrain low-cost pour la locomotion humanoïde. Plutôt que les caméras de profondeur ou LiDAR habituels, coûteux et gourmands en calcul, les auteurs utilisent un simple capteur time-of-flight bon marché pour construire une représentation 3D locale du terrain. Pour exploiter ce signal épars, ils introduisent une politique transformer temporelle à compression de tokens: les observations proprioceptives et de terrain sont tokenisées, traitées par un transformer à self-attention multi-tête, compressées via un module MLP en espace latent, puis stockées dans un historique glissant de 15 pas de temps qu'un second transformer à cross-attention exploite pour la politique de renforcement. La méthode a été validée par transfert sim-to-real sur un robot humanoïde physique, sur un benchmark de locomotion en terrain accidenté, avec une marche jugée robuste malgré la faible résolution du capteur. Aucun partenaire industriel ni déploiement commercial n'est mentionné: c'est un travail de recherche, pas une annonce produit, et aucune plateforme humanoïde n'est nommée. L'intérêt pour les intégrateurs reste néanmoins direct, car le coût et la consommation des capteurs de perception pèsent lourd dans le bill of materials des humanoïdes et freinent leur déploiement en volume. En montrant qu'un capteur ToF bon marché et basse résolution suffit à une locomotion robuste sur terrain accidenté grâce à une architecture transformer compressée, le travail apporte un contre-exemple concret à l'idée qu'une perception haute résolution est indispensable au franchissement d'obstacles, une piste pour réduire les coûts de production à l'échelle. L'approche s'inscrit dans une lignée de travaux en apprentissage par renforcement pour la locomotion de robots à pattes, où la perception extéroceptive du terrain reste coûteuse à traiter face à la simple proprioception. Elle se positionne face aux approches concurrentes misant sur des caméras de profondeur ou LiDAR embarqués, plus riches mais plus chers et plus lourds à calculer en temps réel. L'article ne précise ni le robot utilisé pour les essais ni de calendrier de déploiement industriel: à ce stade, c'est un preprint validant un principe en laboratoire, sans partenaire ni pilote annoncés. La suite logique, non détaillée par les auteurs, serait une extension à des terrains plus variés et une comparaison directe des coûts et performances face aux stacks LiDAR ou caméra de profondeur standards du secteur.

Recherche❖Paper

1 source

37

1855arXiv cs.RO 

LUMO : une morphologie de contact lumineuse pour une observation répétable du doigt entier

Des chercheurs présentent LUMO (Luminous contact Morphology), un doigt robotique qui localise un contact sur toute sa longueur. Il résout une ambiguïté classique : le couple mesuré à l'articulation d'un doigt à faible impédance peut venir d'une petite force près du bout du doigt ou d'une grande force près de l'articulation. Des LED intégrées éclairent un coussin en silicone compliant dont la déformation, sous contact, change le motif lumineux visible sur le côté du doigt selon l'endroit sollicité. Le profil du doigt (coussin, support rigide, vide latéral) a été optimisé par simulation de contact rigide-souple, tracé de rayons et optimisation bayésienne multi-objectifs, pour une compliance mécanique progressive et une séparation optique nette entre positions. Sur deux silicones, six emplacements de contact et des indenteurs sphériques de 10 et 30 mm, la séparation entre positions voisines s'améliore de 15 à 59%. La force normale est estimée avec une erreur moyenne de 1,44 N sur 931 échantillons, en combinant localisation optique et couple articulaire. Sur une main à deux doigts, plusieurs segments réagissent simultanément pendant une prise. Ce résultat s'attaque à un verrou connu de la préhension robotique : les doigts compliants à faible impédance, prisés pour la manipulation délicate, ne renseignent en général que sur la charge totale, pas sa répartition spatiale, contrairement aux peaux tactiles denses à base de caméras ou de matrices de capteurs, coûteuses ou fragiles. En intégrant l'observabilité optique directement dans la structure porteuse plutôt qu'en multipliant les capteurs, LUMO offre aux concepteurs de mains robotiques et de préhenseurs industriels ou humanoïdes un moyen simple d'estimer où et avec quelle force un objet est saisi, une information utile pour ajuster une prise en temps réel ou détecter un glissement. L'approche s'inscrit dans la recherche sur la perception tactile proprioceptive, qui vise à extraire des informations de contact riches à partir de peu de capteurs, en s'appuyant sur la conception mécanique elle-même. Les essais restent limités au laboratoire, avec deux types de silicone, six positions de contact et une main à deux doigts. La validation sur des mains complètes à plusieurs doigts et en conditions de préhension réelles reste l'étape suivante avant une éventuelle intégration dans des préhenseurs commerciaux ; l'article, publié sur arXiv, ne mentionne aucun partenariat industriel ni calendrier annoncé.

Recherche❖Paper

1 source

37

1856arXiv cs.RO 

Approximation des variétés d'auto-mouvement en haute dimension via des modèles génératifs profonds

La revue arXiv a mis en ligne le 17 septembre 2026 un article intitulé "Approximating High Dimensional Self-Motion Manifolds via Deep Generative Models" (arXiv:2609.18169v1), qui propose une nouvelle méthode pour résoudre un problème classique de cinématique inverse en robotique manipulatrice. Une variété d'auto-mouvement, ou self-motion manifold (SMM), désigne l'ensemble infini des configurations articulaires possibles pour un manipulateur redondant lorsque l'organe terminal reste fixé à une pose donnée. Les méthodes existantes, comme la continuation dans l'espace nul ou les approches par apprentissage, supposent implicitement que cette variété est une courbe à une dimension, ce qui limite leur usage aux robots à faible redondance. Les auteurs adoptent à la place une vision probabiliste: la variété est vue comme le support d'une distribution conditionnelle des configurations sachant la pose cible, ce qui permet de la reconstruire en échantillonnant un modèle génératif profond puis en séparant ses composantes disjointes par clustering. Testée sur un bras à 7 degrés de liberté rotoïdes (7R) pour des tâches de positionnement, la méthode égale les meilleures approches actuelles sur des variétés à une dimension, et devient la première à approximer des variétés à quatre dimensions sur ce type de bras fortement redondant. Le code est publié sur GitHub. L'intérêt pratique concerne la planification de mouvement globale et optimale pour les bras robotiques très redondants, un enjeu central pour les intégrateurs qui conçoivent des manipulateurs industriels ou des bras de robots humanoïdes avec de nombreux degrés de liberté supplémentaires par rapport à la tâche visée. La formulation proposée ne dépend pas de la dimension de la variété et ne nécessite aucun changement d'architecture quand l'ordre de redondance augmente, ce qui lève un verrou méthodologique qui cantonnait jusqu'ici la planification exhaustive aux cas simples. Il s'agit toutefois d'un résultat de recherche à ce stade, validé en simulation sur un cas d'usage spécifique, et non d'une solution intégrée dans un produit commercial. Le travail s'inscrit dans la littérature sur la cinématique des manipulateurs redondants, où la continuation dans l'espace nul et les réseaux de neurones appliqués aux courbes de configuration constituent l'état de l'art de référence explicitement cité par les auteurs comme point de comparaison. La suite logique annoncée passe par l'exploitation du dépôt GitHub ouvert pour la reproductibilité, avec une possible extension à des tâches incluant l'orientation ou à d'autres architectures de bras fortement redondants.

Recherche❖Paper

1 source

37

1857arXiv cs.RO 

Mem2Ego : la mémoire globale vers égocentrique pour la navigation incarnée à long horizon

Mem2Ego, un framework de navigation robotique fondé sur les modèles vision-langage (VLM), a été republié le 17 septembre 2026 en version 3 sur arXiv (arXiv:2502.14254), remplaçant une version antérieure du même article de recherche. Le système s'attaque à la navigation incarnée à long horizon : un agent robotique doit explorer un environnement inconnu en combinant raisonnement de sens commun et raisonnement spatial. Concrètement, Mem2Ego associe une mémoire globale, sous forme de carte sémantique ou topologique, à des observations égocentriques en première personne captées par le robot, en récupérant dynamiquement les indices pertinents pour la tâche en cours et en les fusionnant avec la perception locale. L'équipe a évalué la méthode sur deux benchmarks de référence en navigation simulée, HSSD (Habitat Synthetic Scenes Dataset) et HM3D (Habitat-Matterport 3D), ainsi que sur un robot réel, ce qui distingue cette publication de nombreux travaux purement simulés. L'enjeu dépasse la seule performance sur benchmark. Les approches fondées uniquement sur des LLM traduisent la mémoire globale en descriptions textuelles, ce qui fait perdre l'information géométrique et pénalise le raisonnement spatial dans des environnements complexes. À l'inverse, les approches VLM purement égocentriques traitent la navigation comme un problème de décision partiellement observé, faute de vision d'ensemble, ce qui conduit à des choix sous-optimaux. En articulant les deux, Mem2Ego répond à une limite concrète et documentée du secteur de la navigation incarnée, où le compromis entre représentation langagière et perception directe reste un point de friction pour les intégrateurs travaillant sur des agents autonomes en environnement inconnu. Les auteurs annoncent un gain « significatif » par rapport à l'état de l'art antérieur sur HSSD et HM3D, sans détailler de chiffres précis dans le résumé, une formulation à prendre avec prudence tant qu'aucune métrique chiffrée n'est publiée. Le travail s'inscrit dans la lignée des recherches combinant LLM et VLM pour l'exploration robotique, un domaine où la tension entre cartes sémantiques textuelles et perception visuelle directe alimente plusieurs lignes de recherche concurrentes. La validation sur robot réel, en plus des environnements simulés HSSD et HM3D, suggère une volonté de dépasser le stade purement algorithmique, sans que l'article ne précise de calendrier de déploiement ni de partenariat industriel à ce stade.

Recherche❖Paper

1 source

37

1858arXiv cs.RO 

Planification multirobot des tâches et mouvements, asymptotiquement optimale

Des chercheurs publient sur arXiv (identifiant 2609.18813v1, soumission de type "new", datée de septembre 2026) un nouvel algorithme de planification conjointe tâche-mouvement pour systèmes multi-robots, appelé MR-TAMP dans le papier. Le problème visé : quand plusieurs robots interagissent, chaque transition de tâche peut mobiliser un sous-ensemble différent de robots, ce qui change la dimension des contraintes appliquées à l'espace de configuration global. Les auteurs formalisent cette structure de transitions et posent des conditions suffisantes pour garantir une optimalité asymptotique globale, à savoir une couverture persistante des transitions pertinentes combinée à une amélioration continue de la planification de mouvement dans les régions faisables connectées. Concrètement, leur planificateur combine des cartes de chemins (roadmaps) individuelles par robot, mises à jour de façon incrémentale, avec une recherche implicite en produit tensoriel, ce qui évite de devoir construire explicitement la roadmap composite de l'ensemble des robots, opération normalement coûteuse. Pour rester efficace en temps fini, le système ajoute un échantillonnage conditionnel des transitions, une vérification paresseuse des collisions, et un guidage à la fois au niveau des modes de tâche et des solutions candidates. Pour l'industrie robotique, cette contribution s'adresse directement aux intégrateurs qui déploient des flottes de bras manipulateurs ou de robots coopératifs sur une même cellule de production ou d'entrepôt, où la coordination combinatoire entre tâches discrètes (qui fait quoi, dans quel ordre) et mouvements continus sans collision reste un verrou classique. Les algorithmes à garanties d'optimalité asymptotique existaient déjà pour un seul robot ; l'étendre au multi-robot sans exploser le coût de calcul est ce qui manquait pour des applications réelles à plusieurs bras synchronisés. Il s'agit toutefois d'une contribution théorique et algorithmique publiée en prépublication arXiv, sans validation industrielle ni chiffres de déploiement, de payload ou de temps de cycle : c'est un travail de recherche fondamentale, pas un produit ni une démonstration commerciale. Ce travail s'inscrit dans la lignée des planificateurs tâche-mouvement (TAMP) à garanties asymptotiques développés pour la robotique mono-robot, en cherchant à combler l'écart avec les approches multi-robots existantes, généralement basées sur une planification découplée ou priorisée sans garantie d'optimalité globale. Les suites logiques attendues sont une validation expérimentale plus poussée, une comparaison chiffrée face aux méthodes concurrentes, puis une possible soumission à une conférence de robotique comme ICRA ou IROS, étapes non encore mentionnées dans ce dépôt initial.

Recherche❖Paper

1 source

37

1859arXiv cs.RO 

DynoFluxBench : évaluer les planificateurs cinéto-dynamiques spatio-temporels en environnements dynamiques

DynoFluxBench est un nouveau framework destiné à comparer des planificateurs de trajectoires cinodynamiques, c'est-à-dire respectant les limites physiques du robot comme la vitesse et l'accélération, dans des environnements dynamiques où les obstacles mobiles arrivent à un instant non borné dans le temps. Trois planificateurs de référence l'illustrent : ST-Db-RRT étend un arbre de recherche avec des primitives de mouvement à discontinuité bornée puis affine la trajectoire par optimisation, tandis que KIST et ST-GBRRT construisent un arbre entièrement faisable guidé par des heuristiques distinctes. Les trois méthodes bénéficient de garanties de complétude probabiliste démontrées en environnement dynamique. Sur ce banc d'essai, ST-Db-RRT trouve une première solution jusqu'à 32 fois plus vite que les deux autres, qui restent préférables quand l'optimisation de trajectoire devient fragile ou instable. Vidéos et analyses sont publiées sur dynofluxbench.github.io. La plupart des robots mobiles industriels, des AMR d'entrepôt aux humanoïdes appelés à sortir des zones balisées, doivent éviter des obstacles mobiles tout en respectant leurs propres limites de vitesse et d'accélération, mais la recherche traitait jusqu'ici séparément la faisabilité cinodynamique et la planification face à des obstacles en mouvement, sans cadre commun pour comparer les approches sur ces deux critères à la fois. DynoFluxBench comble ce vide en offrant un étalon reproductible, utile aux équipes de recherche comme aux intégrateurs qui doivent choisir une architecture de navigation plutôt que de s'appuyer sur des démonstrations isolées difficiles à comparer entre laboratoires. L'écart mesuré entre la rapidité de ST-Db-RRT et la robustesse de KIST et ST-GBRRT rappelle aussi que l'optimisation de trajectoire, souvent présentée comme une solution universelle en planification de mouvement, reste fragile dans certains régimes. Ce travail s'inscrit dans la filiation des planificateurs par échantillonnage de type RRT et de leurs variantes cinodynamiques, croisée avec les méthodes de planification espace-temps conçues pour des obstacles dont la trajectoire est connue à l'avance, deux courants jusqu'ici développés séparément. Publié en prépublication sur arXiv sans mention d'entreprise, de produit commercial ni de déploiement industriel, ce travail académique met son code, ses vidéos et ses analyses à disposition publique pour que d'autres équipes comparent leurs planificateurs sur un terrain commun.

Recherche❖Paper

1 source

37

1860arXiv cs.RO 

rMuscle : mémoire musculaire robotique pour une inférence efficace des modèles vision-langage-action

Un preprint arXiv (2609.19104v1, septembre 2026) présente rMuscle, un framework d'inférence en temps réel pour les modèles Vision-Language-Action (VLA) qui pilotent des robots. Le système part d'un constat : dans un poste de travail structuré, les exécutions robotiques répétées montrent une forte similarité, non seulement dans les observations et les trajectoires d'action, mais aussi dans les états internes du modèle. rMuscle exploite cette redondance via un cache à double phase inspiré de la mémoire musculaire humaine : un Context Cache qui réutilise les tokens visuels déjà calculés, et un Action Cache qui réutilise les motifs d'activation des neurones pour réduire les accès aux poids du modèle, son coût restant limité par recalcul en ligne et récupération par fenêtre glissante. Testé sur GPU RTX 4090 et cartes embarquées Jetson Thor, sur les benchmarks de simulation LIBERO et RoboTwin ainsi que sur des tâches de manipulation physique réelle, il affiche une accélération de 1,29 à 1,42 fois sans dégrader les taux de réussite du modèle original. L'enjeu est concret : la latence d'inférence détermine directement la réactivité et la fluidité des mouvements d'un robot, un facteur critique alors que les VLA s'imposent comme le paradigme dominant du contrôle robotique en usine. Les frameworks d'inférence généralistes ignorent pourtant la répétitivité propre aux tâches industrielles structurées, un angle mort que rMuscle attaque directement plutôt que de viser une accélération générique du calcul, ce qui concerne au premier chef les intégrateurs qui déploient des VLA sur du matériel embarqué à ressources limitées comme le Jetson Thor. Le point le plus significatif pour le secteur est que ce gain de vitesse ne dégrade pas le taux de réussite sur robot réel, une réponse directe au doute récurrent sur l'écart entre démonstrations en simulation et performance en conditions réelles. Il s'agit néanmoins d'un résultat de recherche publié en preprint, sans validation par les pairs ni intégration annoncée dans un produit commercial identifié. Ce travail s'inscrit dans la course actuelle à l'optimisation de l'inférence des VLA, devenus le paradigme dominant à mesure que les tâches manuelles répétitives en usine s'imposent comme le scénario de déploiement le plus rentable pour l'IA incarnée. rMuscle se distingue des méthodes génériques de compression ou de quantification de modèles en misant sur la structure même du travail industriel répété poste par poste, sans que les auteurs précisent quels VLA spécifiques ont servi de base expérimentale ni de calendrier de publication du code. La suite logique, non confirmée par l'article, serait une adoption par des frameworks d'inférence robotique plus larges ou des tests sur d'autres plateformes matérielles au-delà du RTX 4090 et du Jetson Thor.

Recherche⚡Actu

1 source

37

1861arXiv cs.RO 

CALOS : couche de sécurité Lyapunov control-affine sur variété pour l'apprentissage par renforcement profond sûr des quadrirotors

CALOS, pour Control-Affine Lyapunov On-manifold Safety, est une couche de sécurité présentée dans une prépublication arXiv (2609.17758v1) destinée à sécuriser les politiques d'apprentissage par renforcement profond appliquées au contrôle de quadrirotors. Le système impose quatre inégalités sur l'angle d'inclinaison et une condition de décroissance de Lyapunov, formulées comme un unique programme quadratique dont la solution est la correction de norme minimale à appliquer au couple nominal produit par la politique. Ce programme quadratique est résolu de façon exacte par énumération d'ensembles actifs dans l'espace de couple à trois dimensions, avec un coût de calcul suffisamment faible pour fonctionner en temps réel sur plusieurs milliers d'environnements de simulation exécutés en parallèle, comme l'exigent les pipelines d'entraînement massivement parallèles utilisés aujourd'hui. Testé sur des tâches de suivi de trajectoire dans NVIDIA Isaac Lab, CALOS réduit l'erreur de suivi latérale de 55 à 60% par rapport à une politique PPO (Proximal Policy Optimization) non contrainte, tout en atteignant zéro violation des contraintes d'attitude sur la trajectoire d'entraînement. L'intérêt pour l'industrie robotique tient au fait que cette couche de sécurité s'ajoute au-dessus de l'algorithme d'apprentissage sans le modifier, ce qui la rend compatible avec des pipelines d'entraînement existants. Elle répond à une limite connue des politiques de RL pour drones: rien ne garantit qu'elles respectent des contraintes physiques pendant l'entraînement ou le déploiement. Autre point notable, en restreignant l'exploration aux régions sûres de l'espace d'état, la contrainte accélère la convergence de l'entraînement au lieu de le pénaliser, ce qui contredit l'hypothèse répandue selon laquelle sécurité et performance s'opposent nécessairement en apprentissage par renforcement. Ce travail s'inscrit dans un courant de recherche plus large sur les couches de sécurité par fonctions de Lyapunov et barrières de contrôle pour le RL robotique. Sa spécificité revendiquée est la résolution exacte, et non approchée, du programme quadratique, à un coût compatible avec la simulation massivement parallèle. Il s'agit à ce stade d'une validation uniquement en simulation, dans Isaac Lab, sans expérimentation sur drone réel ni acteur industriel associé.

Recherche❖Paper

1 source

37

1862arXiv 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

1863arXiv cs.RO 

TAO-Force : unifier perception sensible à la force et contrôle rapide-lent pour la manipulation à contacts riches

TAO-Force, présenté dans un papier de recherche publié sur arXiv en septembre 2026 (arXiv:2609.18497v1), s'attaque aux limites des modèles Vision-Language-Action (VLA) pour la manipulation robotique riche en contact, comme l'insertion de pièces ou l'assemblage fin. Le système ajoute une perception sensible à la force via F-FiLM (Force-conditioned Feature-wise Linear Modulation), un module qui injecte un retour de force encodé dans les représentations d'un backbone vision-langage pré-entraîné et gelé, sans altérer ses connaissances sémantiques. Côté contrôle, une architecture "fast-slow" déclenchée par la détection de contact fait alterner une branche lente en position, qui suit la trajectoire nominale hors contact, et une branche rapide en admittance, qui régule l'interaction physique dès le contact. L'approche est validée par une tâche dédiée de perception de force et par des essais réels sur quatre tâches de manipulation riches en contact ; l'abstract ne précise ni taux de réussite chiffrés, ni plateforme robotique, ni affiliation des auteurs. Le travail cible un angle mort documenté des VLA génériques actuels, de Pi-0 à Helix : leur perception, essentiellement visuelle, détecte mal l'amorce et l'intensité d'un contact, et leur exécution en boucle de position ne s'adapte pas en temps réel aux dynamiques de contact qui évoluent vite, ce qui cantonne ces modèles à la préhension grossière plutôt qu'aux gestes fins comme l'insertion de connecteurs. Pour les intégrateurs et les équipes robotique industrielles, l'intérêt tient à la méthode : injecter un retour de force dans un backbone VLA gelé, sans réentraîner tout le modèle, offre une adaptation moins coûteuse, dans un secteur où l'écart entre démonstrations léchées et fiabilité en usine reste le principal frein à l'adoption de politiques génériques de manipulation. TAO-Force s'inscrit dans une tendance de recherche plus large consistant à ajouter des capteurs de force et de couple aux politiques de manipulation. Ces politiques, entraînées surtout sur des flux caméra, sont ici adaptées via un backbone gelé plutôt que par un réentraînement complet. Publié sur arXiv sans revue par les pairs et sans partenaire industriel ni calendrier de déploiement annoncés, le travail devra être reproduit par d'autres laboratoires avant toute intégration dans des piles logicielles pour bras industriels ou mains de robots humanoïdes.

Recherche❖Paper

1 source

37

1864arXiv cs.RO 

CaSCo : planification de mouvement sensible aux cascades et aux collisions souples

Publié sur arXiv le 17 septembre 2026 (référence 2609.18910), le framework CaSCo (Cascade-Aware Soft-Collision motion planning) remplace la contrainte binaire de collision par un risque sémantique gradué : un modèle vision-langage ou de langage note chaque objet de la scène, distinguant un carton d'un verre, d'un ordinateur portable ou d'un objet instable, pendant qu'un simulateur physique prédit les collisions secondaires en cascade quand un contact déplace un objet qui en heurte un autre. Le système cherche le chemin minimisant le risque sémantique total des objets touchés, via un algorithme de recherche de graphe optimal à heuristique admissible et consistante, doté de mécanismes de cache et d'élagage pour rester efficace en scène encombrée. Il a été testé en environnements de manipulation encombrés et validé sur robot réel, sur les critères de risque sémantique, de raisonnement en cascade et d'efficacité de planification. L'approche cible un angle mort classique de la planification de trajectoire : un chemin géométriquement "sans collision" ignore que toucher un carton ou faire tomber un verre n'ont pas les mêmes conséquences, et qu'un contact initial peut déclencher une réaction en chaîne sur les objets voisins. En intégrant le raisonnement sémantique d'un VLM ou LLM directement dans la boucle de planification plutôt qu'en simple pré-traitement de perception, CaSCo réduit l'écart entre démonstrations de manipulation en environnement dégagé et fonctionnement réel en entrepôt, foyer ou bureau, où le contact accidentel est parfois inévitable. Pour les intégrateurs de robots manipulateurs, cela ouvre une voie vers des planificateurs tolérants au contact sans sacrifier la sécurité, en modélisant explicitement les effets domino plutôt qu'en les ignorant. CaSCo s'inscrit dans une tendance plus large de la recherche robotique consistant à greffer des modèles vision-langage comme modules de raisonnement sémantique sur des piles de planification et de contrôle classiques, plutôt qu'à tout confier à un système end-to-end. Le papier ne mentionne ni affiliation industrielle ni partenaire de déploiement : il s'agit d'une contribution de recherche en préprint, évaluée en laboratoire sur bras manipulateur, et non d'un produit commercialisé. Aucun calendrier de suite n'est communiqué, mais la validation annoncée sur robot réel laisse présager une publication du code et des données expérimentales à l'appui des résultats.

Recherche❖Paper

1 source

36

1865arXiv cs.RO 

HINT-Plan : planification de tâches robotiques tenant compte de l'intention humaine dans des environnements riches en contexte, via des modèles vision-langage

Des chercheurs ont présenté HINT-Plan, un système de planification de tâches robotiques qui intègre la prédiction des intentions humaines dans la prise de décision, selon un article publié sur arXiv (référence 2609.17771v1, catégorie "new") en septembre 2026. Le système utilise des modèles vision-langage (VLM) pour anticiper les intentions humaines de haut niveau à partir d'observations d'images à la troisième personne, puis convertit ces intentions en états-objectifs exploitables pour résoudre des problèmes de planification conjointe homme-robot. Pour représenter l'environnement, HINT-Plan s'appuie sur des graphes de scène hiérarchiques (Scene Graphs) qui traduisent la topologie des lieux et les connaissances actionnables en un langage de planification formel garantissant des plans exécutables. Évalué dans un environnement de simulation photoréaliste, le système atteint un taux de réussite global de 69,71 % en planification conjointe homme-robot, dépassant les méthodes de référence de jusqu'à 35,29 points, tout en réduisant les conflits fonctionnels entre agents humain et robotique. Ce travail s'attaque à un angle mort documenté du secteur de la robotique mobile: la quasi-totalité des approches dites "conscientes de l'humain" se limitent aujourd'hui à l'évitement de collision au niveau de la planification de mouvement bas niveau, sans anticiper le comportement humain à un niveau décisionnel supérieur. En démontrant qu'un VLM peut inférer des intentions humaines exploitables pour une planification multi-agents formelle, l'étude apporte un argument empirique en faveur des architectures VLA appliquées non plus seulement au contrôle moteur, mais à la coordination stratégique entre humains et robots dans des espaces partagés, un enjeu direct pour les AMR et robots collaboratifs en entrepôt ou en environnement domestique. Il s'agit toutefois d'une validation en simulation uniquement, sans déploiement matériel ni test en conditions réelles, ce qui limite la portée immédiate des résultats. Le papier s'inscrit dans la lignée des travaux combinant graphes de scène et planification symbolique, en réponse aux limites des baselines existantes qui ignorent l'anticipation comportementale. Les auteurs ne précisent pas de calendrier de transfert vers le réel ni de partenariat industriel; la validation sur robot physique reste l'étape logique suivante pour confirmer la robustesse de l'approche hors simulation.

Recherche❖Paper

1 source

36

1866arXiv cs.RO 

VLM-MPPI : ancrer le langage naturel dans des trajectoires diversifiées pour la navigation aérienne

Un système hiérarchique de navigation pour drones, baptisé VLM-MPPI, traduit une consigne en langage naturel en trajectoires de vol réalistes dans des environnements intérieurs encombrés. Son cœur repose sur un ensemble parallélisé de six planificateurs MPPI (Model Predictive Path Integral) conditionnés par comportement, chacun doté de coûts de guidage et de biais d'échantillonnage spécifiques qui produisent six modes de trajectoire distincts plutôt que de simples variations aléatoires autour d'une même solution. Ces trajectoires 3D sont projetées sur le flux vidéo RGB embarqué en vue subjective, ce qui transforme l'ancrage du langage en un problème de sélection visuelle : un modèle vision-langage préentraîné choisit, de façon asynchrone, l'indice du candidat correspondant le mieux à la consigne textuelle et à l'image annotée. Pendant ce temps, les planificateurs MPPI replanifient à 20 Hz et un contrôleur bas niveau de type PID suit la trajectoire retenue. L'ensemble a été testé dans le simulateur NVIDIA Isaac Sim et sur un quadricoptère réel équipé de LiDAR et de caméra RGB, avec un taux de réussite de 100% rapporté sur les scénarios évalués. L'intérêt principal tient à la façon dont l'architecture contourne la latence d'inférence des modèles vision-langage, un frein connu pour le contrôle de vol en temps réel où le drone doit réagir en quelques dizaines de millisecondes. En confiant la sélection sémantique, plus lente, au VLM et la planification dynamique, plus rapide, à MPPI, le système garde un ancrage du langage robuste sans sacrifier la réactivité ni la sécurité du vol. Pour les équipes travaillant sur les architectures vision-langage-action comme Pi-0 ou GR00T N2, pensées surtout pour la manipulation ou la locomotion au sol, cette approche propose une alternative : plutôt que de faire prédire des actions continues au modèle, on le limite à choisir parmi un petit ensemble de trajectoires déjà validées comme dynamiquement faisables. Le taux de succès de 100% doit toutefois être relativisé, puisqu'il porte sur des scénarios évalués par les auteurs eux-mêmes, dans un cadre encore expérimental et limité en diversité d'environnements. Le travail s'inscrit dans la continuité de MPPI, technique de commande prédictive par échantillonnage déjà répandue en robotique mobile, ici étendue pour intégrer un objectif sémantique porté par un modèle de fondation, et dans la vague plus large des architectures vision-langage-action déjà explorées ailleurs pour la manipulation ou les robots humanoïdes comme Helix. Publié en preprint sur arXiv (2609.18451), sans révision par les pairs à ce stade et sans partenaire industriel ni acteur français ou européen mentionné, il s'agit d'un résultat de recherche démontrant la faisabilité du concept sur un seul quadricoptère plutôt que d'un produit prêt à déployer, sans calendrier annoncé pour des essais à plus grande échelle.

Recherche❖Paper

1 source

36

1867arXiv cs.RO 

DistAL : un apprentissage de l'avantage basé sur la distance pour affiner les modèles VLA

Un article publié sur arXiv (référence 2609.18392v1, catégorie "new", donc non encore relu par les pairs) présente DistAL, pour Distance-based Advantage Learning, une nouvelle méthode d'entraînement pour les modèles vision-langage-action (VLA) utilisés en manipulation robotique. Ces modèles combinent la compréhension sémantique des grands modèles de langage avec le contrôle précis de politiques par flow-matching. La méthode s'appuie sur le principe du "advantage conditioning", une technique récente qui entraîne une fonction de valeur à partir de données de déploiement puis conditionne la politique de contrôle sur cette fonction pour l'améliorer de façon itérative. Jusqu'ici, ces approches reposaient sur de simples récompenses binaires de succès ou d'échec, incapables de distinguer la qualité réelle d'un état au-delà de sa progression apparente dans la tâche. DistAL introduit à la place une récompense fondée sur la distance dans un espace d'embedding, une idée inspirée des méthodes de détection hors distribution (OOD), pour construire une fonction de valeur plus informative. Les auteurs testent leur méthode sur plusieurs bancs d'essai en simulation ainsi que sur des tâches de manipulation bi-manuelle dextre exécutées sur du matériel robotique réel, avec un taux de succès en aval supérieur aux approches précédentes. L'enjeu dépasse le cadre académique: le secteur des VLA cherche depuis des mois à combler l'écart entre démonstrations scénarisées et fiabilité en conditions réelles, un point de friction majeur pour les intégrateurs qui affinent des politiques de manipulation sur leurs propres flottes. En améliorant la granularité du signal d'apprentissage sans changer l'architecture du modèle ni exiger davantage de données, ce travail suggère que le goulot d'étranglement actuel des VLA se situe moins dans le volume de données de pré-entraînement que dans la qualité du signal de récompense utilisé lors du fine-tuning post-déploiement, une nuance qui intéresse directement les équipes de recherche appliquée en robotique. Le "advantage conditioning" s'inscrit dans une lignée de méthodes visant à corriger les VLA après coup, plutôt qu'à tout réentraîner depuis zéro, une approche jugée plus économique à l'échelle industrielle. DistAL en constitue une extension technique plutôt qu'une rupture: elle remplace un signal de récompense pauvre par un signal géométrique plus riche, emprunté aux techniques de détection d'anomalies. À ce stade, il s'agit d'un résultat de recherche validé en simulation et sur du matériel réel en laboratoire, sans indication de partenariat industriel, de calendrier de transfert commercial ni d'identité des plateformes robotiques utilisées pour les essais bi-manuels.

Recherche❧Opinion

1 source

36

1868arXiv cs.RO 

WetRobo : un kit robotique reproductible pour agents de codage en laboratoire biologique

Une équipe de recherche a présenté WetRobo, un kit robotique conçu pour permettre à des agents de codage d'opérer dans des laboratoires biologiques sans réentraînement spécifique à chaque site, selon un preprint publié sur arXiv (2609.18435v1). Le kit associe un bras robotique, du matériel de laboratoire standard (un incubateur, un flacon de réactif avec bouchon, une boîte de Petri), le code existant pilotant le bras, des démonstrations de téléopération enregistrées pour chaque tâche, et un fichier de compétences AGENTS.md destiné à guider un agent de codage. Un chercheur en biologie formule ses instructions en langage naturel, sans collecter de données de téléopération locales ni entraîner de réseau de neurones : l'agent observe l'environnement du laboratoire, écrit et exécute des programmes, et mobilise des outils externes pour s'adapter. Les auteurs ont testé WetRobo avec OpenAI Codex (modèle gpt-5.6-sol) sur trois tâches réelles : soulever le couvercle d'une boîte de Petri, retirer le bouchon d'un flacon, et ouvrir la porte d'un incubateur, menées dans deux laboratoires distincts nommés Lab X et Lab Y. L'agent de codage a réussi la tâche du bouchon dans les deux laboratoires, tandis qu'une politique vision-langage-action (VLA) affinée sur des démonstrations du Lab X a fonctionné sur place mais n'a pas transféré au Lab Y. Ce résultat cible un problème concret pour l'automatisation des laboratoires : les politiques VLA, malgré leurs promesses de généralisation, restent souvent fragiles dès que l'environnement change de disposition ou d'éclairage. Plutôt que d'entraîner un modèle par site, distribuer un kit matériel standardisé et laisser un agent de codage généraliste s'adapter localement via des outils externes réduirait le coût d'intégration pour chaque nouveau laboratoire. Pour les intégrateurs et décideurs en automatisation biotech, l'intérêt est une piste alternative au fine-tuning répété par site, potentiellement plus simple à déployer à l'échelle de laboratoires hétérogènes, même si l'échantillon testé reste très restreint. Il s'agit d'un preprint académique publié par le laboratoire tsudalab, et non d'un produit commercial : la démonstration porte sur seulement trois tâches dans deux laboratoires, ce qui limite la portée des conclusions face aux politiques VLA généralistes évoquées dans la recherche en manipulation robotique, comme Pi-0 ou GR00T N2. Le code, les démonstrations de téléopération et les programmes générés par l'agent sont publiés sur GitHub (tsudalab/WetRobo), permettant une reproduction indépendante, mais aucun calendrier de déploiement industriel ni partenariat de laboratoire n'est annoncé à ce stade.

Recherche❖Paper

1 source

36

1869arXiv cs.RO 

Apprentissage de la dynamique de contact par le toucher : réseaux de neurones sur graphes conditionnés par l'action pour l'insertion de tiges robotique

Une équipe de recherche publie sur arXiv (2509.12151, version 3) un modèle physique apprenable capable de prédire le mouvement de l'effecteur terminal d'un robot ainsi que la force et le couple de réaction lors de manipulations à contact riche. L'architecture représente l'effecteur et l'environnement comme des maillages en interaction organisés en graphe, et conditionne explicitement ses prédictions sur la commande de contrôle appliquée : elle prédit directement la mise à jour de pose au niveau de l'objet, tandis que le couple de réaction émerge d'un champ de force calculé par sommet du maillage. L'entraînement est auto-supervisé, à partir des seules données des encodeurs articulaires et du capteur de force-couple, pendant que le robot touche aléatoirement son environnement sans consigne de tâche. En simulation, ce modèle se transfère à une tâche d'insertion de pièce (peg insertion) sur des géométries concaves inédites : un agent de commande prédictive (MPC) qui l'utilise atteint jusqu'à 98% de taux de réussite, et après un réglage fin sur des données auto-collectées, il égale un agent planifiant avec la dynamique de référence au jeu le plus serré testé, 1 mm. Dans le monde réel, ce modèle surpasse un modèle MuJoCo calibré par identification de système classique de 45% en précision de position, et de 74% et 63% respectivement en erreur de force et de couple. L'enjeu dépasse la démonstration académique : l'insertion de pièces à tolérances serrées reste un point de blocage classique pour l'assemblage robotique de précision, car les simulateurs physiques standards peinent à modéliser fidèlement le frottement et la déformation de contact, ce qui creuse l'écart simulation-réel et oblige les intégrateurs à des campagnes coûteuses de calibration manuelle. En montrant qu'un modèle appris à partir de simples contacts aléatoires, sans démonstration de tâche, généralise à des géométries jamais vues et rivalise avec une dynamique de référence à 1 mm de clearance, ce travail suggère une voie pour réduire la dépendance à l'identification de système traditionnelle et améliorer la robustesse hors simulation, un enjeu direct pour les intégrateurs travaillant sur l'assemblage électronique ou mécanique fin. Les résultats restent toutefois circonscrits à une tâche unique testée en conditions contrôlées, avec une comparaison réelle limitée à un seul modèle de référence, et non à un déploiement industriel à l'échelle. Cette approche s'inscrit dans un courant de recherche appliquant les réseaux de neurones sur graphes à la simulation physique à base de maillages, et l'étend ici à la dynamique de contact robot-environnement conditionnée par l'action. Elle se distingue des politiques de bout en bout de type vision-langage-action, qui apprennent un comportement directement à partir de démonstrations massives et spécifiques à la tâche, en misant plutôt sur un modèle dynamique générique et réutilisable appris de façon indépendante de la tâche. Le principal point de comparaison méthodologique reste l'identification de système classique utilisée dans des moteurs comme MuJoCo, que ce travail cherche explicitement à dépasser sur la fidélité des forces de contact. Le fait que le papier en soit à sa troisième version sur arXiv signale des itérations après relecture, sans partenariat industriel, pilote ou calendrier de déploiement mentionné à ce stade ; les suites attendues porteraient sur l'extension à d'autres tâches d'assemblage à tolérances serrées et une validation sur davantage de plateformes robotiques réelles.

Recherche❖Paper

1 source

36

1870arXiv cs.RO 

VLEM : cartographie 3D vision-langage par embeddings en temps réel

Une équipe de chercheurs a publié une version révisée (v2) de l'article arXiv 2508.06291 présentant VLEM (Vision-Language Embedding Mapping), un système de cartographie sémantique 3D en temps réel qui fonctionne à partir d'un simple flux RGB-D brut, sans poses de caméra vérité terrain. Le framework fusionne des embeddings vision-langage 2D alignés au pixel, issus de différents modèles vision-langage, dans une représentation 3D globalement cohérente et métriquement précise. Comparé à trois systèmes existants, ConceptFusion, Open-Fusion et RayFronts, VLEM affiche de meilleures performances en segmentation en vocabulaire ouvert et une représentation plus compacte en mémoire. Les auteurs démontrent aussi son usage sur des tâches de manipulation robotique interactive en temps réel et sur des scénarios de cartographie mobile. La compréhension sémantique de scène en robotique exige des représentations à la fois précises au sens métrique et interrogeables en langage naturel en temps réel, combinaison que les modèles vision-langage peinent à tenir une fois intégrés à un pipeline 3D, freinés par le coût de calcul, les contraintes mémoire et la dépendance habituelle à des poses caméra vérité terrain rarement disponibles hors laboratoire. En s'appuyant uniquement sur un flux RGB-D brut, VLEM lève ce verrou et rapproche cette cartographie sémantique d'un déploiement robotique réel, hors environnement instrumenté. Pour les équipes de recherche en manipulation ou en navigation mobile, cela ouvre la voie à des robots interrogeables en langage naturel directement sur une carte 3D construite à la volée. La comparaison à ConceptFusion, Open-Fusion et RayFronts reste un benchmark choisi par les auteurs, à confirmer par des évaluations indépendantes. VLEM s'inscrit dans la lignée des travaux combinant modèles vision-langage type CLIP et pipelines de SLAM pour doter les robots d'une compréhension du monde interrogeable en langage naturel, citant explicitement ConceptFusion, Open-Fusion et RayFronts comme repères directs plutôt qu'une rupture inédite. Il s'agit à ce stade d'une publication de recherche en preprint sur arXiv, sans produit, partenariat industriel ni calendrier de déploiement annoncés ; la mention "replace" signale une révision d'une soumission initiale. La suite attendue pour ce type de travail est la publication du code et une évaluation communautaire sur des jeux de données standardisés, avant une éventuelle reprise par des acteurs commerciaux de la robotique.

Recherche❖Paper

1 source

36

1871arXiv cs.RO 

EmboAlign : aligner la génération vidéo avec des contraintes de composition pour la manipulation en zero-shot

EmboAlign, décrit dans une version révisée d'un article arXiv (2603.05757v2), est un framework de manipulation robotique zero-shot qui combine modèles génératifs vidéo (VGM) et modèles vision-langage (VLM) pour convertir une instruction textuelle en trajectoire robot exécutable, sans donnée d'entraînement spécifique à la tâche. À l'inférence, un VLM extrait des contraintes compositionnelles à partir de l'instruction ; elles servent d'abord à filtrer un lot de vidéos générées par le VGM pour ne garder que le rollout le plus physiquement plausible, puis à optimiser la trajectoire robot correspondante afin de corriger les erreurs de retargeting géométrique. Sur six tâches de manipulation exécutées sur robot réel exigeant une précision fine, les auteurs rapportent un gain de 43,3 points de pourcentage de taux de succès par rapport à la meilleure baseline testée, sans aucune donnée d'entraînement propre à la tâche. Ce résultat cible un problème connu du secteur : les modèles vidéo pré-entraînés sur des corpus internet produisent des séquences visuellement cohérentes mais souvent physiquement invraisemblables, et leur conversion en commandes robot par estimation de profondeur et suivi de points clés accumule des erreurs à chaque étape. En traitant le VLM comme un module de raisonnement spatial complémentaire, plutôt que comme un générateur d'actions entraîné de bout en bout, EmboAlign teste l'idée que des modèles génériques, jamais affinés sur des démonstrations robotiques, peuvent piloter une manipulation fine sans la collecte massive de données de téléopération qui alimente la plupart des piles VLA commerciales actuelles. Ce gain reste toutefois à relativiser tant que le niveau absolu de performance de la baseline et la diversité réelle du panel de tâches ne sont pas détaillés au-delà du résumé. Ce travail prolonge une ligne de recherche qui utilise la génération vidéo comme modèle du monde pour la planification robotique, longtemps freinée par l'écart entre vidéos plausibles et actions exécutables en toute sécurité. Il se positionne à contre-courant de la stratégie dominante de l'industrie, portée par des modèles vision-langage-action entraînés de bout en bout sur de vastes jeux de démonstrations téléopérées ou simulées, à l'image de Pi-0 de Physical Intelligence, de la série GR00T de NVIDIA ou de Helix de Figure AI, qui misent sur le volume de données plutôt que sur des contraintes ajoutées à l'inférence. L'article ne précise ni l'affiliation des auteurs ni de calendrier de déploiement industriel ; il s'agit à ce stade d'un résultat de recherche publié sur arXiv, validé en laboratoire sur un nombre restreint de tâches, sans pilote ni produit commercial annoncé.

Recherche❖Paper

1 source

36

1872arXiv cs.RO 

PACT-WAM : prédiction d'actions et anticipation visuelle par encodage temporel compact pour la manipulation robotique

PACT-WAM (Predicting Actions and Visual Foresight with Compact Temporal Encoding), décrit dans un article arXiv (2602.15882v2), est un « world-action model » qui génère conjointement, par flow conditionnel, une trajectoire d'actions sur 16 pas de temps et la prévision visuelle correspondante. Son encodage hiérarchique de l'historique, grossier pour les observations anciennes et fin pour les récentes, conserve 16 observations à 256 tokens par vue, 75% de moins qu'un encodage dense équivalent. Un module de flow partagé met conjointement à jour action et vision via deux têtes dédiées, un décodeur TiTok-VAE reconstruit les images futures multi-vues, et un module optionnel de révision des propositions (PR), fondé sur un modèle vision-langage, filtre les exécutions au moment du test. Sans PR, les taux de réussite atteignent 98,6% sur LIBERO, 92,3% sur RoboTwin 2.0 et 78,0% sur des tâches réelles avec un bras Piper ; avec PR, 99,5%, 93,4% et 86,7%. Ce travail illustre la convergence entre modèles d'action (VLA) et modèles du monde génératifs, afin que le robot anticipe visuellement les conséquences de ses gestes avant exécution. L'apport concret porte sur le coût de calcul : la compression hiérarchique à 256 tokens par vue réduit fortement la charge des représentations temporelles denses sans dégrader la performance, un enjeu direct pour faire tourner ce type de modèle en temps réel sur du matériel embarqué. L'écart entre les scores en simulation, supérieurs à 92%, et sur tâches réelles avec le bras Piper, 78% sans PR, rappelle que le fossé simulation-réel reste ouvert, même si la révision de propositions au moment du test le réduit, moyennant un surcoût de calcul que les auteurs assument comme un compromis. PACT-WAM a été évalué sur deux bancs d'essai de simulation courants, LIBERO et RoboTwin 2.0, et sur des manipulations réelles avec un bras Piper. Il s'inscrit dans la lignée des architectures récentes combinant modèles vision-langage-action et modèles du monde génératifs, une direction suivie par plusieurs équipes de recherche. Le papier ne précise ni affiliation institutionnelle ni calendrier de diffusion publique du modèle ou du code, ce qui en fait pour l'instant une contribution académique, validée en simulation et sur un nombre restreint de tâches réelles.

IA physique⚡Actu

1 source

36

1873arXiv cs.RO 

TacBPM : un modèle a priori comportemental conditionné par le tact pour la réorientation dextérique

Une équipe de recherche en robotique propose TacBPM, un modèle de prior comportemental conditionné par le toucher destiné à la manipulation dextre en main, selon un article publié sur arXiv (référence 2609.18174) en septembre 2026. Le système cible la réorientation d'objets par une main robotique à haut nombre de degrés de liberté, un problème connu pour exiger une coordination fine des doigts lors de contacts intermittents. La méthode distille plusieurs "spécialistes sphère" opérant à différentes échelles dans un contrôleur latent unique, que les politiques en aval réutilisent ensuite via des actions latentes résiduelles plutôt que de repartir de zéro sur les commandes articulaires brutes. Ce prior se conditionne sur l'historique tactile et proprioceptif de la main, ce qui lui permet d'adapter le comportement latent à l'état réel du contact avec l'objet. Les auteurs testent l'approche sur trois scénarios : le transfert vers des poses cibles arbitraires sur des objets anisotropes, la rotation autour d'un axe commandé, et une tâche combinée bras-main baptisée Grasp-to-AnyPose, où le robot doit saisir, soulever, transporter puis positionner des outils de géométries inédites vers des emplacements généralisés. L'intérêt principal pour les acteurs de la robotique tient à la comparaison directe avec l'apprentissage par renforcement classique : les auteurs indiquent qu'un PPO entraîné sur actions brutes reste proche de l'échec sur ces tâches, alors que leur prior tactile accélère l'entraînement et produit des politiques stables. C'est un signal utile dans un secteur où la manipulation dextre en main reste l'un des goulots d'étranglement les plus tenaces des mains robotiques et humanoïdes, loin derrière la locomotion en maturité. Le résultat appuie l'idée que conditionner les politiques sur des signaux tactiles riches, plutôt que sur la seule proprioception articulaire, aide à généraliser à des géométries et poses non vues, un enjeu clé pour les intégrateurs visant des tâches d'assemblage ou de tri à objets variables. Il s'agit toutefois d'un travail de recherche évalué majoritairement en simulation, avec une validation sim-to-real limitée à des démonstrations sur banc en laboratoire pour les tâches en main et bras-main, et non d'un produit ou d'un déploiement industriel. L'abstract ne précise ni l'institution porteuse ni les auteurs, et ne fournit aucun chiffre de payload, de temps de cycle ou de coût, ce qui invite à la prudence avant d'extrapoler des performances au-delà du cadre expérimental décrit.

Recherche❖Paper

1 source

36

1874arXiv cs.RO 

RAFAIL : détection d'échecs relationnelle pour la manipulation robotique

Des chercheurs publient RAFAIL (Relationship-Aware Failure Detection), un framework de détection des échecs d'exécution en manipulation robotique, sur arXiv sous la référence 2609.18324. Le système repère les anomalies dans les relations pertinentes pour la tâche entre entités, par exemple une pince et un objet, ou un objet et sa cible, plutôt que de surveiller toute la scène. Hors ligne, un modèle vision-langage annote des démonstrations réussies avec la progression de la tâche et l'importance de chaque relation, pour apprendre des représentations en nuages de points indépendantes de la politique de contrôle ; en exécution, des détecteurs d'anomalies propres à chaque relation évaluent ces représentations sans appel au VLM. Sans aucune donnée d'échec, RAFAIL atteint 73,4% de précision équilibrée sur trois tâches réelles de manipulation, devançant les meilleures références testées. Détecter un échec en cours d'exécution est déterminant pour l'autonomie prolongée des robots manipulateurs en usine ou en logistique, où une prise ratée peut bloquer une ligne sans intervention humaine immédiate. Les VLM offrent une évaluation sémantique fine mais ajoutent latence et coût de calcul peu compatibles avec le temps réel, tandis que les détecteurs OOD classiques réagissent souvent à des variations de scène anodines plutôt qu'à des échecs réels, générant des faux positifs coûteux à l'intégration. RAFAIL, en restreignant la détection aux relations pertinentes, combine la finesse sémantique des VLM et la légèreté des OOD sans données d'échec à collecter, un atout pour l'industrie tant ces données restent rares. Son score de 73,4%, mesuré sur trois tâches en environnement contrôlé, reste toutefois à l'échelle typique de la recherche académique. RAFAIL s'inscrit dans un courant de recherche sur la fiabilité des politiques de manipulation apprises, alors que l'industrie déploie de plus en plus de modèles vision-langage-action, à l'image de Pi-0, GR00T N2 ou Helix, pour piloter bras et humanoïdes sans toujours disposer de garde-fous détectant un échec avant qu'il ne se propage. Le travail se positionne face à deux familles d'approches existantes, l'évaluation par VLM et la détection OOD générique, et revendique de les surpasser. Publié comme contribution « nouvelle » sur arXiv sans affiliation industrielle ni partenaire annoncés, RAFAIL reste à ce stade une avancée académique, sans calendrier de transfert vers un produit ou un pilote industriel.

Recherche❖Paper

1 source

35

1875arXiv cs.RO 

WholeBodyWAM : des modèles d'action du monde pour le corps entier avec des a priori de mouvement évolutifs

Un article déposé sur arXiv (2609.18197v1) présente WholeBodyWAM, un modèle "world-action" pour la manipulation corps entier des robots humanoïdes. Le constat de départ : les trajectoires corps-entier propres à un robot cible sont coûteuses à collecter et peu scalables, alors que le mouvement humain et humanoïde existe en abondance sans pouvoir servir directement d'action robotique faute de correspondance d'embodiment. Les auteurs ont constitué UniMotion-4K, un corpus de plus de 4000 heures issu de vidéos humaines, de jeux de données 3D natifs et de plateformes humanoïdes hétérogènes, unifiés dans un espace de mouvement commun. Un "Motion Expert" conditionné par le langage y est pré-entraîné à prédire le mouvement futur du corps entier sans supervision d'action robot, puis combiné en post-entraînement à un Video Expert et un Action Expert via une attention asymétrique de type Mixture-of-Transformers (MoT). Ce travail cible un goulot d'étranglement connu du secteur : le coût et la rareté des données de téléopération spécifiques à chaque plateforme, qui freinent le passage à l'échelle des modèles vision-langage-action (VLA). Les auteurs rapportent une amélioration continue de la prédiction de mouvement futur et des tâches en aval à mesure que le volume de pré-entraînement sur le mouvement augmente, avec un transfert effectif vers des tâches de manipulation réelle sur humanoïde. Point notable pour les intégrateurs et décideurs B2B : le gain d'efficacité des données est le plus marqué quand les démonstrations sur le robot cible sont limitées, ce qui pointe vers une réduction possible du volume de données réelles nécessaire pour déployer un nouvel humanoïde sur une tâche donnée. Il s'agit d'un article de recherche, sans entreprise ni déploiement commercial identifié dans le résumé : les expériences restent en environnement contrôlé, loin d'un produit livré ou d'un pilote industriel annoncé. La démarche s'inscrit dans une tendance plus large du secteur, qui cherche à séparer l'apprentissage de la dynamique physique générale, à partir de vidéos et de mouvements massifs, de l'apprentissage de l'action spécifique à un robot donné, une logique proche de celle des modèles VLA commerciaux comme Pi-0 ou GR00T N2. L'abstract ne mentionne ni date de mise en production ni partenaire industriel, seulement la démonstration de la transférabilité du prior de mouvement appris et de son bénéfice en contexte de données limitées.

Recherche⚡Actu

1 source

35

1876arXiv cs.RO 

ActiveScale : passer à l'échelle la perception active des robots (modèle, données, matériel)

Un article de recherche publié sur arXiv sous la référence 2609.18514v1 présente ActiveScale, un framework conçu pour améliorer la perception active dans la manipulation robotique, c'est-à-dire la capacité d'un robot à changer de point de vue pour observer des informations autrement occultées par une caméra fixe. Le système combine un modèle vision-langage-action (VLA) enrichi d'observations vidéo historiques et d'une supervision explicite de la pose de caméra, via des jetons de pose associés à chaque image et une tête de prédiction légère qui relie les observations entre différents points de vue. Pour entraîner ce modèle à exploiter les mouvements de caméra naturels présents dans l'activité humaine, les auteurs introduisent une méthode de pré-entraînement intermédiaire combinant 1000 heures de données égocentriques (captées du point de vue humain) et de données robotiques. Ils présentent également une plateforme matérielle dédiée, baptisée AMP (Active-perception Mobile-manipulation Platform), pilotable par un seul opérateur en téléopération, qui permet de collecter à grande échelle des démonstrations coordonnant changement de point de vue et manipulation. Cette approche s'attaque à une limite bien connue des modèles VLA actuels : un point de vue fixe laisse fréquemment des zones de la scène occultées, ce qui dégrade les performances de manipulation en conditions réelles. En s'appuyant sur des données égocentriques humaines, moins coûteuses à produire que la téléopération robotique classique, les auteurs proposent une piste concrète pour atténuer le goulot d'étranglement des données de démonstration, un frein central au passage à l'échelle des VLA. Les expériences rapportent une amélioration des taux de succès sur des tâches de perception active, sans toutefois fournir de pourcentages précis dans le résumé, ce qui invite à la prudence quant à l'ampleur réelle du gain avant lecture du papier complet. Il s'agit d'une contribution académique, et non d'un produit commercial ni d'un déploiement industriel : aucune entreprise, aucun site de déploiement ni aucun partenaire n'est cité. Le travail s'inscrit dans la lignée des recherches visant à doter les modèles VLA d'un raisonnement spatial et temporel plus riche pour la manipulation robotique. Les auteurs présentent leur combinaison de modèle, de données et de plateforme matérielle comme une base destinée à la communauté de recherche pour poursuivre l'étude de la perception active, sans annoncer de calendrier de commercialisation ni de partenariat industriel.

Recherche⚡Actu

1 source

35

1877arXiv cs.RO 

OpenDexGrasp : préhension dextérique orientée tâche à vocabulaire ouvert

Un article de recherche mis en ligne sur arXiv sous la référence 2609.18117 présente OpenDexGrasp, un système qui génère des prises robotiques dextres à haut degré de liberté, orientées vers une tâche précise et pilotées par des instructions en langage libre plutôt que par un vocabulaire fermé. Le modèle relie l'intention fonctionnelle exprimée dans le texte à des observations visuelles multi-vues et à la géométrie de l'objet, puis produit directement une prise exécutable. Il s'appuie sur un jeu de données structuré selon une méthode baptisée Coverage-to-Alignment: un premier volet, OpenDex-Scale, offre une couverture sémantique et géométrique à grande échelle grâce à la synthèse automatique de prises et à l'annotation vision-langage, tandis qu'un second, OpenDex-Align, fournit des démonstrations de haute qualité via téléopération humaine et transfert au niveau des catégories d'objets. Perception et action partagent une représentation latente entraînée conjointement avec l'ancrage des affordances, sans étape séparée de conversion affordance-vers-pose. En simulation comme sur robot réel, les auteurs rapportent une meilleure cohérence fonctionnelle des prises et une généralisation à des catégories d'objets non vues à l'entraînement. Pour l'industrie robotique, l'enjeu vise un verrou concret: la plupart des systèmes de préhension actuels produisent des prises stables mais indifférentes à l'usage, suffisantes pour empiler une boîte mais pas pour saisir un outil par le bon endroit avant de s'en servir. En associant vocabulaire ouvert et main à haute dextérité, la tâche traitée est plus exigeante que celle des modèles vision-langage-action généralistes courants, qui opèrent le plus souvent avec de simples pinces parallèles. Si ces résultats se confirment au-delà des benchmarks internes des auteurs, ils indiqueraient qu'une supervision massive et peu coûteuse peut se combiner à des démonstrations humaines limitées pour résoudre à la fois généralisation et alignement fonctionnel, un signal à suivre pour tout intégrateur envisageant des mains dextres pilotables par instruction. La préhension dextre a longtemps reposé sur des pipelines en deux étapes, un module identifiant l'affordance puis un second en déduisant une pose de main, une architecture qui propage les erreurs de l'une à l'autre; OpenDexGrasp s'inscrit dans une tendance plus large de la recherche en manipulation visant à fusionner perception et action en une seule représentation apprise. À ce stade, le travail reste une publication de recherche assortie de résultats en simulation et sur robot réel produits par ses auteurs, sans déploiement industriel ni partenaire commercial annoncé, son site de projet proposant des vidéos de démonstration plutôt qu'un produit disponible. Sa portée dépendra d'une reproduction indépendante des résultats avancés et de l'adoption de sa méthode de collecte de données par d'autres équipes du secteur.

Recherche❖Paper

1 source

35

1878arXiv cs.RO 

Génération de données préservant la fonction pour la manipulation réelle-vers-simulation-vers-réelle en zero-shot

Une équipe de recherche publie sur arXiv, sous l'identifiant 2609.18293 et sans revue par les pairs à ce stade, un framework de génération de données synthétiques pour l'apprentissage de politiques de manipulation robotique, capable de produire des démonstrations d'entraînement sans trajectoire téléopérée de départ. La méthode reconstruit des maillages 3D d'objets réels puis les déforme via une déformation guidée par contraintes qui préserve les interfaces géométriques critiques de la tâche, comme les surfaces de contact nécessaires à une insertion précise, tout en transférant les poses de tâche et les proxys de collision de manière physiquement cohérente. Une randomisation visuelle du domaine est ensuite appliquée pendant les simulations, et les politiques ainsi entraînées sont déployées en zero-shot sur robot réel, sans phase de fine-tuning sur données réelles. Les auteurs rapportent des expériences en simulation et sur banc réel pour des tâches de manipulation riches en contacts et à horizon long. L'enjeu vise le goulot d'étranglement actuel de l'apprentissage robotique : collecter, pour chaque nouvelle géométrie d'objet, assez de démonstrations réelles pour des tâches à tolérance géométrique serrée. Les méthodes standards d'augmentation de forme distordent souvent ces interfaces critiques, provoquant des défauts d'ajustement ou des interpénétrations qui rendent les trajectoires générées physiquement invalides et donc inexploitables. En préservant la fonction de l'interface de contact tout en diversifiant l'apparence des objets, l'approche promet de produire à moindre coût des démonstrations valides sans flotte de téléopérateurs humains, un enjeu direct pour l'entraînement des modèles vision-langage-action dont la rareté des données reste le principal facteur limitant. Le papier revendique une généralisation robuste à des géométries et conditions visuelles inédites, mais l'abstract ne fournit aucun taux de réussite chiffré ni comparaison à des méthodes concurrentes publiées, ce qui invite à considérer ces résultats comme préliminaires. Ce travail s'inscrit dans la ligne de recherche dite real-to-sim-to-real, qui cherche depuis plusieurs années à remplacer une partie de la téléopération humaine par de la simulation physique pour faire passer à l'échelle l'apprentissage robotique, notamment sur les tâches d'assemblage et d'insertion. L'abstract ne précise ni le laboratoire ni l'entreprise à l'origine des travaux, ni la disponibilité d'un code ou d'un jeu de données. Les étapes attendues restent classiques pour ce stade de recherche : publication avec revue par les pairs, comparaison chiffrée face aux méthodes existantes de génération de données synthétiques, puis éventuelle adoption par des intégrateurs confrontés à des tâches de manipulation industrielle à forte exigence géométrique.

Recherche❖Paper

1 source

35

1879arXiv cs.RO 

M³P-R1 : apprentissage par renforcement guidé par un LLM pour la planification de mouvement multimodale via génération de code MIP

Des chercheurs publient sur arXiv (article 2609.18669v1, daté du 17 septembre 2026, catégorie "nouveauté") une méthode baptisée M$^3$P-R1, destinée à la planification de mouvement multi-modale (M$^3$P) pour robots devant enchaîner transitions discrètes et dynamiques continues, par exemple un robot bipède qui marche jusqu'à une cible puis utilise ses bras pour saisir un objet. La méthode s'appuie sur l'apprentissage par renforcement pour affiner des grands modèles de langage (LLM) afin qu'ils décomposent une tâche M$^3$P en variables, contraintes et objectifs de programmation en nombres entiers mixtes (Mixed-Integer Programming, MIP). Plutôt que de faire produire directement une réponse au LLM, ce qui expose au risque d'hallucination, M$^3$P-R1 génère du code Python exécutable s'appuyant sur des bibliothèques d'optimisation MIP et des interfaces de contraintes, avec une récompense fondée sur le résultat effectivement retourné par le solveur. L'enjeu est de rendre systématique une étape aujourd'hui largement manuelle et spécifique à chaque domaine: formuler un problème MIP tractable pour des tâches robotiques non convexes, en particulier dans le régime de discrétisation approximative nécessaire à ce type de problème. En couplant génération de code par LLM et vérification par un solveur formel, l'approche vise une garantie de robustesse absente des politiques bout-en-bout de type VLA (vision-langage-action) qui dominent actuellement la communication autour de l'humanoïde. Pour les intégrateurs et équipes de recherche en planification robotique, cela ouvre une piste alternative où le LLM sert d'interface de programmation vers un optimiseur classique plutôt que de policy générative opaque. Le travail s'inscrit dans la lignée des recherches combinant LLM et génération de code comme pont vers des solveurs formels en robotique, en marge des approches d'apprentissage de bout en bout du type Pi-0, GR00T N2 ou Helix. Il s'agit à ce stade d'un article de recherche déposé sur arXiv, sans partenaire industriel, plateforme robotique ni déploiement cités dans le résumé, et donc sans validation par les pairs ni démonstration matérielle rapportées pour l'instant.

Recherche❖Paper

1 source

35

1880arXiv cs.RO 

Va chercher ma bière : politique hiérarchique synthétique-vers-réel pour une prise-et-dépose fluide

Une prépublication arXiv (2609.18119, mise en ligne le 17 septembre 2026) présente Fetch My Beer, un système de transport de récipients remplis de liquide sans clapotis ni déversement. Les auteurs pointent trois limites : simulation de fluides trop coûteuse pour le renforcement en ligne, téléopération humaine qui introduit des accélérations provoquant le clapotis en imitation, et politiques optimisées pour la réussite de la tâche plutôt que la stabilité de la trajectoire. Leur solution combine un pipeline de données validées physiquement (synthèse de prises, filtrage des postures instables par un modèle vision-langage, validation des trajectoires par simulation de fluides) et un contrôleur hiérarchique : un module haut niveau traduit langage et vision en cibles SE(3) à 6 degrés de liberté, qu'un contrôleur de diffusion latente affine en blocs d'action denses pour un contrôle haute fréquence. Le système surpasserait les politiques de manipulation de référence en douceur et en stabilité dynamique, sans que le résumé ne fournisse de chiffres précis. L'enjeu dépasse la démonstration technique : la plupart des systèmes de préhension actuels visent une précision au point d'arrivée, alors que le service de boissons, le transport d'échantillons de laboratoire ou de contenants partiellement remplis en logistique exigent une stabilité sur tout le geste. Le travail révèle aussi un défaut de l'apprentissage par imitation par téléopération : les mouvements saccadés d'un opérateur humain inscrivent l'instabilité dans les données d'entraînement, angle mort des bancs d'essai de politiques vision-langage-action qui ne jugent que la réussite binaire de la tâche. Il s'agit néanmoins d'une prépublication non relue par les pairs, sans comparatif indépendant ni précision sur l'échelle d'un éventuel déploiement réel. Ce travail s'inscrit dans la recherche sur l'écart simulation-réel des politiques de manipulation, dans la lignée de modèles vision-langage-action comme Pi-0 ou GR00T, jusqu'ici centrés sur des tâches quasi statiques ; la manipulation de liquides restait délaissée pour son coût de simulation. Le résumé ne cite aucune entreprise ni laboratoire affilié, signe d'une contribution académique à distinguer des annonces commerciales des fabricants de robots humanoïdes. Aucun pilote industriel ni calendrier n'est évoqué : les suites annoncées se limitent à une validation plus large sur matériel réel.

Recherche❖Paper

1 source

34

1881arXiv cs.RO 

Évolution antérieure et alignement de tâche pour la préhension aérienne

Un article publié le 17 septembre 2026 sur arXiv (référence 2609.18153) détaille une nouvelle méthode pour la préhension aérienne, cette capacité qu'ont les rapaces à capturer une proie en vol grâce à des manœuvres hautement coordonnées. Les chercheurs partent d'un constat sur les approches existantes fondées sur l'optimisation de trajectoire: le problème mathématique posé est fortement non convexe et très sensible aux conditions initiales, ce qui rend difficile l'obtention de solutions de bonne qualité avec un budget de calcul limité, et les objectifs numériques utilisés jusqu'ici sont des abstractions conçues par des humains qui ne capturent pas forcément tout ce qui détermine la réussite réelle de la saisie. Leur réponse combine trois briques: un "prior" de trajectoire appris à partir de mouvements déjà optimisés, un processus d'évolution basé sur la méthode CEM (cross-entropy method) qui teste des points de départ échantillonnés avec l'optimiseur réellement utilisé et ne conserve que les meilleurs comme nouvelles données d'entraînement, et un "Execution-Aware Critic" qui apprend à partir des résultats de contact, de soulèvement de l'objet et de complétion de la tâche pour prédire si une trajectoire optimisée réussira une fois exécutée physiquement. Une fois entraîné et figé, ce critique fait aussi office de coût de préhension différentiable qui influence directement la génération de trajectoire. Les auteurs rapportent des essais en simulation et sur système réel montrant une meilleure fiabilité d'optimisation, plus de cohérence entre trajectoires et de meilleures performances de saisie. Pour l'industrie robotique, ce travail s'attaque à un verrou classique de la planification par optimisation: la dépendance à l'initialisation, qui oblige souvent à relancer le solveur de nombreuses fois ou à accepter des trajectoires sous-optimales sous contrainte de temps de calcul. En faisant apprendre au système ce qui distingue une trajectoire viable d'une trajectoire qui échouera à l'exécution, plutôt que de se fier uniquement à des critères mathématiques fixés a priori, l'approche illustre une tendance plus large du secteur: hybrider planification analytique classique et apprentissage à partir de données d'exécution réelle, au lieu d'opposer les deux paradigmes. Il faut toutefois noter que l'abstract ne fournit aucun chiffre de taux de réussite, de temps de cycle ni d'échelle de déploiement: il s'agit d'un travail de recherche en amont, validé en simulation et par des essais réels limités, pas d'un système prêt pour un déploiement industriel. Ce papier s'inscrit dans la lignée des travaux sur la manœuvrabilité agile des drones et la manipulation aérienne, un champ de recherche actif depuis plusieurs années autour de la génération de trajectoires pour capturer des objets en mouvement ou en position complexe. Aucune entreprise ni laboratoire n'est nommé dans le résumé, et aucun acteur français ou européen du secteur n'est mentionné dans cette publication. Les suites logiques d'un tel travail seraient une extension à des scénarios de préhension plus variés, des tests sur davantage de plateformes matérielles, et une comparaison directe avec d'autres méthodes d'optimisation de trajectoire pour la préhension aérienne, mais aucune de ces étapes n'est annoncée à ce stade.

Recherche❖Paper

1 source

34

1882arXiv cs.RO 

PRISM : représentation prédictive du style d'interaction et du mouvement pour la navigation sociale des robots

La recherche présentée dans l'article arXiv:2609.18125v1 (déposé fin septembre 2026) porte sur un système baptisé PRISM, pour Predictive Representation of Interaction Style and Motion, conçu pour améliorer la navigation des robots dans les foules humaines. Concrètement, PRISM utilise un encodeur transformer entraîné avec une fonction de perte dite Rank-N-Contrast pour transformer les trajectoires observées de piétons en un espace latent continu et ordonné, qui capture le style d'interaction de chaque personne plutôt que sa seule position géométrique. Le système associe à chaque trait inféré un score de stabilité temporelle, transmis ensuite à la politique de navigation du robot. Les auteurs rapportent des résultats obtenus dans des simulations de foules randomisées : une réduction du taux de collisions par rapport à une référence qui ne modélise que l'état géométrique des piétons, ainsi que des gains marginaux sur le temps de trajet et la longueur du chemin parcouru. L'enjeu dépasse la seule performance chiffrée. La plupart des politiques de navigation sociale actuelles traitent les piétons comme de simples obstacles mobiles décrits par leur position et leur vitesse, ignorant que deux personnes se comportent différemment face à un robot selon leur style d'interaction propre. En inférant ce style de façon passive, sans capteurs additionnels ni interaction explicite, PRISM ouvre une piste pour des robots de livraison, des AMR ou des plateformes d'assistance appelés à circuler dans des environnements humains denses, où la sécurité perçue dépend autant du comportement social du robot que de sa seule évitement de collision. Le travail s'inscrit dans la lignée des recherches en navigation sociale robotique qui cherchent à dépasser les modèles purement géométriques hérités de la planification de trajectoire classique. Il reste toutefois à un stade de validation en simulation uniquement : aucun essai sur robot physique ni déploiement réel n'est mentionné, et les gains rapportés sur le temps de trajet et la distance parcourue sont qualifiés eux-mêmes de modestes par les auteurs. La suite logique, non annoncée à ce stade, serait un transfert vers des plateformes réelles pour vérifier si l'amélioration observée en simulation résiste au bruit des capteurs et à la variabilité humaine réelle.

Recherche❖Paper

1 source

33

1883arXiv cs.RO 

Apprentissage par imitation régularisé par l'énergie pour une manipulation robotique sensible à la force et au travail

Un article publié sous la référence arXiv:2609.18164v1, intitulé « Energy-Regularized Imitation Learning for Force- and Work-Aware Robotic Manipulation », décrit une méthode pour réduire la dépense énergétique des politiques de manipulation robotique. Les auteurs définissent un indicateur de travail mécanique dans l'espace articulaire, calculé à partir du couple moteur et du déplacement angulaire, puis entraînent un prédicteur différentiable estimant ce travail à partir des états et actions du robot. Ce prédicteur sert de régularisateur pour affiner par imitation la politique RVT-2, testée sur le simulateur RLBench sur douze tâches de manipulation : contact avec des objets, mécanismes articulés, placement, poussée et balayage. Le travail mécanique moyen recule de 208,8 à 204,4 joules, soit -2,1%, tandis que le taux de réussite moyen progresse de 86,2% à 86,9%. La baisse d'énergie est modeste, mais le principe est exploitable industriellement : pénaliser les mouvements physiquement coûteux, accélérations inutiles ou efforts excessifs, sans construire de modèle de dynamique différentiable complet ni recourir à des simulateurs physiques lourds. Pour les intégrateurs de bras industriels ou de robots mobiles manipulateurs, l'intérêt porte sur l'autonomie en usage réel : moins d'usure mécanique, moins de consommation batterie et de chaleur dissipée sur des cycles répétitifs, sans perte de performance ni surcoût de calcul à l'entraînement. Le fait que le taux de succès progresse en même temps que l'énergie baisse contredit l'idée que l'efficacité énergétique se paierait en performance, un point que les fournisseurs de modèles VLA devront démontrer plutôt que supposer. Le travail s'inscrit dans la lignée des politiques de manipulation apprises par imitation à partir de modèles pré-entraînés, dont RVT-2 (Robotic View Transformer 2) est une itération récente, évaluée sur RLBench, le benchmark de manipulation développé à l'Imperial College de Londres. Contrairement aux approches qui intègrent un modèle de dynamique différentiable complet, coûteuses et fragiles sur les tâches à contact riche, les auteurs le contournent par une approximation différentiable apprise à partir des seules données de simulation. L'étude reste cantonnée à un environnement simulé et à une seule architecture ; sa transposition à des robots réels, à d'autres modèles VLA comme Pi-0, GR00T N2 ou Helix, ou à des tâches industrielles à cycle long, reste à démontrer.

Recherche❖Paper

1 source

31

1884arXiv cs.RO 

RoverDevKit : boîte à outils physique ouverte pour l'exploration de compromis en conception de micro-rovers lunaires

La revue arXiv a publié une version mise à jour (v2) d'un article présentant RoverDevKit, un outil open source pour la conception de micro-rovers lunaires de moins de 50 kg. Développé pour explorer les compromis de conception, il couple un modèle analytique roue-sol à des modèles de masse, de puissance solaire, de survie thermique et de parcours calculés de bas en haut. Suffisamment rapide pour servir de fonction d'évaluation à un algorithme génétique multi-objectif (NSGA-II), l'outil traite 3000 évaluations de mission en moins d'une minute sur un seul cœur d'ordinateur portable. Les auteurs l'ont utilisé pour cartographier les compromis entre distance parcourue, masse du véhicule et capacité en pente sur quatre types de terrains lunaires : mer (mare), zones polaires, hautes terres et bords de cratère. Le modèle roue-sol reproduit les mesures de traction (drawbar pull) sur roue unique avec une erreur de 20 à 30 %, cohérente avec la littérature spécialisée, tandis que le modèle de masse prédit les masses de rovers publiés (5 à 50 kg) avec une erreur médiane absolue de 10,5 %. Une vérification sur cinq designs déjà publiés montre qu'ils se situent près des solutions que l'optimiseur sélectionne. L'intérêt principal tient au fait que les micro-rovers lunaires forment une catégorie de véhicules en forte croissance, alors que les outils ouverts et validés pour arbitrer leurs compromis de conception restaient rares jusqu'ici. Le dimensionnement d'un rover est un problème fortement couplé et spécifique aux véhicules de surface : plus un rover est lourd, plus il s'enfonce dans le régolithe meuble, ce qui augmente la consommation d'énergie, impose un panneau solaire plus grand, et donc ajoute de la masse. RoverDevKit permet d'identifier rapidement quel facteur limite réellement une mission donnée, le stockage d'énergie aux hautes latitudes, l'adhérence en pente sur régolithe meuble des hautes terres, ou l'autonomie de parcours sur les terrains de mer et de bord de cratère. Pour les équipes d'ingénierie et les laboratoires de recherche, cela offre une alternative rapide et transparente aux simulations haute-fidélité coûteuses ou aux outils propriétaires fermés, dès les phases amont de conception. L'article s'inscrit dans la tradition des modèles de terramécanique de type Bekker appliqués aux roues de rovers, en les combinant pour la première fois dans un outil ouvert et rapide dédié spécifiquement à la classe des micro-rovers sous 50 kg. Les auteurs ont par ailleurs rejoué leur recherche en intégrant la marge d'erreur mesurée du modèle roue-sol, sans que les conclusions changent, un test de robustesse destiné à crédibiliser l'outil auprès d'équipes qui voudraient l'adopter pour leurs propres études de faisabilité.

Recherche❖Paper

1 source

30

1885arXiv cs.RO 

Conception intégrée du rover A3P5 NEMESIS pour la reconnaissance environnementale et l'échantillonnage robotique, avec analyse reproductible de la mobilité et un référentiel d'étalonnage par apprentissage automatique sur données externes

Le 17 septembre 2026, une équipe de recherche publie sur arXiv (2609.18245) une étude de conception pour A3P5 NEMESIS, un rover à quatre roues combinant inspection à distance, observation environnementale et manipulation légère. L'étude s'appuie sur une revue bibliographique de 5 000 références réparties en dix requêtes, ramenées à 4 897 DOI distincts et 1 212 candidats retenus pour informer la conception. Le rover reconstruit associe un carénage à motif carbone, des roues à direction indépendante, un bras manipulateur replié, un mât caméra incliné et un module d'échantillonnage latéral. Pour une charge de 24 kg sur une pente à 20 degrés, le modèle prévoit un couple de 3,28 newton-mètres par roue, et une charge frontale de 2 kg fait chuter la limite géométrique de basculement avant de 38,1 à 32,7 degrés. Un benchmark distinct, basé sur 7 344 observations horaires publiques et huit prédicteurs environnementaux, obtient avec une régression ridge une erreur de 0,502 milligramme par mètre cube sur la mesure de CO, avec un intervalle à 95% de 0,435 à 0,569 mg/m³. Les auteurs précisent eux-mêmes que ces chiffres de couple et de basculement sont des filtres de conception théoriques, non des limites mesurées en conditions réelles, et que le benchmark de calibration concerne un réseau de capteurs externe sans rapport direct avec les performances effectives de NEMESIS. Pour les intégrateurs robotique, ce travail illustre l'écart persistant entre une architecture bien chiffrée sur le papier et une validation opérationnelle du prototype physique. Il s'agit d'une démarche méthodologique de cadrage, pas d'une annonce de produit prêt au déploiement. NEMESIS s'inscrit dans la lignée des rovers polyvalents universitaires dédiés à l'inspection et à l'échantillonnage environnemental, un segment encore loin de la maturité commerciale des AMR industriels ou des rovers d'exploration établis. La méthode combine reconstruction géométrique contrainte par photographies, revue systématique de littérature et cadre d'évaluation reproductible pour documenter le design avant toute campagne terrain. Aucun partenaire industriel ni calendrier de déploiement n'est annoncé ; la validation intégrée du prototype en conditions réelles reste l'étape suivante identifiée par les auteurs.

Recherche❖Paper

1 source

29

1886arXiv cs.RO 

Les drones rencontrent l'intelligence incarnée : relier intentions humaines et dynamique de vol par des agents IA physiques-numériques

Un article publié sur arXiv (référence 2609.18326v1) propose un cadre conceptuel pour unifier la recherche sur les drones dotés d'"intelligence incarnée" (embodied intelligence). Les auteurs introduisent deux notions distinctes : l'UAV EI (UAV embodied intelligence), le paradigme émergent où perception, raisonnement, corps physique et action sont couplés pendant le vol et l'interaction avec l'environnement, et l'EI UAV (embodied-intelligent UAV), sa mise en œuvre concrète sous forme de système. Pour structurer le domaine, le papier détaille un cadre dit "5+5" : cinq dimensions de capacités pour caractériser l'UAV EI, et cinq couches architecturales pour l'EI UAV, couvrant l'incarnation physique, la cognition générale, les compétences incarnées, l'interaction avec l'extérieur et l'orchestration du système. Sur cette base, les auteurs passent en revue les avancées récentes en morphologie incarnée, perception incarnée, modèles du monde (world models), planification incarnée, navigation vision-langage, manipulation incarnée et collaboration incarnée, puis identifient quatre défis prioritaires : l'autonomie sur de longs horizons temporels, le raisonnement physique prédictif, l'acquisition de compétences au moment de l'exécution (test-time) et l'évolution autonome des capacités. Le code et les ressources du projet sont publiés sur un dépôt GitHub associé. Ce travail ne livre ni produit ni déploiement : c'est un article de synthèse académique qui cartographie un champ de recherche encore jeune, pas une démonstration chiffrée sur le terrain. Son intérêt pour les intégrateurs et décideurs industriels est de formaliser un mouvement déjà à l'œuvre dans la robotique terrestre, celui des modèles fondation et des agents IA remplaçant le contrôle tâche par tâche par une interprétation d'intentions humaines en environnement ouvert, et de montrer comment cette logique se transpose aux drones, avec les contraintes propres à l'espace 3D continu et à la dynamique de vol. Aucune métrique de charge utile, de degrés de liberté ni de cas d'usage industriel chiffré n'est fournie ici, le papier restant volontairement au niveau du positionnement scientifique. Le texte s'inscrit dans la continuité des travaux sur les agents vision-langage-action appliqués à la manipulation et à la navigation robotique, que les auteurs cherchent à étendre aux véhicules aériens sans pilote. Ils plaident pour des "agents IA physiques-numériques", couplant en continu l'intelligence numérique aux capteurs, à la dynamique et au retour physique du drone, comme voie vers une autonomie aérienne adaptative et évolutive. Aucun calendrier de déploiement ou de pilote industriel n'est annoncé ; les prochaines étapes évoquées relèvent de la recherche, autour des quatre défis identifiés.

Recherche❖Paper

1 source

45

1887Pandaily 

DeepCybo PhysBrain 1.5 obtient un score de 72,5 sur 28 benchmarks en tant que modèle fondation physique ouvert

DeepCybo a publié PhysBrain 1.5, un modèle de fondation physique qui unifie compréhension incarnée, génération d'actions et prédiction d'états futurs dans une seule architecture autorégressive bâtie sur une base Qwen3-VL, enrichie de tokens d'action et d'état visuel. Le checkpoint de 8 milliards de paramètres affiche un score global de 72,5 sur 28 benchmarks publics d'IA incarnée, ce que DeepCybo revendique comme une première parmi les modèles open source, à environ un point des références propriétaires GPT-6 Astra (73,3) et Gemini 3.6 Flash (73,0), selon le tableau publié par l'entreprise. PhysBrain 1.5-8B se classe premier sur 14 des 28 benchmarks et deuxième sur 10 parmi les modèles open source, couvrant perception spatiale, raisonnement multi-vues, planification incarnée, ancrage des affordances et traces visuelles. Une version plus légère, PhysBrain 1.5-2B, obtient 66,6 sur la même suite et vise le déploiement plutôt que le classement. Les poids des deux versions, un rapport technique et un kit d'évaluation sont publics sur Hugging Face et GitHub sous le projet DeepCybo/PhysBrain 1.5. L'entraînement suit une boucle fermée: observer, raisonner et ancrer, agir, puis prédire l'évolution du monde. Réponses en langage naturel, structures spatiales, trajectoires d'effecteur via des tokens ActionPiece, et images futures alignées en RGB, profondeur et masque du robot partagent un seul objectif de prédiction du token suivant, sans têtes de tâche séparées. La supervision de pré-entraînement vient de vidéos d'interaction humaine (égocentriques, ego-exocentriques, panoramiques), et le fine-tuning mélange démonstrations humaines, trajectoires réelles de robots et simulation via le pont d'action "Human-as-Humanoid" de DeepCybo. Cette sortie confirme la montée des modèles VLA unifiés comme architecture de référence pour la robotique incarnée et la vitesse à laquelle les acteurs open source chinois cherchent à réduire l'écart avec les références propriétaires américaines sur les benchmarks publics. Pour les intégrateurs et décideurs B2B, la publication des poids et d'un kit d'évaluation change la donne par rapport à de simples vidéos de démonstration: elle permet de tester directement le transfert vers du matériel réel. Mais un score proche de GPT-6 Astra ou Gemini 3.6 Flash sur un agrégat de benchmarks ne garantit pas une manipulation plug-and-play: ces suites mesurent surtout perception, raisonnement spatial et planification, pas la robustesse en production. DeepCybo invite d'ailleurs les équipes à rejouer le pack d'évaluation et à vérifier le transfert des tokens ActionPiece sur leurs propres bras robotiques, signe que le score de 72,5 doit être lu comme un point de départ plutôt qu'une preuve de parité fonctionnelle avec les systèmes propriétaires. PhysBrain 1.5 s'ajoute à une vague de modèles de fondation incarnée open source déjà en circulation en Chine, aux côtés d'Intern W0, Motus2 et Cog-WM, dans une course où chaque acteur publie ses propres tableaux pour revendiquer un leadership partiel. Contrairement à une démonstration de politique pour un seul robot, DeepCybo positionne PhysBrain 1.5 comme un modèle de fondation généraliste, adaptable à différentes plateformes via le pont Human-as-Humanoid reliant données humaines et données robotiques. Aucun calendrier de pilote ni partenariat matériel n'est mentionné: à ce stade, il s'agit d'une sortie de modèle et de poids, pas d'un déploiement en production chez un intégrateur. Les prochaines étapes attendues sont la reproduction indépendante des scores par des équipes tierces et l'évaluation du transfert réel sur des bras et plateformes variés, seul test permettant de distinguer un score de benchmark d'une capacité de manipulation effective sur le terrain.

IA physique❧Opinion

1 source

38

1888Pandaily 

Infinigence AI publie en open source APXInf pour l'inférence embarquée sur Jetson Thor

Infinigence AI, en collaboration avec des équipes de l'université Tsinghua et de Shanghai Jiao Tong University, a mis en open source APXInf, un moteur d'inférence conçu pour faire fonctionner des modèles de robotique embarquée directement sur l'appareil, sans passer par le cloud, afin de fermer localement la boucle percevoir-décider-agir. Le code est disponible sur GitHub sous RLinf/APXinf-robo, avec un runtime écrit en Rust et des bindings Python, ciblant les cartes Jetson de NVIDIA ainsi que des GPU de bureau. Selon Infinigence et les relais du média chinois QbitAI, le chiffre phare est une latence d'inférence de bout en bout ramenée de 278 ms à moins de 26 ms pour le modèle PI 0.5 en FP8 sur une carte Jetson Thor, soit environ 38,46 Hz, une réduction d'un facteur 10 par rapport à la version non optimisée prise comme référence. Cette performance reposerait sur des optimisations de pipeline, de graphe de calcul, de noyaux de calcul (kernels) et de quantification, complétées par une fusion de kernels CUDA assistée par un agent baptisé Agent4Kernel. Le support initial couvre les modèles PI 0.5 et WALL-OSS, sur Jetson Orin, Jetson Thor et GeForce RTX 4090. Pour l'industrie robotique, cette annonce s'adresse directement aux intégrateurs et aux équipes R&D confrontées au fossé entre modèles vision-langage-action (VLA) impressionnants en démonstration et contrôle stable et réactif sur robot réel. En ciblant explicitement le "dernier kilomètre" entre un modèle VLA capable et un contrôle embarqué fiable, Infinigence répond à une critique récurrente du secteur: la latence cloud rend beaucoup de VLA inutilisables pour du contrôle temps réel en environnement industriel. Le choix architectural, un runtime Rust minimal pour la sécurité mémoire et la stabilité sur de longues durées, plutôt qu'une simple optimisation de vitesse de pointe, cible les déploiements industriels continus plutôt que les démonstrations ponctuelles. Toutefois, le chiffre de latence doit être lu avec prudence: il concerne un modèle et une configuration matérielle précis, et Infinigence lui-même invite les équipes à reproduire ces mesures sur leurs propres checkpoints et contraintes de puissance, ce qui suggère que la portabilité de la performance à d'autres modèles ou tailles de batch n'est pas garantie. APXInf s'inscrit dans la continuité de RLinf, la pile d'entraînement par apprentissage par renforcement déjà développée par Infinigence, étendant ainsi son écosystème open source de la phase de post-entraînement vers le déploiement embarqué, avec une compatibilité de service annoncée avec OpenPI. La feuille de route évoquée inclut de nouveaux portages de modèles VLA, VLM et de modèles du monde (des travaux liés à Qwen et à la famille GR00T sont déjà mentionnés), une optimisation au format nvfp4, des backends AMD, ainsi que des backends d'inférence et des systèmes d'exploitation robotiques domestiques chinois. Le projet se positionne ainsi face aux piles d'inférence propriétaires ou semi-fermées des acteurs occidentaux du VLA, en misant sur l'ouverture du code comme argument de diffusion auprès des intégrateurs.

IA physique⚡Actu

1 source

23

1889Robotics Business Review 

OLogic explique comment les robots peuvent apprendre par démonstration humaine à RoboBusiness

OLogic, société californienne de recherche et développement en systèmes embarqués, annonce que son cofondateur et PDG Ted Larson animera une session intitulée « Egocentric Robot Learning: Teaching Robots Through Human Experience » lors de RoboBusiness 2026, qui se tiendra les 20 et 21 octobre à Santa Clara, en Californie. L'intervention est programmée le deuxième jour du salon, à 10h45. Larson y présentera les fondements de l'apprentissage égocentrique, une méthode consistant à entraîner des robots à partir de démonstrations humaines filmées à la première personne, captées via caméras portables, systèmes de téléopération ou plateformes d'IA incarnée. OLogic met en avant les plus de 25 ans d'expérience de Larson en robotique et électronique grand public, et a par le passé contribué à des robots commerciaux tels que l'AMR de Bear Robotics, l'AMR de Locus Robotics, le robot social KiKi de Zoetic, le robot d'inventaire Tally de Simbe Robotics et le robot personnel de Misty Robotics. Diplômé de Cal Poly en informatique, Larson a aussi travaillé avec Google, Hasbro, Savioke et Panasonic, et intervient régulièrement à RoboBusiness depuis plusieurs éditions. L'enjeu dépasse le simple créneau de conférence : l'apprentissage par imitation à partir de données égocentriques s'impose comme une réponse à la pénurie de main-d'œuvre, à la demande croissante de personnalisation et à la complexité opérationnelle qui freinent l'automatisation dans la fabrication, la logistique, la santé et la robotique de service. Elle promet, en théorie, de réduire le temps, le coût et l'expertise nécessaires pour déployer un robot, en le faisant apprendre du comportement humain plutôt que par programmation manuelle. Pour les intégrateurs et décideurs B2B, cette session confirme que la bascule vers des modèles de fondation appliqués à la robotique, portée par des acteurs comme NVIDIA, Google DeepMind et Meta, continue de structurer les feuilles de route au-delà des seuls laboratoires de recherche. Il faut toutefois noter que l'article ne fournit aucun résultat chiffré, ni taux de réussite, ni volume de déploiement : il s'agit d'une annonce de conférence promouvant une intervention à venir, pas d'un lancement produit ni d'un déploiement documenté. Ce mouvement s'inscrit dans une dynamique où l'apprentissage égocentrique gagne du terrain depuis les travaux publiés par de grands laboratoires sur la collecte de données multimodales et les modèles de fondation pour la robotique, entraînant dans leur sillage un écosystème croissant de startups spécialisées en imitation learning et en intelligence incarnée. OLogic se positionne comme prestataire de R&D embarquée plutôt que fabricant de robots propriétaire, bâtissant sa légitimité sur des collaborations répétées avec des acteurs variés du secteur, de Bear Robotics à Misty Robotics en passant par Simbe Robotics et Zoetic. RoboBusiness reste l'un des rendez-vous de référence pour les développeurs de robotique commerciale, avec keynotes, sessions techniques et espaces de réseautage ; les inscriptions sont ouvertes, avec des tarifs réduits pour le monde académique, les associations et les groupes d'entreprises. Aucun pilote client ni calendrier de déploiement lié spécifiquement à cette présentation n'est annoncé pour l'instant, au-delà de l'intervention elle-même.

IA physique⚡Actu

1 source

39

1890Interesting Engineering 

Des chercheurs créent AthenaZero, un robot qui lance, attrape et frappe la balle au baseball comme un humain

Une équipe de chercheurs dirigée par Andrew Morgan a présenté AthenaZero, un robot à deux bras, deux mains et un torse conçu spécifiquement pour lancer, attraper et frapper une balle de baseball. Contrairement aux robots industriels classiques, la machine a été pensée pour minimiser la masse et la rigidité de ses effecteurs plutôt que pour maximiser la force mécanique brute. Sa masse totale au point d'action a été calibrée pour se rapprocher de celle d'un homme adulte, et la masse effective de ses bras, mesurée en aval de l'épaule, se rapproche davantage de celle d'un bras humain que n'importe quelle autre plateforme robotique comparée dans l'étude. Résultat concret : AthenaZero a atteint une vitesse de lancer de plus de 30 mètres par seconde avec une balle de tennis, une performance qui commence à s'approcher du niveau humain sans l'égaler, les lanceurs professionnels dépassant régulièrement 40 m/s. Les chercheurs ont aussi fait jouer deux unités AthenaZero ensemble à la balle dans un échange soutenu, et associé un seul robot à un joueur humain pour des sessions de lancer et de batting practice. Le robot ne frappe pas systématiquement : il évalue la trajectoire de la balle en temps réel, ajuste son swing en conséquence, et retient son geste si la balle sort de la zone de frappe. La démonstration vise moins le baseball lui-même, une compétence que les auteurs qualifient eux-mêmes de niche, que la preuve de concept qu'elle porte. Pour l'industrie robotique, l'expérience illustre un décalage persistant entre les progrès des logiciels de contrôle, de plus en plus sophistiqués, et une architecture matérielle restée largement figée sur le modèle lourd et rigide hérité de la robotique industrielle. En montrant qu'un compromis délibéré entre inertie réduite et simplicité mécanique permet une manipulation véritablement dynamique, et non plus seulement des gestes lents et délibérés, l'équipe de Morgan fournit un argument concret pour repenser la conception matérielle des bras et mains robotiques. C'est un enjeu direct pour les intégrateurs et fabricants qui cherchent à faire sortir leurs robots humanoïdes des mouvements prudents et scriptés, vers une réactivité proche du réflexe humain, utile pour la logistique, l'assemblage rapide ou toute tâche imprévisible. Le constat de départ des chercheurs est que le contrôle robotique a progressé plus vite que le matériel : la plupart des bras robotiques actuels restent construits selon une philosophie mécanique héritée de plusieurs décennies d'automatisation industrielle, privilégiant rigidité et charge utile élevée au détriment de la vitesse et de l'agilité. AthenaZero a été conçu pour tester frontalement l'hypothèse inverse, à savoir qu'une masse d'effecteur plus faible, et donc une inertie réduite, permettrait des réactions plus rapides et des mouvements plus puissants que des concurrents plus lourds. L'étude reste à ce stade une démonstration de recherche, sans annonce de commercialisation, de site pilote ni de calendrier de déploiement. Les auteurs présentent leur approche comme une invitation à aborder les défis de manipulation robotique sous un angle privilégiant la dynamique, une perspective qu'ils jugent applicable bien au-delà du terrain de baseball, vers des scénarios réels imprévisibles où les robots devront réagir plutôt que simplement exécuter.

Recherche❖Paper

1 source

43

1891Robotics Business Review 

L'évolution de Digit : le parcours d'Agility Robotics, de Cassie à Digit 5

Agility Robotics, fondée il y a plus de dix ans dans le sillage du Dynamic Robotics Lab de l'Université d'État de l'Oregon (OSU), vient de sortir la cinquième génération de son robot humanoïde Digit. L'entreprise compte désormais plus de 400 employés répartis sur trois sites aux États-Unis et une usine capable de produire jusqu'à 10 000 robots par an. Avant Digit, Agility avait développé Cassie, un robot bipède aux jambes inspirées de l'autruche, conçu pour la course rapide, dont les premiers pas remontent à 2016 ; en 2022, sur la piste du Whyte Track and Field Center de l'OSU, Cassie a couru 100 mètres sans chute en 24,73 secondes, record du monde Guinness pour un robot bipède. Le premier Digit, lancé en 2017, visait les chercheurs et marquait une phase de preuve de concept. Digit 3, sorti en 2019, a été le premier modèle commercialisé : capable de saisir et empiler des boîtes jusqu'à 18 kg (40 lb), il ciblait la livraison de colis jusqu'au pas de porte et la manutention en entrepôt. La même année, Ford a acheté les deux premiers robots sortis de la chaîne de production pour étudier leur intégration dans des fourgons de livraison autonomes. Digit 4, dévoilé en 2023, dernier modèle à conserver les jambes de type autruche, a été équipé de nouveaux effecteurs pour manipuler bacs et totes et déployé chez Toyota Motor Manufacturing Canada, GXO Logistics, Schaeffler et Amazon. Cette trajectoire compte car Agility a été l'un des tout premiers acteurs du marché des humanoïdes, dès 2017, à une époque où ce segment est aujourd'hui nettement plus encombré. Contrairement à de nombreuses annonces du secteur qui restent au stade de vidéo démonstrative, Agility peut documenter des déploiements répétés chez de grands comptes industriels et logistiques, une validation commerciale rare pour un robot bipède alors que l'écart entre démonstration et usage réel reste un point de friction majeur pour la filière. La disparition des jambes en forme d'autruche, marque de fabrique d'Agility depuis Cassie, avec Digit 5, signale aussi que l'entreprise revoit ses choix morphologiques à la lumière de l'usage réel en entrepôt plutôt que des contraintes de recherche initiales axées sur la course. Pour les intégrateurs et décideurs B2B, l'histoire de Digit illustre une stratégie d'itération cumulative où chaque génération valide un cas d'usage précis avant de passer à la suivante, une approche différente des annonces plus rapides et moins étayées de certains concurrents. Le parcours part donc du laboratoire universitaire de l'OSU, où Cassie a servi de plateforme de recherche avant qu'Agility ne se structure en société commerciale, avec selon son cofondateur et « Chief Robot Officer » Jonathan Hurst trois phases distinctes : la recherche (Cassie), la preuve de concept (Digit 1 à 4), et désormais une nouvelle étape ouverte par Digit 5, présentée comme conçue pour les réalités du travail chez les clients plutôt que pour la démonstration. Hurst la décrit comme l'aboutissement direct des retours d'expérience accumulés chez Toyota, GXO, Schaeffler et Amazon, sans que l'entreprise n'ait encore détaillé de nouveau calendrier de déploiement au-delà de ce lancement.

Humanoïdes❧Opinion

1 source

41

1892Pandaily 

D-Robotics et GigaAI associent GigaBrain-0.7 à la pile edge Sunrise S600

D-Robotics, filiale de calcul embarqué issue de Horizon Robotics, et la startup d'IA incarnée GigaAI ont annoncé un partenariat stratégique pour porter le modèle open-source GigaBrain-0.7 de GigaAI sur la plateforme de calcul en périphérie Sunrise S600 de D-Robotics. GigaBrain-0.7, publié en août en poids ouverts, repose sur une architecture à trois systèmes qui intègre des simulations de modèle du monde dans la boucle de décision temps réel, permettant au robot d'anticiper les résultats avant d'agir. Selon les documents de GigaAI, le modèle s'est classé en tête sur la suite de simulation RoboColiseum pour le suivi d'instructions, la compréhension spatiale, l'adaptation aux perturbations et la manipulation générale, le rapport technique ayant brièvement dominé les tendances de Hugging Face. Un Action Expert partagé doit transférer des compétences entre corps robotiques hétérogènes, tandis que GigaWorld gère la génération de scènes et le rejeu d'échecs, et GigaWorld-Policy fournit les candidats d'action et la récupération. Le Sunrise S600, SoC phare de D-Robotics, affiche 560 TOPS en INT8 avec une architecture hétérogène multicœur; le kit associé RDK S600 embarque un complexe CPU Cortex-A78AE à 18 cœurs avec un large éventail d'interfaces caméra, USB et PCIe. Ce partenariat illustre la convergence entre modèles fondation embarqués (VLA) et silicium dédié pour sortir l'IA robotique du cloud et l'exécuter directement sur l'appareil, un enjeu central pour les intégrateurs qui doivent composer avec la latence, la consommation et le coût. Le travail conjoint annoncé, à savoir la conversion, la quantification, l'adaptation des opérateurs et le réglage de la latence et de la puissance, correspond exactement aux étapes nécessaires pour transformer un modèle de recherche en cerveau embarqué opérationnel, plutôt qu'un simple exercice de communication. Cela dit, la portée reste à ce stade celle d'un accord de collaboration technique et non d'un produit livré ou d'un déploiement commercial vérifié: les gains de performance annoncés sur RoboColiseum proviennent de la simulation, et aucun chiffre indépendant de latence, de taux de réussite sur tâche réelle ou de consommation thermique n'est encore disponible pour l'exécution sur S600. Le S600 est déjà présenté comme validé en production et associé à plusieurs programmes humanoïdes, dont Cruzr Y1 d'UBTECH, GR-3 de Fourier et Tiangong 3.0, ce qui positionne D-Robotics comme fournisseur de calcul de référence face à des architectures concurrentes comme Pi-0 ou GR00T N2. Les corps cibles cités pour l'intégration de GigaBrain-0.7 incluent des plateformes Maker et de préhension légère, ainsi que des configurations à double bras et à châssis mobile. La suite dépendra des résultats de terrain, des enveloppes thermiques réelles et des mesures de latence tierces, qui détermineront si cette combinaison modèle ouvert plus stack Sunrise S600 s'impose comme architecture de référence par défaut pour la robotique incarnée.

Chine/Asie❧Opinion

1 source

45

1893TechNode 

China Mobile publie en open source sa base d'ingénierie Open-RAIL pour les modèles de robots VLA et WAM

China Mobile a mis en open source Open-RAIL, une base d'ingénierie reliant les modèles vision-langage-action (VLA) et monde-action (WAM) aux robots physiques. La plateforme réunit en un seul flux l'inférence des modèles, l'exécution sur robot réel, la remontée de données et l'itération des modèles. Elle prend en charge quatre robots hétérogènes et dix modèles VLA ou WAM des le lancement. Selon l'opérateur telecom chinois, l'intégration d'un nouveau modèle ne nécessite que 50 a 100 lignes de code, grâce a une couche d'abstraction matérielle qui standardise le contrôle, la lecture d'état et l'exécution des actions quelle que soit la plateforme. Aucune date de disponibilité, aucun tarif ni site de déploiement industriel n'a été précise a ce stade. Pour l'industrie robotique, cette ouverture s'attaque a un goulot d'étranglement connu: chaque robot possède ses propres API et sa propre cinématique, ce qui oblige les intégrateurs a réécrire l'interface logicielle pour chaque nouveau modèle ou chaque nouvelle plateforme matérielle. En promettant une intégration en quelques dizaines de lignes, Open-RAIL cherche a jouer un rôle d'abstraction commune, un peu comme ROS l'a fait pour la robotique classique, mais applique cette fois aux modèles fondation VLA et WAM. Si ces chiffres se confirment en usage réel et pas seulement en environnement contrôle, le cout d'adoption pour les intégrateurs baisserait sensiblement et les cycles entre simulation et robot physique s'accélèreraient. Cette initiative s'inscrit dans la stratégie chinoise de construction d'un écosystème logiciel ouvert pour l'IA incarnée, alors que des laboratoires comme NVIDIA (GR00T N2), Physical Intelligence (Pi-0) ou Figure AI (Helix) développent chacun des piles VLA propriétaires ou semi-ouvertes. En tant qu'opérateur telecom, China Mobile s'appuie sur son infrastructure cloud et réseau pour se positionner comme fournisseur d'outils d'orchestration robotique plutôt que comme fabricant de robots. Aucun calendrier de déploiement pilote ni partenariat industriel n'a été communique pour la suite du projet.

Infrastructure⚡Actu

1 source

43

1894arXiv cs.RO 

XPACE : modélisation conjointe du monde et de l'action à partir d'expériences hétérogènes

XPENG a publié le 16 septembre 2026 sur arXiv (référence 2609.17372) un article de recherche décrivant XPACE, un modèle du monde et d'action conçu et testé sur IRON, son robot humanoïde. XPACE réunit deux fonctions dans une architecture à backbone vidéo partagé : une politique qui prédit à la fois des actions robotiques exécutables et la vidéo future correspondante, et un simulateur qui anticipe les conséquences visuelles d'une action prescrite. L'entraînement combine des vidéos sans étiquette d'action, utilisées pour apprendre la dynamique visuelle du monde, avec des démonstrations annotées, humaines et robotiques, pour apprendre conjointement vidéo et action. Un curriculum progressif fait glisser l'accent du général vers le contrôle robotique fin, tout en conservant les compétences issues de l'expérience humaine. Le simulateur génère ensuite ses propres trajectoires de récupération autour des démonstrations expertes, filtrées puis réinjectées pour affiner la politique. Aucun chiffre de payload, de degrés de liberté, de temps de cycle ou de volume de déploiement n'est communiqué : il s'agit d'un article de recherche, pas d'une annonce produit. L'enjeu dépasse la seule démonstration technique : XPACE s'attaque au problème central des robots humanoïdes généralistes, la rareté des données de téléopération robotique. En apprenant depuis des vidéos humaines non étiquetées et en générant lui-même des données de récupération après erreur, le système promet de transférer des compétences observées chez l'humain vers des tâches jamais démontrées par le robot, et de réduire la dépendance à la collecte coûteuse de démonstrations expertes. C'est un argument direct dans le débat actuel sur le sim-to-real et sur la capacité des modèles vision-langage-action à s'auto-améliorer sans supervision humaine constante, un point que les intégrateurs et décideurs B2B surveillent de près avant d'investir dans des flottes humanoïdes. XPACE s'inscrit dans la lignée d'IRON, la plateforme humanoïde de XPENG, et dans une compétition mondiale déjà dense : Figure AI avec Figure 03 et son modèle Helix, NVIDIA avec GR00T N2, Physical Intelligence avec Pi-0, et Tesla avec Optimus. À ce stade, XPACE reste un résultat de laboratoire publié en preprint, sans pilote industriel ni calendrier de déploiement annoncés, et sa portée réelle dépendra de sa reproduction hors du cadre contrôlé de l'étude.

IA physique⚡Actu

1 source

42

1895arXiv cs.RO 

TARC : un contrôle robotique adaptatif dans le temps

Une équipe de recherche a mis en ligne une version révisée (v2) de l'article TARC (Time-Adaptive Robotic Control) sur arXiv, sous la référence 2510.23176. Le système propose un cadre d'apprentissage par renforcement dans lequel la politique de contrôle prédit simultanément une action et sa durée d'application, au lieu de tourner à une fréquence fixe comme le font la plupart des robots actuels. Des contraintes souples ou strictes limitent le nombre de changements de commande, ce qui pousse la politique à apprendre des actions temporellement étendues. Les auteurs ont validé l'approche sur trois bancs d'essai bien différents : une voiture radiocommandée à haute vitesse, le quadrupède Unitree Go1, et un modèle vision-langage-action (VLA) en simulation, où chaque requête déclenche un passage coûteux dans un transformer. Le résultat central : TARC égale les performances de contrôleurs discrets à haute fréquence tout en fonctionnant à moins de la moitié de leur fréquence de contrôle, en modulant en ligne son taux d'échantillonnage pour ne solliciter un retour haute fréquence que lorsque c'est réellement nécessaire. L'enjeu dépasse la seule prouesse académique. La plupart des systèmes robotiques industriels choisissent par défaut des cadences de contrôle élevées pour garantir la robustesse, au prix d'inférences et d'actionnements superflus, un compromis d'autant plus coûteux que les modèles VLA récents (de type Pi-0 ou GR00T N2) embarquent des architectures transformer lourdes à chaque appel. Diviser par deux la fréquence de contrôle sans perte de performance change directement l'équation de coût de calcul, de latence et de consommation énergétique pour les intégrateurs qui cherchent à déployer ces modèles sur du matériel embarqué contraint. Le travail suggère que le goulot d'étranglement des VLA tient autant à leur coût d'exécution répété qu'à leur précision brute, une piste distincte de la simple réduction de taille des modèles. Le problème visé est ancien en robotique : le contrôle discret à fréquence fixe impose un arbitrage entre efficacité et réactivité, que la pratique courante résout en sur-échantillonnant par prudence. TARC s'inscrit dans la lignée des travaux sur les actions temporellement étendues en apprentissage par renforcement, appliqués ici au contrôle moteur et aux architectures VLA récentes. L'article reste un résultat de recherche testé sur banc d'essai, sans annonce de déploiement industriel ni de partenariat commercial ; une validation sur des VLA en conditions réelles, notamment sur plateformes humanoïdes où le coût d'inférence par cycle freine l'autonomie embarquée, constituerait la suite logique mais non annoncée.

Recherche❖Paper

1 source

42

1896arXiv cs.RO 

Récompense intrinsèque des robots : représentations VLA réutilisées pour évaluation autonome et politiques améliorées

Une équipe de recherche publie sur arXiv (préprint 2609.17115v1) une proposition baptisée Intrinsic Robot Rewarding (IRR), une méthode de récompense pour l'apprentissage robotique qui réutilise les représentations visuelles déjà produites par un système vision-langage-action (VLA) plutôt que d'en créer de nouvelles. Le principe : les points finaux de démonstrations réussies servent de références propres à chaque tâche, et l'encodeur visuel gelé de la politique VLA fournit l'espace de caractéristiques dans lequel les nouveaux résultats du robot sont comparés à ces références. Le mécanisme central se limite à l'ajout d'une banque de références et d'une opération de scoring au pipeline existant, sans évaluateur appris séparé ni backbone de perception additionnel. Les auteurs disposent d'un démonstrateur opérationnel sur un bras industriel COMAU Racer 3, évalué au niveau de maturité technologique TRL 4, c'est-à-dire une validation en environnement de laboratoire, et non un produit commercialisé ni un déploiement en usine. L'enjeu concret pour les intégrateurs et les équipes de R&D robotique porte sur le coût récurrent de l'évaluation humaine des résultats, un goulot d'étranglement classique pour améliorer une politique après déploiement. En s'appuyant sur des composants déjà présents dans les systèmes robotiques industriels (encodeur visuel, banque de démonstrations), IRR promet de réduire l'effort d'intégration et le calcul de récompense sans backbone dédié. Ceci s'inscrit dans le débat plus large sur le passage à l'échelle des politiques VLA de type Pi-0, GR00T N2 ou Helix : la capacité à générer un retour fiable et peu coûteux, sans supervision humaine constante, conditionne l'amélioration continue en production. Il s'agit cependant d'un article de position qui formule des questions de recherche et une méthodologie d'évaluation, pas de résultats démontrés à grande échelle ; le lien entre fiabilité de la récompense et taux de réussite des tâches reste à établir. Le travail s'appuie sur des recherches antérieures en récompenses visuelles et en apprentissage par l'expérience, et vise comme prochaine étape à relier cette évaluation interne des résultats à une amélioration effective de la politique physique du robot, ce qui n'est pas encore réalisé. Le choix d'un bras industriel classique, le COMAU Racer 3 du constructeur italien COMAU, plutôt qu'un humanoïde, signale un positionnement vers la modernisation de cellules d'automatisation industrielle existantes plutôt que vers la course aux robots bipèdes générativistes. Aucun calendrier de pilote industriel n'est annoncé à ce stade ; les auteurs présentent leur démonstrateur comme une base de laboratoire destinée à soutenir de futurs travaux de recherche sur le lien entre récompense intrinsèque et apprentissage de politique.

Recherche❖Paper

1 source

42

1897arXiv cs.RO 

EMODY Flow : génération de mouvements corporels complets pilotée par l'audio et sensible aux émotions

Des chercheurs ont présenté EMODY Flow, un framework de flow-matching léger d'environ 35 millions de paramètres capable de générer gestes corporels et expressions faciales synchronisés avec la parole et l'émotion, dans un article publié sur arXiv le 16 septembre 2026 (arXiv:2609.16011v1). Le système se greffe sur un modèle Qwen-3 Omni figé et réutilise ses codecs audio internes Mimi, conçus à l'origine par le laboratoire français Kyutai, pour piloter deux générateurs DiT parallèles : l'un produit une pose corporelle au format SMPL-X, l'autre une expression faciale au format FLAME. Sur le benchmark de gestes BEAT2, le système revendique un nouvel état de l'art avec un FGD de 0,302, une corrélation au rythme de 0,853 et une diversité de 24,62, soit des gains de 26 %, 5 % et 62 % sur les meilleurs résultats antérieurs, et transfère en zero-shot vers l'animation faciale du jeu TFHP sans réglage spécifique au domaine. L'apport principal tient au diagnostic d'un biais connu des générateurs conditionnels : recevant à la fois un embedding audio riche et une simple étiquette d'émotion discrète, un modèle de flow-matching ignore cette dernière et produit un mouvement quasi identique quelle que soit l'émotion demandée. Un classifieur d'émotion auxiliaire, actif seulement pendant l'entraînement, force le mouvement généré à rester reconnaissable émotionnellement, ce qui corrige ce défaut. Pour les concepteurs d'agents conversationnels incarnés, d'avatars et de robots humanoïdes, qui doivent exprimer un état émotionnel crédible en plus de synchroniser gestes et parole, cette méthode dépasse le seul cas testé. Il s'agit toutefois d'un résultat de recherche validé sur benchmarks, pas d'un produit livré ni d'un déploiement réel en conditions industrielles. Le travail part d'un constat plus large : les grands modèles de langage omni-modaux comme Qwen-3 Omni, développé par Alibaba, excellent en compréhension multimodale mais ne produisent que du texte, laissant un vide dans la génération de réponses incarnées pour les agents conversationnels. EMODY Flow s'appuie sur des formats de référence du secteur, SMPL-X pour le corps et FLAME pour le visage, ainsi que sur le benchmark BEAT2 utilisé pour comparer les méthodes de génération de gestes co-verbaux. L'article ne mentionne aucun partenaire industriel ni calendrier de déploiement : il s'agit d'une contribution académique destinée à être reprise par la communauté recherche en animation et en agents incarnés.

Recherche❖Paper

1 source

41

1898arXiv cs.RO 

Attention à l'écart : repenser la conception des entrées-sorties pour l'apprentissage de politiques visuomotrices riches en contact

Une équipe de recherche a mis en ligne une nouvelle version (v2) de l'article arXiv "Mind the Gap: Rethinking I/O Design for Contact-Rich Visuomotor Policy Learning" (arXiv:2602.08776), consacré à un choix d'architecture resté largement implicite dans l'apprentissage de politiques robotiques par imitation à partir de données de téléopération. Lorsqu'un opérateur télécommande un bras via un dispositif maître, chaque démonstration contient deux signaux distincts : l'état d'exécution réel du robot (E) et la commande envoyée par l'opérateur (C). Une politique entraînée en E2E (exécution vers exécution) perd les écarts de commande qui génèrent justement le contact physique, tandis qu'une politique E2C (exécution vers commande) conserve ces écarts mais ignore la réponse réelle du robot. Les auteurs proposent EC2C (Dual-State Conditioning) : le modèle est conditionné simultanément sur E et C, et prédit l'évolution future de C, ce qui transforme l'écart commande-exécution en signal exploitable de contact, de latence, de charge transportée et de compensation gestuelle, souvent corrélé à la force appliquée en régime quasi statique. Testée sur un montage bas coût, sans capteur de force, sans peau tactile ni retour de courant moteur, EC2C surpasse E2E et une référence E2C renforcée sur plusieurs tâches réelles combinant contact, sensibilité aux forces et dynamique rapide. L'intérêt pratique vise directement les intégrateurs : obtenir un signal proxy de force sans capteur dédié réduit le coût et la complexité du matériel, un enjeu central pour les bras et mains robotiques manipulant des objets fragiles ou en contact prolongé. Le résultat interroge aussi une pratique répandue dans les pipelines d'entraînement de politiques vision-langage-action (VLA), où le choix d'enregistrer l'exécution, la commande, ou les deux, est rarement documenté ni justifié, alors qu'il conditionne directement la capacité du modèle à généraliser des comportements de contact fin. Les auteurs restent prudents sur la portée de leurs résultats : les gains sont démontrés sur un nombre limité de tâches et un seul montage matériel, non encore validés à l'échelle de déploiements industriels ni comparés sur des plateformes commerciales. Ce travail s'inscrit dans un courant de recherche qui cherche à combler l'écart entre démonstrations de téléopération et politiques robustes en conditions réelles, particulièrement pour les tâches à contact riche où le clonage comportemental classique échoue souvent faute de signal de force exploitable. Au-delà du réglage E/C, les auteurs formulent une extension nommée latency-adaptive inpainting, pensée pour les politiques à prédiction d'actions par blocs (action chunking), et discutent des conditions dans lesquelles un historique temporel long aide l'inférence de comportements dynamiques ou, au contraire, introduit une confusion causale qui dégrade l'apprentissage. Aucun partenaire industriel, aucune plateforme commerciale ni aucun calendrier de déploiement ne sont mentionnés à ce stade : il s'agit d'une contribution méthodologique destinée à orienter la conception des futurs pipelines de collecte de données de téléopération, pas d'un produit ou d'un pilote annoncé.

Recherche❖Paper

1 source

41

1899arXiv cs.RO 

AssemblyGrid v1 : un benchmark pour la production multi-robots avec coalitions temporaires, information locale et contraintes géométriques

Un article déposé sur arXiv sous la référence 2609.16075v1 présente AssemblyGrid v1, un benchmark reproductible pour l'étude de la production robotique multi-agents en contrôle décentralisé. Il combine dans une seule tâche la progression explicite des processus de fabrication, le transfert de matériaux, la formation de coalitions temporaires entre robots, l'exécution concurrente d'opérations productives et des contraintes géométriques de faisabilité. Le benchmark se compose de trois familles de scénarios, Flow, Coalition et Concurrency, chacune déclinée en trois niveaux de difficulté croissante. Les auteurs le valident par des tests de conformité exécutables et des expériences comparant un contrôleur centralisé de référence, des contrôleurs décentralisés structurés, et trois algorithmes d'apprentissage multi-agents par renforcement, IPPO, MAPPO et QMIX. Le résultat clé est que des politiques décentralisées, entraînées uniquement à partir d'observations et d'actions locales, parviennent à produire un comportement collectif de production efficace, sans vision globale du système. C'est une donnée importante pour l'industrie robotique, où la coordination des lignes flexibles repose encore largement sur des règles centralisées mal adaptées aux ateliers reconfigurables exigeant une coopération ponctuelle entre robots. En séparant strictement les critères de réussite de la méthode de résolution, AssemblyGrid v1 permet de comparer objectivement des approches par apprentissage et des approches classiques sur les mêmes scénarios, un exercice jusque-là entravé par l'absence d'outils standardisés. Il fournit ainsi un cadre pour vérifier si des méthodes multi-robots décentralisées, souvent démontrées sur des cas simplifiés, résistent à des contraintes réalistes de ressources partagées, d'état des matériaux et de compatibilité géométrique. Ce travail s'inscrit dans le rapprochement entre planification de production robotique et prise de décision multi-agents coopérative sous observabilité partielle, un cadre emprunté à la recherche en apprentissage par renforcement plutôt qu'à la robotique industrielle classique. Les auteurs présentent AssemblyGrid v1 comme comblant un vide : aucun benchmark existant ne réunissait jusqu'ici progression de processus, observations décentralisées, transfert de matériaux, coalitions temporaires et contraintes géométriques dans une seule formulation de tâche. La désignation "v1" laisse attendre des extensions futures, en scénarios comme en niveaux de difficulté. Les expériences rapportées restent pour l'instant en simulation, sans partenariat industriel ni déploiement sur robots physiques annoncé, ce qui limite la portée des résultats à une validation algorithmique plutôt qu'à une preuve de robustesse en production réelle.

Recherche❖Paper

1 source

41

1900arXiv cs.RO 

FluxVLA Engine : une plateforme tout-en-un d'ingénierie VLA pour l'IA incarnée

FluxVLA Engine, plateforme open source et pilotée par configuration pour l'ingénierie des modèles vision-langage-action (VLA), est décrite dans un article publié en septembre 2026 sous la référence arXiv 2609.17210. Plutôt que de proposer un nouveau modèle de politique, l'outil normalise les interfaces entre les briques hétérogènes d'un pipeline d'IA embarquée : formats de jeux de données, modèles vision-langage et modèles du monde (WAM), têtes d'action, apprentissage par renforcement offline pondéré par récompense ou avantage, entraînement distribué, évaluation en simulation, inférence optimisée et pilotage robot. Le système intègre une simulation bras-double compositionnelle, une génération automatique de données à grande échelle, ainsi qu'une boucle humain-dans-la-boucle découplée du modèle pour la prise de contrôle, la collecte de corrections et l'annotation de récompenses. Pour l'exécution physique en temps réel, FluxVLA combine le Real-Time Chunking (RTC), des moteurs d'inférence accélérés, un service GPU distant léger et un post-traitement configurable des trajectoires. Le code source est publié sur GitHub, sous le dépôt FluxVLA/FluxVLA. Pour les intégrateurs et les équipes de recherche en robotique, ce type d'outillage cible un goulot d'étranglement réel : la multiplication des modèles VLA, des WAM et des méthodes de RL offline s'est jusqu'ici heurtée à des formats de données, des stacks d'entraînement et des interfaces spécifiques à chaque plateforme robotique, ce qui rend la reproductibilité et le déploiement fiable coûteux en ingénierie. En unifiant contrats de données, validation en simulation, correction en ligne et exécution réelle sous un cadre commun et auditable, FluxVLA s'attaque moins à la performance d'un modèle qu'à la friction séparant un algorithme prometteur d'un système robotique déployable. L'article ne fournit toutefois aucun chiffre de payload, de temps de cycle ou de volume de déploiement : il s'agit d'une infrastructure logicielle, pas d'une démonstration sur robot physique, ce qui en limite pour l'instant la portée à une preuve de concept d'ingénierie plutôt qu'à un résultat de terrain validé à grande échelle. FluxVLA s'inscrit dans un paysage de politiques VLA de plus en plus fourni, où coexistent des modèles comme Pi-0 de Physical Intelligence, GR00T N2 de NVIDIA ou Helix de Figure AI, chacun avec ses propres formats et pipelines d'entraînement, une fragmentation que la plateforme cherche justement à réduire en se positionnant comme couche d'intégration plutôt que comme concurrent direct. Contrairement à un produit commercial fermé, FluxVLA est distribué en open source, sans acteur industriel ni déploiement pilote annoncé à ce stade, ce qui en fait pour l'instant un outil de recherche destiné aux laboratoires et équipes d'ingénierie robotique plutôt qu'une solution prête pour la production. Les prochaines étapes attendues sont l'adoption par la communauté open source et la validation de la plateforme sur des cas d'usage réels avec des bras robotiques, des éléments que l'article ne détaille pas encore.

IA physique❖Paper

1 source