Aller au contenu principal

Actualités robotique — page 40

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

Digit 5, le premier robot humanoïde vraiment sûr pour travailler ?
1951IEEE Spectrum Robotics 

Digit 5, le premier robot humanoïde vraiment sûr pour travailler ?

Agility Robotics a dévoilé Digit 5, la dernière génération de son robot humanoïde industriel, en misant sur un compromis inédit entre puissance, sécurité et autonomie énergétique. L'engin mesure 1,8 mètre pour 129 kg, peut soulever une charge de 23 kg jusqu'à 2,1 mètres de hauteur, et fonctionne plus de 20 heures par jour sans immobilisation prolongée pour recharge. Sa principale nouveauté tient à sa gestion de la sécurité : au lieu de s'appuyer sur des barrières physiques comme la quasi-totalité des humanoïdes commerciaux actuels, Digit 5 est conçu pour ne jamais pouvoir tomber sur quelqu'un. Quand un humain s'approche, le robot dépose ce qu'il transporte puis s'assoit au sol de façon stable si nécessaire, selon le communiqué d'Agility. Le robot abandonne aussi les jambes inversées, en forme de patte d'oiseau, qui caractérisaient Cassie puis les précédentes générations de Digit et qu'avait théorisées le cofondateur Jonathan Hurst dans un article de 2019 pour IEEE Spectrum : ces jambes optimisées pour la locomotion dynamique se prêtaient mal au levage et à la position accroupie, d'où le passage à une configuration plus proche de la jambe humaine. D'après le dossier déposé par Agility auprès de la SEC en juin, en vue d'une entrée en Bourse prévue avant fin 2026, le coût des composants (BOM) de Digit 5 devrait se situer entre 150 000 et 200 000 dollars au lancement, avec un objectif de moins de 50 000 dollars à un volume de 10 000 unités par an. Le service en formule robot-as-a-service serait facturé autour de 8 500 dollars par mois, une estimation qu'Agility qualifie elle-même de purement illustrative. Cette approche répond à une question que la plupart des fabricants de humanoïdes évitent : que se passe-t-il si un robot bipède intrinsèquement instable tombe sur un employé, un enfant ou un animal ? En rendant cette chute impossible par construction plutôt que par promesse marketing, Agility propose une réponse vérifiable là où la concurrence reste largement silencieuse sur le sujet, ce qui pourrait débloquer des déploiements en usine sans cages de sécurité, un frein connu à l'adoption industrielle des humanoïdes. Sur le plan économique, en croisant les 20 heures d'activité quotidienne annoncées avec un coût horaire de main-d'œuvre estimé à 30,50 dollars, Agility avance une économie potentielle de 100 000 dollars par an et par robot pour ses clients, un chiffre présenté comme purement indicatif et donc à prendre avec prudence, comme toute projection émanant du fabricant avant commercialisation à grande échelle. Si ces ordres de grandeur se confirment en conditions réelles, ils constitueraient l'un des premiers cas concrets où l'équation coûts/bénéfices d'un humanoïde tiendrait la route face au scepticisme sur l'écart entre démonstrations spectaculaires et utilité économique réelle en production. Agility Robotics construit sur l'héritage de Cassie, son premier robot bipède, puis des générations précédentes de Digit, dont les jambes inversées avaient été conçues par Jonathan Hurst comme une optimisation biomécanique de la locomotion dynamique plutôt que par souci esthétique, ainsi qu'il l'expliquait déjà en 2019. Le passage à une architecture de jambes plus proche de l'humain marque une bascule assumée vers l'utilité au sol, levage et position accroupie, au détriment de l'agilité dynamique. La société a par ailleurs confirmé, via son dépôt SEC de juin, viser une introduction en Bourse d'ici fin 2026, ce qui explique la précision inhabituelle des chiffres de coûts et de rentabilité rendus publics avant même la commercialisation effective de Digit 5. Le robot arrive dans un paysage humanoïde de plus en plus encombré, où de nombreux concurrents continuent de communiquer surtout par vidéos de démonstration ; l'insistance d'Agility sur un mécanisme de sécurité vérifiable et sur des données de coûts de production réelles, plutôt que sur des projections marketing, tranche avec cette tendance. Les prochaines étapes attendues sont les premiers retours de déploiements clients à grande échelle, qui permettront de vérifier si les promesses de 20 heures de fonctionnement quotidien et d'économies annuelles de 100 000 dollars par robot se confirment sur le terrain, à mesure qu'Agility se rapproche de l'échéance boursière visée pour fin 2026.

HumanoïdesOpinion
1 source
Le Digit 5 d'Agility gagne de nouvelles jambes, batteries et améliorations de sécurité
1952Robotics Business Review 

Le Digit 5 d'Agility gagne de nouvelles jambes, batteries et améliorations de sécurité

Agility Robotics a dévoilé le 15 septembre 2026 la cinquième génération de son robot humanoïde Digit, dotée de nouvelles jambes, de batteries améliorées et d'une architecture de sécurité repensée permettant, selon l'entreprise, de travailler à proximité immédiate d'humains sans barrières physiques. L'annonce intervient alors qu'Agility prépare son entrée en bourse via une fusion SPAC avec Churchill Capital Corp. XI, qui valorise l'entreprise à 2,5 milliards de dollars. Selon des documents déposés auprès de la SEC, Agility n'a généré que 1,8 million de dollars de ventes nettes en 2025, un chiffre à mettre en regard des plus de 300 millions de dollars de commandes pluriannuelles revendiquées par la PDG Peggy Johnson. Côté matériel, Digit 5 embarque un chargeur autonome plus rapide : 90 minutes d'autonomie pour seulement neuf minutes de charge complète, soit un ratio fonctionnement/charge de 10 pour 1, contre 2 pour 1 sur Digit 4, permettant au robot de travailler plus de 20 heures sur 24. L'accès anticipé est prévu pour le premier semestre 2027, avec une disponibilité générale pour les opérateurs de fabrication, d'entreposage et de distribution fin 2027. Agility compte aussi déployer Digit 5 hors d'Amérique du Nord pour la première fois, en commençant par l'Union européenne et le Royaume-Uni, avec un marquage CE visé pour l'accès à ces marchés. Cette mise à jour illustre un basculement du discours humanoïde, de la démonstration technologique vers l'ingénierie industrielle concrète. Jonathan Hurst, cofondateur et chief robot officer d'Agility, explique que les premières versions de Digit relevaient d'une phase de preuve de concept, avant que l'équipe ne se heurte aux exigences réelles de mise à l'échelle : certifications FCC, UL, ISO, largeur des allées, emplacement des chargeurs, organisation des flux. Ce sont ces centaines de contraintes d'ingénierie, issues de trois ans de déploiement de Digit 4 chez des clients comme Amazon, qui ont façonné Digit 5. L'écart entre 1,8 million de dollars de revenus réels et une valorisation de 2,5 milliards mérite d'être noté avec prudence par les décideurs B2B suivant le dossier. Agility fait partie des rares fournisseurs de robots humanoïdes réellement en activité sur des sites de production, de logistique et de distribution, aux côtés d'acteurs comme Figure (Figure 03), Tesla (Optimus Gen 3) ou des modèles fondation comme Pi-0 de Physical Intelligence et GR00T N2 de NVIDIA. Son expansion vers l'Europe la placera aussi en concurrence directe avec des acteurs locaux du secteur, comme le français Wandercraft sur l'exosquelette et l'humanoïde, ou Pollen Robotics. La cotation via SPAC, voie inhabituelle en robotique, ajoute une dimension financière à surveiller d'ici 2027.

HumanoïdesActu
1 source
XPeng étend sa puce IA maison Turing des véhicules électriques aux humanoïdes
1953Pandaily 

XPeng étend sa puce IA maison Turing des véhicules électriques aux humanoïdes

XPeng étend l'usage de sa puce IA maison Turing, jusqu'ici cantonnée à ses véhicules électriques, vers ses robots humanoïdes, selon des informations rapportées par DigiTimes et confirmées par les communications de l'entreprise. Le constructeur chinois présente désormais Turing non plus comme un composant dédié à l'aide à la conduite (ADAS) mais comme un socle de calcul multi-domaine capable de faire tourner des modèles vision-langage-action (VLA) sur différents supports physiques, voitures particulières aujourd'hui, humanoïdes en seconde application. Sur son robot IRON, XPeng a évoqué à plusieurs reprises une configuration embarquant environ trois puces Turing, pour une puissance de calcul cumulée d'environ 2250 TOPS. Cette capacité vise à faire tourner localement le modèle fondation "Physical AI" de l'entreprise, réduisant la latence liée aux allers-retours vers le cloud et gardant les inférences sensibles au plus près du robot. Sur les versions Ultra de ses véhicules, une configuration comparable en nombre de puces Turing alimente la pile de conduite intelligente VLA la plus avancée du constructeur, ce qui constitue le parallèle mis en avant par DigiTimes : un seul programme de silicium amorti sur deux gammes de produits plutôt que deux développements de puces séparés. Cette mutualisation a un intérêt direct pour le coût et la vitesse d'itération dans l'industrie robotique. En réutilisant un même procédé de fabrication qualifié automobile, le même packaging et les mêmes fournisseurs, XPeng peut transférer vers ses robots des apprentissages acquis sur les volumes de production de ses véhicules électriques, tandis que les équipes logicielles réemploient des outils de modélisation, des pipelines de données et des pratiques de sécurité déjà éprouvés sur la conduite autonome. XPeng relie aussi sa capacité de calcul vocal et agentique en voiture à Turing, une logique de répartition (puces de perception et de planification plus calcul agentique interactif) transposable aux scénarios de service humanoïde, où la reconnaissance vocale et la planification de tâches doivent rester réactives sans dépendance constante au cloud. Ce chiffrage de 2250 TOPS reste toutefois une donnée communiquée par l'entreprise : aucun benchmark indépendant ne confirme pour l'instant que cette puissance théorique se traduit par des performances VLA soutenues en conditions réelles, au-delà des démonstrations internes. XPeng, constructeur automobile chinois connu pour ses systèmes de conduite assistée, a développé Turing en interne pour réduire sa dépendance aux fournisseurs de semi-conducteurs externes avant d'étendre cette puce à son programme de robotique humanoïde IRON. Cette stratégie de silicium partagé le positionne face à des concurrents comme Tesla, avec sa puce AI5 et son robot Optimus, Figure AI et son modèle Helix, ou encore NVIDIA avec sa plateforme GR00T, dans une course où la maîtrise conjointe de la puce et du modèle devient un argument de différenciation. Reste à observer si les chaînes d'outils, les enveloppes de puissance et les partitions de modèles de Turing tiendront la charge à mesure que les tâches robotiques s'éloignent de la conduite routière, et si des tests tiers viendront un jour valider les chiffres avancés par XPeng.

Chine/AsieOpinion
1 source
Boyagongdao présente le poisson-robot biomimétique BG-5 pour l'inspection en eaux peu profondes au CIFTIS
1954Pandaily 

Boyagongdao présente le poisson-robot biomimétique BG-5 pour l'inspection en eaux peu profondes au CIFTIS

Boyagongdao Marine Technology Group a présenté son robot poisson biomimétique BG-5, surnommé Golden Dragon Fish, lors de la China International Fair for Trade in Services (CIFTIS) 2026, qui s'est tenue au Shougang Park de Pékin. Cet engin sous-marin autonome imite la nage ondulante d'un arowana plutôt que de recourir à une hélice, via une queue souple à trois articulations et sept segments produisant une onde progressive. Selon les fiches produit du fabricant, le BG-5 mesure 640 mm de long, 204 mm de large et 90 mm de haut pour une masse d'environ 3 kilogrammes. Sa profondeur d'exploitation maximale est annoncée à 5 mètres et sa vitesse de pointe à 0,6 mètre par seconde. L'appareil embarque des capteurs de détection d'obstacles lui permettant de modifier sa trajectoire sans être asservi à un tracé prédéfini, une capacité utile en eaux turbides ou encombrées. Boyagongdao met aussi en avant la mise en service sans fil, la reconnaissance infrarouge pour l'évitement autonome, et une plateforme standard personnalisable pouvant accueillir des bras manipulateurs en option. Une variante, le BG-5V, associe le même corps de poisson à une suite logicielle de planification de trajectoire, d'allocation de tâches et de contrôle de formation, permettant à plusieurs unités de se répartir une zone de couverture ou de coordonner des tâches simples. Pour l'industrie de l'inspection sous-marine, ce lancement illustre une approche de niche plutôt qu'une percée générale: Boyagongdao cible explicitement les barrages hydroélectriques, l'inspection en eaux peu profondes et la recherche sur la locomotion poissonneuse, pas l'exploration en grande profondeur. L'argument technique tient autant à l'accès physique qu'à l'esthétique: un corps sans hélice glisse plus facilement dans des bassins confinés et réduit le risque d'accrochage près de végétation ou de câbles, tout en étant plus silencieux qu'un drone à hélice classique. Il faut toutefois noter que la présentation au CIFTIS relève avant tout de la démonstration produit en salon: aucune donnée indépendante sur l'autonomie réelle, la signature acoustique ou la précision de navigation n'a été communiquée. Les intégrateurs et opérateurs industriels devront donc valider par eux-mêmes l'enveloppe de 5 mètres de profondeur et 0,6 m/s avant de considérer le Golden Dragon Fish comme un outil d'inspection par défaut. Ce positionnement s'inscrit dans un mouvement plus large de la robotique sous-marine chinoise vers des plateformes biomimétiques compactes, pensées pour des environnements que les véhicules à hélice classiques gèrent mal, plutôt que pour concurrencer les AUV d'exploration en eau profonde. Le BG-5V, avec sa couche logicielle multi-robots, suggère une ambition à plus long terme de déploiements en essaim pour la surveillance d'infrastructures, mais aucun calendrier de pilote ni de site de déploiement commercial n'a été précisé lors de cette présentation. En l'absence d'essais sur le terrain rendus publics, le BG-5 reste pour l'instant un démonstrateur de faisabilité technique plutôt qu'un produit dont l'adoption industrielle est déjà engagée.

Chine/AsieOpinion
1 source
Blue Insect Embodied lance le robot humanoïde modulaire Mantis Standard à partir de 9 800 RMB
1955TechNode 

Blue Insect Embodied lance le robot humanoïde modulaire Mantis Standard à partir de 9 800 RMB

Blue Insect Embodied, société de valorisation technologique issue de l'université Xi'an Jiaotong, a lancé son robot humanoïde modulaire Mantis Standard, surnommé "Xiaobai", à un prix de départ de 9 800 yuans, soit environ 1 250 euros. Le châssis, les bras, la taille et la tête reposent sur des modules standardisés reliés par des interfaces à installation rapide, permettant remplacement et personnalisation facilités. La machine compte 22 degrés de liberté, une charge utile de 7 kilogrammes par bras, une envergure de bras de 663 millimètres et une latence de téléopération annoncée sous les 10 millisecondes. Sa taille dispose d'une course de levage de 550 millimètres, et sa base omnidirectionnelle à trois degrés de liberté atteint 3 mètres par seconde en marche avant, pour une autonomie de trois heures. L'information provient du média chinois Phoenix. Ce tarif place Mantis Standard nettement sous les robots humanoïdes commerciaux existants, dont plusieurs modèles chinois dépassent déjà les 10 000 à 16 000 dollars, et intensifie la guerre des prix engagée sur ce segment en Chine. L'approche modulaire vise à réduire les coûts de fabrication et de maintenance tout en facilitant la production à grande échelle, une stratégie qui privilégie la diffusion matérielle au détriment, pour l'instant, de démonstrations de tâches complexes ou de déploiements documentés. Aucune donnée indépendante ne vient confirmer les chiffres de latence ou de performance communiqués par le fabricant, et l'article ne mentionne ni volumes de commandes ni site de déploiement réel : il s'agit d'un lancement commercial, pas encore d'un déploiement industriel vérifié. Blue Insect Embodied s'inscrit dans la vague d'essaimages universitaires chinois vers la robotique humanoïde, aux côtés d'acteurs comme Unitree, Fourier Intelligence, UBTech ou AgiBot, qui rivalisent sur le rapport prix-performance plus que sur l'intelligence embarquée. En misant sur un matériel low-cost et interchangeable, la société parie sur une adoption élargie côté recherche, éducation et intégrateurs, la couche logicielle et les modèles de contrôle restant à démontrer séparément.

PhysBrain 1.5 : des modèles vision-langage aux modèles fondation pour l'IA physique
1956arXiv cs.RO 

PhysBrain 1.5 : des modèles vision-langage aux modèles fondation pour l'IA physique

PhysBrain 1.5, décrit dans une publication arXiv (2609.14973v1, soumission croisée), est un modèle unifié qui fusionne compréhension de scène, génération d'actions et prédiction d'états futurs dans un seul cadre d'apprentissage. Bâti sur un modèle vision-langage généraliste, il encode réponses textuelles, mouvements de l'effecteur terminal et cibles visuelles denses en séquences discrètes, optimisées conjointement par prédiction autorégressive du token suivant. Le pré-entraînement s'appuie entièrement sur des vidéos d'interaction humaine, sans donnée robot, via des épisodes centrés sur des tâches associant contexte sémantique et spatial au mouvement reconstruit et aux observations suivantes. L'ajustement supervisé combine ensuite démonstrations humaines, trajectoires robotiques et expérience simulée. Sur 28 benchmarks de compréhension incarnée, le modèle de 8 milliards de paramètres obtient un score moyen de 72,5, nouveau record open source, à la hauteur de modèles propriétaires comme GPT-6-Astra et Gemini 3.6 Flash, et meilleur résultat open source sur 14 des 28 benchmarks. L'enjeu pour l'industrie robotique tient à la source de supervision : pré-entraîner un modèle d'action à partir de vidéos humaines ordinaires, plutôt que de coûteuses données de téléopération robotique, attaquerait le principal goulot d'étranglement des modèles vision-langage-action (VLA) pour bras et humanoïdes. Qu'un modèle ouvert de 8B rivalise avec des systèmes propriétaires sur la compréhension intéresse les intégrateurs cherchant un déploiement local sans dépendre d'une API fermée. Réserve importante toutefois : la génération de trajectoires et la prédiction de scènes futures (RGB, profondeur, masques robot) ne reposent que sur des exemples qualitatifs, sans taux de réussite ni temps de cycle chiffrés, un écart classique entre démonstration et fiabilité de terrain. Ce travail s'inscrit dans la vague des modèles vision-langage-action qui unifient perception, langage et contrôle moteur dans un même transformeur autorégressif, aux côtés d'approches comme Pi-0, GR00T N2 ou Helix, et se positionne explicitement face aux modèles multimodaux propriétaires des grands laboratoires. Il s'agit d'une publication de recherche arXiv, pas d'un produit livré ni d'un déploiement commercial : aucune entreprise, plateforme robotique ni calendrier de disponibilité n'est précisé. La suite logique serait une évaluation quantitative des capacités d'action sur robot réel, afin de vérifier si les démonstrations qualitatives se traduisent en performances reproductibles hors laboratoire.

IA physiqueOpinion
1 source
Toucher visible : rendu du contact pour les politiques visuomotrices
1957arXiv cs.RO 

Toucher visible : rendu du contact pour les politiques visuomotrices

Des chercheurs publient sur arXiv (article 2609.14156v1, déposé en tant que nouvelle contribution) une méthode baptisée Visible Touch, destinée à intégrer le toucher dans les politiques visuomotrices des robots manipulateurs. Le système repose sur un capteur de contact magnétique bas coût, conçu en interne et mis en open source, fabriqué à partir de pièces standard via un pipeline paramétrique de conception assistée par ordinateur allant jusqu'au moulage. L'idée centrale consiste à afficher le signal de contact directement dans le même repère spatial que l'image de la scène observée par la politique, plutôt que de l'encoder séparément, ce qui le rend exploitable par n'importe quel modèle conditionné par l'image sans modification d'architecture. Sur le benchmark LIBERO, cette approche améliore le taux de réussite d'un modèle BC-Transformer de 15,7 points de pourcentage en moyenne en configuration à deux caméras, avec des gains comparables à une seule caméra. Appliquée au fine-tuning de modèles vision-langage-action (VLA) pré-entraînés, elle apporte 25 points de gain moyen à miniVLA sur LIBERO, et jusqu'à 30 points à π_0.5 sur quatre tâches réelles à fort contact, avec le capteur maison. Ce résultat s'attaque à un angle mort connu des politiques génératives de manipulation: la plupart des modèles VLA actuels, y compris les architectures pré-entraînées dominantes, fonctionnent uniquement à partir de la vision et de la proprioception, sans retour tactile. Les solutions existantes nécessitaient un matériel tactile spécialisé, un encodeur dédié, ou une architecture non basée sur l'image, incompatibles avec le paradigme actuel des modèles construits sur des représentations visuelles 2D pré-entraînées. En montrant qu'une simple reprojection du signal de contact dans le plan image suffit à obtenir des gains significatifs, l'étude suggère une voie d'intégration du toucher peu coûteuse et directement compatible avec les pipelines de fine-tuning industriels existants, un enjeu clé pour les tâches d'assemblage ou d'insertion où la vision seule échoue souvent. Le travail s'inscrit dans la lignée des recherches visant à combler l'écart entre perception visuelle et retour physique dans l'apprentissage robotique, alors que la génération actuelle de modèles VLA pré-entraînés se généralise dans l'industrie. Il s'agit d'un preprint académique et non d'un produit commercialisé: les auteurs annoncent l'ouverture du design du capteur, sans calendrier de déploiement industriel précisé à ce stade.

IA physiqueActu
1 source
STAGE : diagnostiquer le transfert sémantique jusqu'à l'exécution ancrée chez les agents incarnés
1958arXiv cs.RO 

STAGE : diagnostiquer le transfert sémantique jusqu'à l'exécution ancrée chez les agents incarnés

Une équipe de recherche publie sur arXiv (2609.13458, 15 septembre 2026) le travail STAGE, qui introduit SAT-Bench, un banc d'essai à observation fixe : la scène visuelle et l'état du robot restent identiques, seule la sémantique de l'instruction change, sur des tâches de la suite LIBERO avec permutations de noms de cibles et de relations spatiales ancrées dans l'image. La bonne cible est identifiée à 100,0% et 95,8% selon les deux protocoles, mais la sensibilité de l'action du modèle vision-langage-action OpenVLA plafonne à 6,8% et 7,7%, un écart confirmé sur 1 000 contrefactuels supplémentaires avec une sensibilité moyenne de 6,1%. Les auteurs introduisent ensuite VISA, une interface d'exécution qui transforme la sémantique récupérée en décisions ALLOW, DEFER, vérification de cohérence de cible et sélection vérifiée, ramenant l'exécution aveugle d'instructions invalides de 92,7% à 2,8% tout en préservant 94,0% des commandes normales. Ce résultat remet en cause une hypothèse implicite de l'évaluation des modèles vision-langage-action : qu'une compréhension linguistique correcte se traduit automatiquement en comportement moteur adapté. OpenVLA, une référence du domaine, échoue largement sur ce transfert, ce qui suggère un problème potentiellement partagé par toute la famille des politiques généralistes entraînées de bout en bout sur démonstrations. Pour les intégrateurs et décideurs évaluant des politiques robotiques avant déploiement industriel, le message est direct : les benchmarks actuels, centrés sur la compréhension du langage, peuvent masquer un décalage sévère entre ce qu'un robot « comprend » et ce qu'il exécute réellement, un risque critique quand une cible erronée se trouve à proximité de la bonne. VISA offre une mitigation pragmatique sans réentraînement, mais reste un garde-fou externe plutôt qu'une correction de l'architecture sous-jacente. Ce diagnostic s'inscrit dans la vague de politiques vision-langage-action, dont OpenVLA, entraînées sur des jeux de démonstrations comme LIBERO et présentées comme capables de généraliser instruction et manipulation. SAT-Bench se distingue des benchmarks existants en isolant la seule variable sémantique via un protocole contrefactuel à observation fixe, plutôt que de mesurer la réussite globale d'une tâche, ce qui permet d'imputer l'échec au maillon sémantique-action plutôt qu'à la perception ou à la planification. Les auteurs appellent la communauté à évaluer désormais le transfert sémantique-action, et non la seule analyse du langage, lors de l'évaluation des agents incarnés. Aucun partenariat industriel ni calendrier de déploiement n'est annoncé : il s'agit d'une contribution de recherche méthodologique dont la portée immédiate concerne les protocoles d'évaluation plutôt qu'un produit ou un robot commercial.

RecherchePaper
1 source
Quand un déploiement VLA plus rapide modifie le comportement en boucle fermée : analyse succès-latence de SmolVLA en PyTorch et ONNX
1959arXiv cs.RO 

Quand un déploiement VLA plus rapide modifie le comportement en boucle fermée : analyse succès-latence de SmolVLA en PyTorch et ONNX

Des chercheurs ont publié le 15 septembre 2026 sur arXiv (2609.14146) une étude comparant les performances du modèle vision-langage-action (VLA) SmolVLA (HuggingFaceVLA/smolvla_libero) selon son mode de déploiement, sur une carte graphique modeste RTX 2060 de 6 Go, avec les suites de benchmarks LIBERO Spatial et Object (MuJoCo 3.3.2, LeRobot 0.6.1, seed 42). En configuration PyTorch avec précision mixte (AMP), le modèle atteint 70,0% de réussite en Spatial et 88,0% en Object, pour une latence p99 de 1181 ms. En convertissant le modèle vers ONNX Runtime avec exécution CUDA, les versions dites FP16 et INT8 réduisent la latence p99 à 601 ms et 532 ms respectivement, mais le taux de réussite Spatial chute à 41,0% et 40,0%, tandis qu'Object reste stable à 89,0%. Un audit des graphes de calcul révèle que ces artefacts ONNX sont en réalité des graphes FP32 identiques bit à bit: la variante "INT8" n'est donc pas une quantification réelle au niveau des opérateurs. Un test complémentaire faisant varier la largeur du contexte textuel (16, 24, 32 tokens) montre une réussite Spatial de 41,0%, 75,0% puis 71,0%, la largeur 24 tokens égalant quasiment la performance PyTorch de référence pour environ deux fois moins de latence, sans différence statistiquement significative (p=0,53). Le code est disponible sur GitHub (rafiqul713/smolvla-libero-onnx). Ce travail illustre un piège fréquent dans le déploiement des modèles VLA en robotique: accélérer l'inférence via une conversion vers un format supposé plus léger peut faire chuter silencieusement le succès en boucle fermée, même quand les chiffres de latence affichés semblent excellents. L'étude démontre aussi qu'une étiquette de "quantification INT8" peut être trompeuse si elle n'est pas vérifiée au niveau du graphe de calcul, un signal d'alerte pour les intégrateurs qui évaluent des pipelines d'inférence optimisés pour l'edge sans audit technique. Elle plaide pour un reporting conjoint de la latence, de l'inspection des artefacts et du taux de réussite réel des tâches, plutôt que la seule métrique de vitesse mise en avant commercialement. SmolVLA est le modèle VLA compact de Hugging Face, et LIBERO constitue un benchmark de référence pour évaluer la généralisation spatiale et objet des politiques de manipulation robotique. Le choix d'un GPU d'entrée de gamme, plutôt qu'un A100 de laboratoire, reflète les contraintes matérielles réelles du déploiement embarqué, un enjeu partagé par les concurrents du secteur VLA comme Pi-0 de Physical Intelligence, GR00T N2 de Nvidia ou Helix de Figure, tous confrontés à l'arbitrage entre vitesse d'inférence et fiabilité comportementale sur du matériel contraint.

RecherchePaper
1 source
Communications orientées objectif pour l'IA physique : conception et banc d'essai
1960arXiv cs.RO 

Communications orientées objectif pour l'IA physique : conception et banc d'essai

La 5G peine à absorber les flux vidéo haute fréquence qu'exigent les applications d'IA physique pour percevoir et agir en temps réel, un goulot d'étranglement que documente un preprint arXiv publié le 15 septembre 2026 (arXiv:2609.15895v1). Des chercheurs y présentent un banc d'essai de "communication orientée objectif" (goal-oriented communication, GoC), qui relie un bras robotique PiPER équipé d'une caméra RGB-D et d'un modem 5G à un serveur de périphérie NVIDIA Jetson AGX Orin, via un réseau 5G bâti sur la pile open source OpenAirInterface. Trois architectures GoC ont été mises en œuvre, transmettant respectivement des boîtes englobantes 3D, des graphes de scène 2D et des graphes de scène 3D, c'est-à-dire des représentations sémantiques compactes plutôt que l'image brute complète. Comparées à une transmission classique en continu du flux vidéo brut, ces méthodes réduisent le temps d'exécution des tâches jusqu'à 52,6% et augmentent le taux de réussite des tâches jusqu'à 45%, sur un pipeline complet incluant extraction sémantique, transmission 5G, inférence par modèle de langage, validation par jumeau numérique et commande robotique. L'intérêt de ces travaux tient moins à la performance brute qu'à leur méthode: la plupart des cadres GoC publiés jusqu'ici n'avaient été validés qu'en simulation, sans déploiement matériel réel connectant robot, réseau 5G et inférence embarquée de bout en bout. Pour les intégrateurs qui envisagent de déporter le calcul lourd d'un bras ou d'un robot mobile vers une périphérie de réseau, cela apporte une première preuve concrète que compresser la perception en représentations sémantiques, plutôt que d'en streamer l'intégralité, peut réduire la latence sans sacrifier la fiabilité de la tâche. Les chiffres avancés restent toutefois issus d'un environnement de laboratoire contrôlé, sur un seul type de bras robotique et un jeu de tâches limité, ce qui invite à la prudence avant toute extrapolation à des déploiements industriels à grande échelle. Ce travail s'inscrit dans la montée en puissance du concept d'"IA physique", popularisé notamment par les architectures vision-langage-action, qui exigent un couplage étroit entre perception continue et décision. Le choix d'OpenAirInterface, projet open source piloté depuis Sophia-Antipolis par Eurecom, ancre une partie de cette recherche télécom dans l'écosystème européen des réseaux 5G/6G. Les auteurs présentent leur banc d'essai comme une étape préparatoire aux futurs réseaux 6G, sans annoncer de partenariat industriel ni de calendrier de déploiement commercial; un site de projet dédié met à disposition davantage de détails techniques.

RecherchePaper
1 source
ReWeight : post-entraînement des VLA via récupération et pondération de démonstrations humaines
1961arXiv cs.RO 

ReWeight : post-entraînement des VLA via récupération et pondération de démonstrations humaines

Une équipe de recherche publie ReWeight dans un preprint arXiv daté du 15 septembre 2026 (arXiv:2609.13851v1) : un framework de post-entraînement pour les modèles vision-langage-action (VLA) qui combine récupération de démonstrations et pondération d'échantillons pour exploiter des démonstrations humaines égocentriques. Testé avec le modèle π0.5 sur huit tâches en simulation et quatre tâches réelles, en conditions propres et randomisées, ReWeight fait passer le taux de réussite moyen en simulation de 39% (données robot seules) et 44% (mélange humain-robot aléatoire) à 57%. En conditions physiques réelles, il atteint 68,8% de réussite moyenne, soit 28,8 et 13,8 points de plus que ces deux références. Le projet est documenté sur reweight-vla.github.io. L'enjeu est concret pour l'industrie : collecter des données robotiques coûte cher, alors que les vidéos égocentriques humaines sont abondantes, mais les mélanger aux données robot dégrade les performances à cause des écarts d'incarnation entre gestes humains et robotiques. ReWeight répond à ce problème en apprenant une représentation visuomotrice commune, associant observations visuelles et actions futures, puis en utilisant le transport optimal pour retenir les démonstrations humaines les plus proches du comportement cible et pondérer les échantillons en conséquence. Pour les laboratoires misant sur les VLA, à l'image de Pi-0, GR00T N2 ou Helix, ce travail offre une méthode reproductible pour exploiter des données humaines à grande échelle sans multiplier les campagnes de téléopération, même si les résultats reposent encore sur un nombre restreint de tâches. Cette approche s'inscrit dans une tendance de fond : face au coût de la téléopération pour diversifier les données robotiques, plusieurs équipes explorent les démonstrations humaines égocentriques comme source complémentaire, un mélange naïf s'étant jusqu'ici heurté aux différences de morphologie entre mains humaines et effecteurs robotiques. ReWeight s'appuie sur π0.5, le modèle de Physical Intelligence déjà utilisé comme référence dans plusieurs travaux académiques sur les VLA, sans qu'aucun partenariat industriel ne soit mentionné. Il s'agit d'une contribution de recherche publiée sur arXiv, dont la validation sur davantage de plateformes et de tâches reste l'étape à venir avant une éventuelle adoption par des équipes produit.

RechercheActu
1 source
Habitat-GS : un simulateur de navigation haute fidélité basé sur le Gaussian Splatting dynamique
1962arXiv cs.RO 

Habitat-GS : un simulateur de navigation haute fidélité basé sur le Gaussian Splatting dynamique

Des chercheurs du laboratoire ZJU3DV, rattaché à l'université du Zhejiang, ont publié Habitat-GS, un simulateur de navigation pour agents d'intelligence artificielle incarnée, construit comme extension du simulateur Habitat-Sim. Contrairement aux moteurs classiques qui reposent sur la rasterisation de maillages 3D, coûteux à produire de façon photoréaliste à grande échelle, Habitat-GS intègre un rendu par 3D Gaussian Splatting (3DGS) en temps réel ainsi qu'un import d'assets 3DGS compatible avec des sources variées. Le système ajoute des avatars humains gaussiens, dynamiques et pilotables, qui servent à la fois d'entités visuelles photoréalistes et d'obstacles de navigation actifs, tout en conservant la compatibilité complète avec l'écosystème logiciel Habitat. Les auteurs ont évalué le système sur des tâches de navigation point à point et sur des scénarios de navigation en présence d'avatars. Le code est publié sur GitHub (zju3dv/habitat-gs), sous la référence arXiv:2604.12626. Pour l'écosystème de la robotique incarnée, l'enjeu dépasse le rendu graphique: la fidélité visuelle d'un simulateur conditionne directement la capacité d'un agent entraîné virtuellement à généraliser au monde réel, un point de friction classique entre simulation et déploiement effectif. Les auteurs rapportent que des agents entraînés sur des scènes 3DGS généralisent mieux entre domaines que ceux entraînés sur des maillages classiques, et que les avatars gaussiens permettent d'apprendre des comportements de navigation dits "human-aware", capables d'anticiper des humains en mouvement plutôt que de les traiter comme des obstacles fixes. Pour les équipes développant des piles de navigation destinées à des robots mobiles ou humanoïdes opérant en entrepôt ou en environnement partagé avec des humains, cela ouvre une voie pour réduire le coût de création d'environnements d'entraînement réalistes. Habitat-GS s'inscrit dans la lignée de Habitat-Sim, simulateur open source développé par Meta AI Research et largement utilisé comme banc d'essai académique pour l'IA incarnée. Il capitalise sur le Gaussian Splatting, technique de rendu de champs de radiance devenue une alternative rapide aux NeRF pour la reconstruction photoréaliste de scènes. Le travail reste une brique de recherche plutôt qu'un produit commercial: aucun partenariat industriel, déploiement robotique réel ni calendrier de disponibilité n'est annoncé, et les résultats reposent sur des benchmarks internes. La publication du code laisse néanmoins la porte ouverte à une adoption par d'autres laboratoires travaillant sur des agents de navigation appelés à évoluer parmi des humains.

RecherchePaper
1 source
C²Nav : comparer avant de s'engager, pour la navigation vision-langage en zero-shot
1963arXiv cs.RO 

C²Nav : comparer avant de s'engager, pour la navigation vision-langage en zero-shot

Publié sur arXiv le 15 septembre 2026 (2609.15142), C2Nav est un framework de navigation vision-langage zero-shot pour environnements continus (VLN-CE), sans entraînement supplémentaire. Trois modules le composent : Seeing élit par comparaison ordinale une vue parmi des candidates validées physiquement ; Remembering maintient un croquis de route et compare les hypothèses d'étapes d'instruction voisines ; Arriving combine une échelle d'hésitation, une comparaison rétrospective et un retour en arrière révocable pour décider l'arrêt. Sur le protocole public OpenNav R2R-CE 100, C2Nav avec Qwen3-VL-8B-Instruct obtient 41,0% de taux de réussite oracle (OSR), 31,0% de taux de réussite (SR) et 16,7% de SPL, le taux pondéré par la longueur du trajet ; avec GPT-5.5, ces scores montent à 54,0%, 44,0% et 29,0%. Sans Seeing, Remembering ou Arriving, le SR tombe respectivement à 14,0%, 25,0% et 29,0% ; remplacer les réponses comparatives par des questions cardinales le réduit à entre 12,0% et 28,0% selon l'étape du trajet. L'apport tient à l'interface entre modèle et robot plutôt qu'au modèle seul. La plupart des systèmes VLN-CE font produire au VLM des sorties cardinales, points de passage, pixels, caps, décisions d'arrivée absolues, couplant une réponse générative incertaine à une magnitude géométrique ou à un engagement irréversible. C2Nav inverse cette logique : le VLM compare des alternatives déjà construites par le contrôleur, tandis que géométrie, seuils et exécution restent du côté physique du robot. Les résultats montrent qu'une interface décisionnelle contrainte et un raisonnement de VLM plus puissant sont complémentaires et non substituables, ce qui suggère aux intégrateurs un gain de fiabilité accessible sans fine-tuning, par simple reformulation des questions posées au modèle. Le travail s'inscrit dans la navigation vision-langage en environnement continu, où l'essor des VLM généralistes pousse les chercheurs à les insérer directement dans la boucle de commande, souvent en zero-shot pour éviter un entraînement dédié à chaque environnement. C2Nav se positionne face aux architectures existantes exigeant des sorties géométriques directes, en s'appuyant sur deux VLM distincts, Qwen3-VL-8B-Instruct en version compacte et GPT-5.5 en référence plus puissante, évalués sur le protocole public OpenNav R2R-CE 100. Il s'agit à ce stade d'un article de recherche déposé sur arXiv, sans intégration dans un robot commercial ni déploiement réel, et sans suite annoncée par les auteurs.

RecherchePaper
1 source
Apprentissage de représentations guidé par le langage pour la reconnaissance de matériaux robuste multi-capteurs
1964arXiv cs.RO 

Apprentissage de représentations guidé par le langage pour la reconnaissance de matériaux robuste multi-capteurs

Un article publié sur arXiv le 14 septembre 2026 (référence 2609.14783) présente une méthode d'apprentissage guidée par le langage pour rendre les représentations tactiles robotiques robustes aux changements de capteur. Le problème visé : les capteurs tactiles à base de vision, qui photographient la déformation d'un élastomère au contact d'un objet, produisent des lectures différentes pour un même matériau selon l'optique, les propriétés de l'élastomère et l'éclairage, ce qui dégrade fortement la généralisation d'un modèle entraîné sur un ou plusieurs capteurs donnés. Les auteurs construisent un jeu de données de 39 000 échantillons associant images tactiles et descriptions de matériaux annotées par des humains (rugueux, doux, glissant, etc.), puis entraînent un encodeur tactile à aligner ces images, quel que soit le capteur d'origine, avec des embeddings de langage dans un espace sémantique partagé. Évaluée en apprentissage few-shot et en transfert cross-capteur sur six jeux de données tactiles existants, la méthode atteint 95% de précision en configuration à 100 exemples, améliore le transfert cross-capteur de 13,3 points de précision en moyenne, et gagne jusqu'à 19 points selon les jeux de données. Code et dataset sont publiés en accès libre. Le toucher reste le sens le plus difficile à industrialiser en manipulation robotique : la vision seule peine à estimer la souplesse d'un objet, sa texture ou la stabilité d'une prise, des informations qui conditionnent des gestes sûrs en logistique, en tri ou en assemblage. Jusqu'ici, un modèle tactile entraîné sur un capteur donné ne transférait pas à un autre matériel, obligeant chaque intégrateur à recollecter des données et réentraîner ses modèles à chaque nouvelle génération de doigt ou de pince tactile, frein direct au déploiement à l'échelle. En montrant qu'un signal sémantique invariant, le langage, découple la perception tactile du matériel sous-jacent, ces résultats transposent au toucher une logique déjà éprouvée côté vision avec les modèles vision-langage-action, où le langage sert de couche d'abstraction indépendante du capteur. Le travail s'inscrit dans la prolifération récente des capteurs tactiles à base de vision, dont les variantes d'optique et d'élastomère se multiplient sans standard commun, fragmentant les données disponibles pour l'apprentissage. Il prolonge aussi la tendance, déjà installée côté vision, d'utiliser le langage naturel comme signal de supervision généraliste plutôt que des labels spécifiques à une tâche. Aucun acteur industriel n'est cité : la publication reste à ce stade un travail de recherche benchmarké sur six jeux de données tactiles publics, sans partenariat annoncé avec un fabricant de mains robotiques. La mise à disposition ouverte du code et du dataset vise une adoption par la communauté plutôt qu'une commercialisation immédiate ; reste à voir si l'approche sera reprise dans des piles de perception déployées en production, au-delà du benchmark académique.

RecherchePaper
1 source
JEPLO : apprentissage prédictif par plongement conjoint pour la locomotion à pattes basée sur le LiDAR
1965arXiv cs.RO 

JEPLO : apprentissage prédictif par plongement conjoint pour la locomotion à pattes basée sur le LiDAR

Des chercheurs de l'équipe ASIG-X ont publie le 15 septembre 2026 sur arXiv (référence 2609.15770) JEPLO, un framework de locomotion perceptive pour robots a pattes fonde exclusivement sur du LiDAR, sans cartographie explicite. Le système combine un modèle du monde, PE-JEPA, qui apprend a partir des scans LiDAR bruts et des données proprioceptives embarquées une représentation prédictive du terrain vu par le robot, et un pipeline d'entrainement, CJTS, qui dérivé une politique de locomotion par apprentissage par renforcement en simulation, guidée par ces représentations latentes et une fonction de récompense simplifiée. Apres transfert sim-to-real, le robot franchit en omnidirectionnel des terrains varies, dont de longs escaliers et des caisses hautes, avec un calcul embarque léger. L'implémentation, les jeux de données expérimentaux et les plans du montage matériel sont publies en open source sur GitHub, sous ASIG-X/JEPLO. L'enjeu dépasse la démonstration technique: le LiDAR reste peu exploite face au RGB-D pour la locomotion perceptive, et les approches existantes s'appuient généralement sur une cartographie couteuse en calcul et fragile aux erreurs de localisation. JEPLO revendique une robustesse supérieure aux frameworks perceptifs existants, spécifiquement en conditions de perception dégradée (occlusions, nuage de points éparse, bruit de capteur), soit exactement le point de rupture ou les déploiements de robots a pattes hors laboratoire échouent le plus souvent, au-delà des démonstrations en conditions contrôlées. Pour des intégrateurs évaluant des plateformes quadrupèdes ou bipèdes pour l'inspection ou la logistique, un pipeline sans carte préalable simplifie potentiellement le déploiement sur des sites inconnus ou changeants. Le travail s'inscrit dans la lignée des architectures JEPA, popularisées en apprentissage auto-supervise pour construire des représentations du monde sans reconstruction pixel par pixel, ici adaptées pour la première fois a un signal LiDAR couple a la proprioception pour la locomotion. Il se positionne face aux pipelines dominants de fusion RGB-D et de cartographie explicite utilises par une partie des solutions quadrupèdes actuelles. Publie comme preprint arXiv, sans partenaire industriel ni plateforme matérielle nommée dans le résume, JEPLO reste a ce stade une contribution de recherche ouverte, sans déploiement commercial ni calendrier annonce vers un produit.

RecherchePaper
1 source
Mieux entraîner les VLA : les leçons du défi REAL-I à l'ICRA 2026
1966arXiv cs.RO 

Mieux entraîner les VLA : les leçons du défi REAL-I à l'ICRA 2026

La première édition du REAL-I Challenge (Real-world Embodied AI Learning) s'est déroulée lors de la conférence ICRA 2026, en trois étapes : évaluation en simulation, tests sur robot réel, puis une finale sur site disputée sur une même plateforme humanoïde bimanuelle. L'objectif était précis : entraîner des politiques robotiques le plus efficacement possible à partir d'un budget de démonstrations fixe, et non d'un jeu de données illimité. L'article, publié sur arXiv (2609.13679v1), compare les approches de trois équipes finalistes, NUS-CLEAR, RCL-Lab et Deeptouch.ai, qui ont toutes combiné un modèle vision-langage-action (VLA) pré-entraîné à des politiques d'imitation spécifiques à la tâche, en variant la curation des données, l'adaptation par étapes, la sélection des points de contrôle et la conception de l'espace d'action. Les enseignements dépassent le cadre du concours et s'adressent directement aux intégrateurs et aux chercheurs appliqués. Les auteurs identifient trois facteurs opérationnels : la capacité à s'adapter à l'environnement de déploiement sans effacer les compétences acquises en amont, la prise en compte de la qualité des démonstrations à la bonne échelle temporelle, et la correction des erreurs sur les composants du robot momentanément inactifs. Un bras qui dérive alors qu'il n'est pas sollicité peut suffire à faire échouer une tâche entière. Point le plus significatif pour la communauté VLA : les métriques hors ligne de prédiction d'action, standard pour évaluer ces modèles, se révèlent peu fiables pour anticiper le succès réel en boucle fermée sur robot physique, ce qui nuance l'idée qu'un pré-entraînement à grande échelle suffirait à résoudre le transfert vers le monde réel. Ce travail s'inscrit dans un paysage où des modèles généralistes comme Pi-0 de Physical Intelligence, GR00T N2 de Nvidia ou Helix de Figure AI servent de socles censés généraliser à de nouvelles tâches avec peu de données ; REAL-I offre un banc d'essai indépendant, sur une plateforme partagée, plutôt que des métriques auto-rapportées par les fabricants. Les auteurs appellent à traiter curation des données, adaptation, évaluation et déploiement comme un seul pipeline plutôt que comme des problèmes séparés, une orientation qui devrait structurer les prochaines éditions du challenge et les benchmarks à venir dans la communauté ICRA.

RechercheActu
1 source
Geler, partager, réduire : repenser le squelette d'action dans les politiques de diffusion
1967arXiv cs.RO 

Geler, partager, réduire : repenser le squelette d'action dans les politiques de diffusion

Un article révisé sur arXiv (2511.12101, version 3) remet en cause la taille des réseaux d'action des politiques de manipulation robotique par diffusion. Son constat : une politique de manipulation ne génère que de courtes séquences d'actions de faible dimension et fortement corrélées. Les auteurs proposent un entraînement découplé : un "action head" générique préentraîné sur des données de cinématique directe sans image, puis figé, seul le module de conditionnement propre à chaque tâche restant entraînable. Testé avec Diffusion Policy sur les benchmarks MimicGen et LIBERO, ce backbone figé unique égale les modèles entraînés classiquement, à condition d'utiliser un conditionnement par modulation plutôt que par attention, qui s'effondre une fois le réseau figé. Plus frappant : un MLP de 5 millions de paramètres égale ou dépasse un U-Net de 244 millions et un transformer. Un backbone initialisé au hasard échoue totalement. Le résultat questionne une hypothèse répandue dans la robotique : que les modèles Vision-Language-Action récents, dotés de backbones de diffusion ou de flow-matching de centaines de millions de paramètres, ont besoin de cette capacité pour produire des actions fiables. Si un réseau dix à cinquante fois plus petit suffit, l'inférence embarquée devient plus rapide et moins coûteuse, un enjeu direct pour les intégrateurs qui doivent boucler le contrôle moteur à haute fréquence sur du matériel contraint. Cela suggère aussi que les architectures héritées de la génération d'images et de texte sont un mauvais choix d'a priori structurel pour un signal d'action de faible dimension, et pourrait déplacer l'effort de recherche vers des backbones plus compacts plutôt que toujours plus gros. Le travail s'appuie sur Diffusion Policy, l'architecture de référence, et sur deux suites d'évaluation standard de la communauté robotique, MimicGen et LIBERO, sans essais sur matériel physique réel. Il s'inscrit dans la vague plus large des VLA à backbone de diffusion ou de flow-matching qui s'est généralisée depuis 2024-2025 chez plusieurs laboratoires et startups de robotique humanoïde. Cataloguée comme version révisée ("replace") sur arXiv, cette étude reste une contribution de recherche validée en simulation ; sa portée pour des VLA de production dépendra de sa reproduction sur des tâches et du matériel réels.

RecherchePaper
1 source
Au-delà des tests à axe unique : évaluation croisée de la robustesse combinée des politiques vision-langage-action
1968arXiv cs.RO 

Au-delà des tests à axe unique : évaluation croisée de la robustesse combinée des politiques vision-langage-action

Une équipe de recherche présente LIBERO-CTRL, un benchmark en six axes conçu pour tester la robustesse des politiques vision-langage-action (VLA) face à des perturbations combinées plutôt qu'isolées, selon un article publié sur arXiv le 15 septembre 2026 (arXiv:2609.15940v1). Le protocole apparie, pour chaque état initial, des essais à perturbation unique avec un essai équivalent soumis simultanément à plusieurs perturbations, à trois niveaux de sévérité. L'évaluation porte sur six politiques VLA et met en évidence deux phénomènes que les taux de réussite agrégés ne permettent pas de distinguer : des échecs émergents, où toutes les variantes à perturbation unique réussissent mais la version combinée échoue, et des réussites compensées, où au moins une variante à perturbation unique échoue mais la version combinée réussit. Ces deux effets vont dans des directions opposées et peuvent s'annuler statistiquement dans les moyennes, alors même que jusqu'à 29,0% des états initiaux appariés changent de résultat, ce taux montant à 34,5% dans la condition la plus affectée. Cette étude touche un point sensible pour l'industrie robotique : elle démontre que les scores de robustesse agrégés, largement utilisés pour comparer les politiques VLA entre elles, peuvent masquer des écarts de comportement substantiels dès que plusieurs perturbations surviennent en même temps, ce qui est précisément la situation d'un déploiement réel en usine ou en entrepôt. Autrement dit, un modèle jugé robuste sur des tests à perturbation unique peut échouer de façon imprévisible dès que deux conditions défavorables se combinent, sans que cela transparaisse dans les benchmarks classiques. Pour les intégrateurs et décideurs B2B qui évaluent des politiques génératives pour du pick-and-place ou de la manipulation en environnement non contrôlé, ce résultat invite à exiger des évaluations appariées par instance plutôt que des moyennes globales avant de valider un déploiement, et tempère l'idée que les benchmarks actuels suffisent à garantir une robustesse compositionnelle. Le travail s'inscrit dans la lignée des efforts de la communauté robotique pour évaluer les politiques VLA au-delà des suites de test standard comme LIBERO, habituellement utilisées pour mesurer la sensibilité à des décalages de distribution pris un par un (changement d'éclairage, de position d'objet, de texture, etc.). Les auteurs soulignent que les taux de transition entre échec et réussite restent stables lors de réévaluations indépendantes des politiques stochastiques, ce qui exclut un simple artefact de bruit expérimental. L'article ne précise pas les politiques testées nommément dans le résumé ni un calendrier de suivi, mais son apport principal est méthodologique : il fournit un cadre reproductible pour quantifier la robustesse composée, appelé à être repris par les équipes évaluant des modèles VLA en conditions de déploiement multi-perturbations.

RecherchePaper
1 source
GeomVLA : unifier scène, mouvement et action en 3D
1969arXiv cs.RO 

GeomVLA : unifier scène, mouvement et action en 3D

Une équipe de recherche a mis en ligne en septembre 2026 sur arXiv (référence 2609.13812v1) GeomVLA, un modèle vision-langage-action (VLA) qui unifie perception, prédiction du mouvement de la scène et génération d'action dans un même repère 3D centré sur le robot. Le système transpose les caractéristiques d'un modèle vision-langage (VLM) pré-entraîné en tokens de scène 3D ancrés spatialement, à partir de la profondeur et du calibrage caméra, tout en conservant les représentations sémantiques apprises lors du pré-entraînement du VLM. Les auteurs introduisent un « 3D Scene Trajectory Denoiser », un module conditionné par la tâche qui apprend une représentation latente du déplacement attendu des points de la scène en trois dimensions. Plutôt que d'exécuter cette trajectoire prédite comme un plan en boucle ouverte, GeomVLA en extrait des tokens de mouvement intermédiaires qui conditionnent, via un mécanisme d'attention géométrique, un débruiteur d'action 3D fondé sur les modèles de flux. Le modèle atteint l'état de l'art sur le benchmark de manipulation CALVIN, des résultats compétitifs sur LIBERO et RoboTwin2.0, et dépasse des références solides en manipulation réelle, sans pré-entraînement sur des données d'action robotique. Pour l'industrie robotique, ce résultat éclaire un point de friction central des modèles VLA actuels : la manière de relier perception et action sans perdre la cohérence géométrique de la scène. Les ablations menées par les auteurs montrent qu'un simple raisonnement sur le mouvement futur ne suffit pas : le gain de performance provient surtout du maintien d'une cohérence géométrique entre représentation de la scène, prédiction de mouvement et action, tout au long du pipeline perception-action. Cette conclusion nuance l'hypothèse répandue selon laquelle prédire l'évolution future d'une scène améliorerait mécaniquement la qualité de la manipulation. Le fait que GeomVLA batte des références sans pré-entraînement massif sur des données d'action robotique intéresse particulièrement les intégrateurs et laboratoires : une part importante des modèles VLA récents s'appuie sur de gros volumes de démonstrations robotiques pour atteindre leurs performances, une ressource coûteuse à collecter. Si un ancrage 3D explicite peut compenser une partie de ce besoin, l'équation coût-performance du développement de ces modèles s'en trouve modifiée pour les équipes sans accès à des flottes de robots pour la collecte de données à grande échelle. GeomVLA reste à ce stade une contribution académique, présentée dans une prépublication et non un produit commercial ou un déploiement industriel : le document ne nomme ni entreprise, ni robot physique commercialisé, ni calendrier de mise sur le marché. Le travail s'inscrit dans une tendance récente de la recherche en robotique consistant à coupler les représentations sémantiques issues des grands modèles vision-langage à une structure 3D explicite de la scène, pour réduire l'écart entre perception latente et action physique précise. Les évaluations s'appuient sur des bancs d'essai de simulation reconnus par la communauté, CALVIN, LIBERO et RoboTwin2.0, complétés par des expériences de manipulation en conditions réelles. Sans affiliation d'auteurs précisée ni suite annoncée (pilote industriel, intégration produit), GeomVLA se situe pour l'instant au stade de la validation scientifique plutôt que de l'application déployée.

RechercheOpinion
1 source
HarnessVLN : unifier la navigation incarnée sans entraînement grâce à un harnais d'agents
1970arXiv cs.RO 

HarnessVLN : unifier la navigation incarnée sans entraînement grâce à un harnais d'agents

Des chercheurs ont publié HarnessVLN, un article arXiv (2609.15195, catégorie "new") qui présente un cadre zero-shot, sans entraînement spécifique, pour la navigation robotique incarnée guidée par instructions en langage naturel. Son composant central, l'Agent Harness, orchestre perception, récupération d'information, ancrage spatial, navigation, récupération d'erreurs et terminaison de tâche via une interface outil unifiée : il confronte chaque proposition du planificateur aux preuves spatiales disponibles, à la faisabilité géométrique et à la cohérence des sous-objectifs, avant de réinjecter ce retour structuré dans la décision suivante. Une mémoire d'événements hiérarchique suit la progression de la tâche et l'historique d'exécution, tandis qu'un graphe spatiotemporel persistant conserve les preuves spatiales réutilisables et les annotations d'échec pour vérification ultérieure. Un exécuteur de navigation interchangeable convertit les cibles validées en mouvements concrets, permettant au même protocole de couvrir à la fois le suivi d'instructions et la navigation vers un objet désigné. Sur les benchmarks R2R, RxR, HM3D-v2 et HM3D-OVON, le système atteint des taux de réussite respectifs de 60,8 %, 53,9 %, 76,0 % et 59,3 %, dépassant les meilleurs résultats "sans entraînement" publiés jusqu'ici. Un déploiement sur robot humanoïde en environnement réel est également démontré. L'intérêt tient au problème que le cadre cible directement : les grands modèles multimodaux (MLLM) savent générer des plans d'action plausibles à partir d'images, mais rien ne garantit qu'ils tiennent compte de la géométrie réelle du lieu, de l'avancement effectif de la tâche ou des échecs déjà survenus, ce qui produit des trajectoires incohérentes en pratique. En ajoutant une couche de vérification et de mémoire structurée autour du modèle de langage plutôt qu'en le réentraînant, HarnessVLN suggère que l'architecture de contrôle, davantage que le MLLM sous-jacent, conditionne la robustesse d'un agent de navigation. Le fait qu'un seul protocole couvre suivi d'instructions et navigation vers objet, et se transfère à un humanoïde réel, est un signal pertinent pour les intégrateurs évaluant des piles de navigation zero-shot avant d'investir dans du fine-tuning coûteux en données. Ce travail s'inscrit dans une vague de recherches qui exploitent des MLLM déjà entraînés comme alternative aux politiques VLN classiques, coûteuses à entraîner et peu généralisables hors de leur distribution d'origine. Les benchmarks utilisés, R2R et RxR pour le suivi d'instructions, HM3D-v2 et HM3D-OVON pour la navigation vers objet, sont des références standards du secteur issues des scans Matterport3D et de l'environnement Habitat. La nature exacte de la plateforme humanoïde testée et l'échelle du pilote ne sont pas précisées dans le résumé, ce qui invite à la prudence sur la portée réelle de cette démonstration. La page du projet est accessible à harnessvln.netlify.app.

RecherchePaper
1 source
Ancrage des parties, pas connaissance de l'action : le goulot d'étranglement des VLM en prédiction d'affordance
1971arXiv cs.RO 

Ancrage des parties, pas connaissance de l'action : le goulot d'étranglement des VLM en prédiction d'affordance

Une étude arXiv (2609.13225, septembre 2026) sépare deux étapes que les benchmarks d'affordance robotique confondent : localiser la partie d'un objet à actionner, et savoir quelle action lui appliquer. Sur 19 objets articulés, huit modèles vision-langage issus de trois développeurs devaient indiquer le mouvement qu'un robot devait exécuter. En consigne ouverte, l'action « pousser », pourtant correcte pour 8 des 19 objets, n'a été produite qu'une fois sur 64 cas où elle était juste : les modèles décrivaient souvent une autre partie de l'objet, par exemple comment saisir une caméra plutôt que presser son bouton. En nommant explicitement la partie cible, la précision grimpe de 0,32 à 0,63 point selon les modèles, passant de 0,158-0,474 à 0,684-0,947, et le rappel de « pousser » bondit de 0-1/8 à 7-8/8. Ce résultat déplace le diagnostic habituel sur les VLM appliqués à la manipulation : l'échec ne viendrait pas d'une mauvaise connaissance de la mécanique des objets mais d'un déficit de repérage visuel, un constat stable sur les trois familles testées et qui ne s'atténue pas avec des modèles plus puissants. Sous consigne ouverte, aucun des huit modèles ne bat une réponse constante ignorant totalement l'image ; une fois la partie nommée, les huit la battent tous. Pour les intégrateurs qui misent sur des VLM génériques pour piloter la préhension d'objets articulés comme des boutons, poignées ou tiroirs, la conclusion est concrète : améliorer le raisonnement ne suffira pas, mieux vaut renforcer la segmentation des parties en amont. Sur des photos réelles, seuls trois modèles sur huit localisent mieux les points de préhension qu'une base constante, et aucun n'y parvient sur des objets en rendu 3D. Les auteurs nuancent eux-mêmes leur résultat : nommer la partie fournit seulement la variable de repérage manquante et ne démontre pas une compréhension générale de la mécanique des objets. L'étude documente aussi, avec transparence, deux erreurs de mesure commises dans son propre protocole, un seuil laissant une réponse constante atteindre 0,929 et une règle d'étiquetage erronée sur 4 des 19 objets, repérées seulement en comparant systématiquement les résultats à des références triviales. Ce travail porte sur des VLM généralistes utilisés en amont de la perception, et non sur des systèmes VLA comme Pi-0, GR00T N2 ou Helix, mais ses conclusions questionnent directement les architectures qui s'appuient sur ces modèles pour générer des affordances sans module de segmentation dédié.

RecherchePaper
1 source
VGFM : des politiques robotiques expressives grâce à un guidage dense par la valeur dans le flow matching
1972arXiv cs.RO 

VGFM : des politiques robotiques expressives grâce à un guidage dense par la valeur dans le flow matching

Publié le 15 septembre 2026 sur arXiv (2609.14261), un article de recherche propose VGFM, pour Value-Guided Flow Matching, un cadre de RL hors ligne pour entraîner des politiques robotiques à partir de grands jeux de données d'interactions. VGFM modélise la politique comme un modèle de flow matching conditionnel opérant directement dans l'espace des actions ("x-prédiction"), de sorte que chaque étape intermédiaire du processus génératif produit déjà une action valide, évaluable par un critique RL classique. Le guidage par la valeur s'applique ainsi à des instants de flux tirés aléatoirement, sans rétropropagation à travers toute la trajectoire ni réseau auxiliaire ou perte de distillation. Les auteurs évaluent la méthode sur les tâches de locomotion et de manipulation du benchmark OGBench, avec des protocoles rigoureux, et rapportent de bonnes performances sur un large éventail de tâches, avec un réglage minimal des hyperparamètres. Ce résultat s'attaque à un verrou du secteur: coupler des politiques génératives expressives et multimodales, diffusion ou flow matching, capables de représenter des comportements complexes à long horizon, à des objectifs de valeur en RL hors ligne imposait jusqu'ici un lourd surcoût, rétropropagation coûteuse, réseaux auxiliaires ou distillation approximative. En s'en affranchissant tout en gardant la flexibilité à l'inférence, le nombre de pas de discrétisation de l'équation différentielle sous-jacente pouvant varier sans réentraînement, VGFM propose une voie plus simple et scalable pour affiner des politiques génératives via des signaux de valeur denses, un argument utile pour les équipes qui entraînent des politiques de type VLA sur des données offline volumineuses. Ce travail s'inscrit dans la tendance du robot learning à remplacer les politiques déterministes par des modèles génératifs pour capturer la multimodalité des comportements. D'autres approches améliorent déjà des politiques génératives par RL via distillation ou guidage, jugés coûteux ou instables; VGFM s'en distingue en travaillant nativement dans l'espace des actions plutôt que dans le bruit latent. Il s'agit à ce stade d'une contribution académique évaluée uniquement en simulation sur OGBench, non d'un système déployé sur du matériel physique ni d'un produit commercial: aucun partenariat, pilote ou calendrier de déploiement n'est mentionné, et sa portée pratique dépendra de sa reproductibilité à plus grande échelle.

RecherchePaper
1 source
Allocation décentralisée des tâches multi-robots sous communication dégradée : performance, fiabilité et calcul comparés
1973arXiv cs.RO 

Allocation décentralisée des tâches multi-robots sous communication dégradée : performance, fiabilité et calcul comparés

Sur le fond, il s'agit d'un article scientifique de benchmark (pas d'annonce produit), sans acteur FR/EU identifiable dans le texte fourni ; j'ai rédigé le résumé en conséquence. Un benchmark publié sur arXiv (2609.13711) compare six algorithmes décentralisés d'allocation de tâches pour flottes de robots, CBAA, ACBBA, PI, HIPC, DMCHBA et DGA, dans un scénario appelé Collaborative Visit. L'étude principale repose sur 500 instances appariées de dix cibles chacune, testées sur 25 conditions de communication allant d'un canal idéal à des dégradations simulées par pertes de type Bernoulli, pertes Gilbert-Elliott et évanouissement de Rayleigh. Sur les 24 conditions dégradées du cœur de l'étude, DGA et DMCHBA affichent la distance de trajet minimax moyenne la plus faible, 24,49 et 24,78 pas de simulation respectivement, tandis que HIPC devance de justesse DGA sur le critère de distance totale minimisée, 66,95 pas contre 67,22. DMCHBA se distingue par la charge de communication la plus faible, 2,08 messages échangés par pas et par équipe. En pré-allocation sur dix cibles, seuls HIPC et DMCHBA restent stables et exploitables dans toutes les conditions testées, alors qu'ACBBA, PI et DGA perdent en fiabilité à mesure que le réseau se dégrade. Sous communication idéale, le temps de calcul médian du protocole complet va de 4,88 millisecondes pour DMCHBA à 1,346 seconde pour DGA, et des campagnes complémentaires testent la sensibilité à la taille de la grille, à la densité de robots et à une charge allant jusqu'à 50 cibles. Pour les intégrateurs qui doivent choisir un algorithme d'allocation embarqué sur des robots autonomes, flottes logistiques, drones d'inspection ou de recherche et sauvetage, le message central est qu'aucune méthode ne domine sur tous les critères à la fois. DGA produit les trajets les plus courts, mais son temps de calcul, plus de 250 fois supérieur à celui de DMCHBA, peut le disqualifier pour un déploiement embarqué en temps réel sur du matériel à ressources limitées. HIPC et DMCHBA apparaissent en revanche comme les seuls choix robustes quand la communication se dégrade, un scénario courant sur le terrain mais rarement testé dans les publications qui évaluent ces algorithmes en conditions idéales. Le travail contredit ainsi l'hypothèse d'un algorithme universellement supérieur et déplace la décision vers un arbitrage d'ingénierie explicite entre qualité de trajet, robustesse réseau et budget de calcul. Ce benchmark s'inscrit dans la lignée des algorithmes d'enchères par consensus initiés par CBBA il y a plus d'une décennie, dont CBAA et ACBBA sont des dérivés directs, aux côtés d'approches plus récentes comme PI, HIPC, DMCHBA et DGA. Il reste un travail de recherche mené en simulation, sans déploiement industriel annoncé. Les auteurs notent que les classements obtenus en configuration statique divergent de ceux mesurés en calcul intégré à l'exécution à mesure que la charge de tâches augmente, ce qui ouvre la voie à des validations complémentaires sur du matériel robotique réel plutôt que sur des grilles simulées.

RecherchePaper
1 source
La SLAM sémantique est-elle prête pour les systèmes embarqués : une étude comparative
1974arXiv cs.RO 

La SLAM sémantique est-elle prête pour les systèmes embarqués : une étude comparative

Le NVIDIA Jetson AGX Orin sert de plateforme de référence à une étude comparative publiée sur arXiv (2505.12384v2, version mise à jour) qui évalue la viabilité du SLAM sémantique sur systèmes embarqués. Trois familles d'architectures sont testées côte à côte : le SLAM géométrique sémantique, le SLAM basé NeRF, et le SLAM basé Gaussian Splatting, sur cinq critères concrets : précision de localisation, qualité de la reconstruction sémantique, empreinte mémoire, consommation électrique et débit de traitement. Les mesures réalisées directement sur Jetson donnent des chiffres précis : les pipelines de SLAM sémantique reposant sur le Gaussian Splatting consomment plus de 16 Go de mémoire et plus de 15 W, tout en restant très loin du temps réel exploitable pour un robot mobile. À l'inverse, le SLAM géométrique intégrant une couche sémantique ressort comme l'approche offrant aujourd'hui le meilleur compromis entre précision et efficacité énergétique sur ce type de matériel contraint. Pour les intégrateurs robotiques et les équipes R&D qui évaluent des piles de navigation pour robots mobiles, drones ou plateformes autonomes embarquées, ce résultat vient tempérer l'engouement récent pour les représentations de scène neuronales de type NeRF ou 3D Gaussian Splatting, souvent présentées comme la prochaine étape naturelle du SLAM. L'étude montre que ces approches restent, à ce stade, inadaptées au calcul embarqué limité en mémoire et en budget énergétique. Elle pointe aussi un biais méthodologique répandu dans la littérature : de nombreux benchmarks publiés s'appuient sur un prétraitement sémantique effectué hors ligne, ce qui masque le coût réel de l'intégration sémantique une fois le pipeline exécuté entièrement sur la cible embarquée. Les auteurs situent explicitement leur travail en rupture avec les surveys récents centrés sur les représentations implicites, les NeRF ou le Gaussian Splatting comme simples représentations de scène, pour se concentrer sur le déploiement de bout en bout de pipelines complets de SLAM sémantique. Ils identifient un manque de recherche sur l'adaptation de ces algorithmes aux contraintes matérielles embarquées et proposent deux pistes prioritaires pour la suite : la conception conjointe matériel-algorithme et l'optimisation énergétique dédiée, sans annoncer de calendrier ni de plateforme commerciale associée.

RecherchePaper
1 source
Attention-DP3 : politique de diffusion 3D avec conditionnement attentionnel aligné sur la géométrie
1975arXiv cs.RO 

Attention-DP3 : politique de diffusion 3D avec conditionnement attentionnel aligné sur la géométrie

Attention-DP3, présenté dans un article publié sur arXiv (2609.13318v1), conserve telle quelle l'architecture de diffusion de DP3 (3D Diffusion Policy), une référence pour l'apprentissage par imitation à partir de nuages de points, et lui ajoute un conditionnement attentionnel objet-centré. Le pipeline segmente d'abord les images RGB en vocabulaire ouvert, projette les masques obtenus en 3D via la géométrie de caméra calibrée pour produire des indices géométriques propres à l'objet visé, puis les injecte via un conditionnement dit "tri-champ" combinant trois cartes: un champ de ciblage pour localiser l'objet, un champ de saillance intra-cible pour isoler sa géométrie utile à la tâche, et un champ d'arrière-plan pour supprimer distracteurs et encombrement. La méthode est testée sur les bancs d'essai simulés Adroit, DexArt et MetaWorld ainsi que sur un bras robotique réel SO101, plateforme low-cost associée à l'écosystème open-source LeRobot. Elle dépasse systématiquement DP3 et atteint l'état de l'art sur l'ensemble des benchmarks, avec un écart grimpant jusqu'à 31% en scène fortement encombrée, là où DP3 voit ses performances chuter nettement dès que le nombre de distracteurs augmente. Le code est publié en accès libre sur GitHub (zhangzhongbo2213/Attention-DP3). Le travail s'attaque à une faiblesse connue des politiques de diffusion 3D: un nuage de points reste ambigu dès qu'un objet est partiellement occlus ou mêlé à des distracteurs visuellement proches, une situation courante en bin picking ou en kitting industriel, loin des scènes épurées des démonstrations académiques. Pour les équipes déjà construites autour de DP3, l'intérêt tient au fait que le gain de robustesse provient d'un module ajouté en amont, sans changer le backbone ni exiger de données d'entraînement supplémentaires, ce qui en ferait une mise à niveau relativement peu coûteuse. Le résultat nuance aussi le narratif dominant autour des modèles VLA en image 2D comme Pi-0 ou GR00T N2, en montrant qu'un ancrage géométrique explicite peut traiter une partie du problème de généralisation en environnement encombré, plutôt que la seule mise à l'échelle des données. La validation reste toutefois académique, limitée à trois simulateurs et un seul bras réel low-cost, sans déploiement industriel annoncé. DP3 s'est imposé ces dernières années comme une base de référence pour l'apprentissage de politiques visuomotrices à partir de nuages de points, en parallèle des modèles VLA fondés sur l'image RGB comme Pi-0, GR00T N2 ou Helix, qui concentrent l'essentiel de l'attention médiatique dans la course humanoïde. Attention-DP3 s'inscrit dans une lignée de travaux cherchant à combler l'écart entre la richesse sémantique de la perception 2D et la pauvreté contextuelle de la géométrie 3D brute, en s'appuyant sur la segmentation ouverte pour ancrer les priors géométriques. Aucun partenaire industriel ni pilote commercial n'est annoncé: les auteurs se limitent à publier le code sur GitHub, laissant aux équipes de recherche et aux intégrateurs le soin de reproduire les résultats et de les valider sur d'autres plateformes que le bras SO101 utilisé pour la démonstration réelle.

RecherchePaper
1 source
EvoNav-Bench : évaluer la navigation continue dans des environnements évolutifs
1976arXiv cs.RO 

EvoNav-Bench : évaluer la navigation continue dans des environnements évolutifs

Des chercheurs présentent EvoNav-Bench, un banc d'essai conçu pour évaluer la navigation "lifelong" (LN) des agents robotiques dans des environnements qui changent au fil du temps, détaillé dans une version révisée déposée sur arXiv (identifiant 2609.08292v2). Construit sur le framework de génération procédurale ProcTHOR et étendant le format GOAT-Bench devenu la référence pour ce type de tâche, ce benchmark introduit des modifications de l'environnement entre les sous-tâches de navigation qu'un même agent doit résoudre séquentiellement dans un lieu donné. Les auteurs y testent trois méthodes récentes qui construisent et réutilisent des représentations persistantes de scène, comme des graphes de scène ou des captures visuelles, pour éviter de ré-explorer un lieu déjà visité. Ils comparent aussi trois stratégies heuristiques de gestion du changement : Frontier-Update, Fail-then-Update et Stage-Reset. Résultat principal : les méthodes existantes se révèlent fragiles dès que l'environnement évolue entre deux tâches. L'enjeu dépasse le simple exercice académique. La plupart des systèmes de navigation "lifelong" actuels supposent un environnement statique, alors que dans un entrepôt, un hôpital ou un domicile, des objets sont déplacés, des portes ouvertes ou fermées, des meubles réarrangés par l'activité humaine. Les benchmarks existants ne révélaient pas ce mode de défaillance : un agent peut fusionner sans discernement des observations obsolètes avec de nouvelles données, dégradant sa fiabilité sans que rien ne l'alerte. Pour les intégrateurs travaillant sur des robots de service ou de logistique s'appuyant sur des mémoires de scène persistantes, ce travail suggère que la simple accumulation d'expérience ne suffit pas : il faut des mécanismes explicites de détection et de mise à jour des changements, sous peine de dégrader la navigation au lieu de l'améliorer. Ce banc d'essai s'inscrit dans la continuité des travaux sur la navigation "goal-oriented" en environnements intérieurs simulés, où ProcTHOR et GOAT-Bench servent de fondations standards à la communauté de recherche en robotique embarquée. Aucun acteur commercial ni robot physique n'est impliqué ici : il s'agit d'un outil d'évaluation destiné aux laboratoires développant des agents de navigation. Les stratégies heuristiques proposées, plutôt que des solutions abouties, offrent une base de comparaison pour de futurs agents dotés de mécanismes d'adaptation plus sophistiqués aux changements de scène.

RecherchePaper
1 source
Planification de mouvement multi-robots non étiquetés : de meilleurs compromis de séparation
1977arXiv cs.RO 

Planification de mouvement multi-robots non étiquetés : de meilleurs compromis de séparation

Des chercheurs publient sur arXiv (référence 2603.19502v2, soumission de remplacement) un nouvel algorithme pour la planification de mouvement multi-robots non étiquetée (MRMP), appliqué à des robots en forme de disque unitaire évoluant dans un environnement polygonal avec obstacles. Le problème consiste à faire migrer un ensemble de robots vers des positions cibles interchangeables sans collision, en minimisant la longueur totale des trajectoires. Les auteurs démontrent des algorithmes polynomiaux à facteur d'approximation constant sous deux régimes de séparation : une distance minimale entre robots (ρ) de 2 2/3 combinée à une distance minimale aux obstacles (ω) de 1 2/3, ou alternativement ρ≈3,291 et ω≈1,354. Ils fournissent aussi une variante monotone, où chaque robot progresse sans jamais reculer, exigeant ω≈1,614 et ρ=4, avec preuve qu'aucun plan monotone n'existe en dessous de ce seuil de ω, ni aucun plan faiblement monotone sous ω=1,354. Un compromis supplémentaire atteint une séparation quasi optimale de ρ=2 au prix d'un facteur d'approximation linéaire et d'une contrainte ω=2. Sans lien direct avec un produit ou un déploiement commercial, ce résultat intéresse les concepteurs de flottes de robots mobiles autonomes en entrepôt logistique, où densifier le nombre de robots par mètre carré tout en garantissant des trajectoires sans collision reste un enjeu économique concret. À rebours des approches par apprentissage (renforcement, modèles vision-langage-action) qui dominent l'actualité robotique récente, ce travail apporte des garanties formelles prouvées mathématiquement plutôt que des performances mesurées sur benchmarks empiriques, un atout pour les intégrateurs devant certifier la sécurité de systèmes multi-robots denses. Le travail généralise deux résultats de référence en planification géométrique de mouvement : celui de Banyassady et al., présenté à SoCG 2022, qui garantissait la faisabilité dans des polygones simples sous des distances départ-départ et cible-cible d'au moins 4 et départ-cible d'au moins 3, sans garantie d'optimalité ; et celui de Solovey et al., présenté à RSS 2015, quasi optimal mais sous des conditions plus strictes (distance mutuelle d'au moins 4, distance aux obstacles d'au moins racine de 5, soit environ 2,236). Les nouveaux auteurs étendent aussi certains résultats à la variante étiquetée du problème, avec une borne serrée démontrée sur la séparation aux obstacles. Le papier reste une contribution théorique en géométrie algorithmique, sans implémentation logicielle publique ni partenariat industriel annoncé à ce stade.

RecherchePaper
1 source
MPC échantillonnée guidée par primitives pour la manipulation dextérique multi-doigts
1978arXiv cs.RO 

MPC échantillonnée guidée par primitives pour la manipulation dextérique multi-doigts

Un article publié sur arXiv (référence 2609.14868v1, catégorie "new") présente un framework de contrôle prédictif à échantillonnage (MPC) guidé par des primitives pour la manipulation dextre multi-doigts. Les méthodes MPC à échantillonnage évitent de calculer des gradients à travers une dynamique de contact complexe, mais explorer directement un espace articulaire de haute dimension est inefficace et rend les performances très dépendantes de la distribution d'échantillonnage choisie. La solution proposée biaise cet échantillonnage avec des primitives de manipulation de basse dimension, qui encodent des mouvements coordonnés des doigts, tout en optimisant en parallèle des résidus au niveau articulaire pour adapter ces mouvements à la configuration main-objet en cours. Des contraintes de trajectoire liées à la tâche rejettent les essais infaisables pendant la simulation, ce qui améliore l'usage du budget de calcul. Le système a été testé sur une main robotique Allegro physique, main à quatre doigts et 16 degrés de liberté conçue par Wonik Robotics, synchronisée avec un jumeau numérique sous MuJoCo. Les tests d'ablation montrent que primitive et résidu sont tous deux indispensables pour une rotation continue fiable d'un objet dans la main, qu'augmenter seul le budget d'échantillonnage ne compense pas leur absence, et que les contraintes de trajectoire améliorent nettement le taux de réussite. Ce travail s'attaque à un point de blocage connu de la manipulation dextre industrielle : la réorientation continue d'objets en main reste l'une des tâches les plus difficiles à automatiser de façon fiable, bien plus que la préhension parallèle classique. En combinant primitives et optimisation temps réel, l'approche propose un compromis entre politiques entièrement apprises, coûteuses à entraîner, et MPC purement basé modèle, peu efficace en haute dimension. Fait notable pour un article de recherche, la validation se fait sur du matériel physique et pas seulement en simulation, avec une primitive extraite d'un seul objet qui généralise à des tailles différentes malgré des écarts de modèle, un signal encourageant pour les intégrateurs travaillant sur l'assemblage fin ou la manipulation d'objets variés. La portée reste toutefois circonscrite à une main Allegro en laboratoire, loin d'un déploiement humanoïde complet. Le travail s'inscrit dans la lignée des approches MPC à échantillonnage type MPPI et des méthodes hybrides combinant primitives apprises et optimisation en ligne, un axe de recherche actif face aux limites du pur apprentissage par renforcement pour la dextérité fine. Les primitives utilisées proviennent à la fois d'une politique entraînée en simulation et de données de capture de mouvement de main humaine, ce qui relie ce travail aux efforts de transfert de compétences humaines vers des mains robotiques. Le framework démontre aussi des capacités de préhension, de réorientation et de tâches coordonnées bras-main de type atteindre-saisir-transporter. L'abstract ne précise ni calendrier ni partenaire industriel, ce qui situe clairement ce travail au stade de la recherche académique plutôt que du produit prêt à déployer.

RecherchePaper
1 source
Personnalisation sans entraînement des gestes de co-parole du robot
1979arXiv cs.RO 

Personnalisation sans entraînement des gestes de co-parole du robot

Des chercheurs ont publié le 15 septembre 2026 sur arXiv (2609.13876) une méthode de personnalisation sans réentraînement pour les gestes co-verbaux des robots sociaux, c'est-à-dire les mouvements du corps qui accompagnent la parole. Le système combine un modèle de diffusion audio-conditionné figé avec un encodeur de style et de légers adaptateurs de conditionnement : l'encodeur, d'abord entraîné à distinguer les identités des locuteurs, est ensuite affiné conjointement avec les adaptateurs via l'objectif de diffusion. Résultat concret, une empreinte de style réutilisable s'extrait en une seule passe à partir d'environ 10 secondes de mouvement d'enrôlement. Les auteurs publient aussi une application de capture sur casque Meta Quest 3 et un jeu de données de gestes co-verbaux spontanés recueillis auprès de dix participants. Sur des locuteurs jamais vus à l'entraînement, la précision de reconnaissance de style (SRA) passe de 27,6 % avec le modèle figé de base à 69,5 % avec la méthode proposée, tandis que la qualité du mouvement reste stable (distance de Fréchet des gestes, FGD, de 34,2 contre 34,8). Remplacer l'empreinte d'enrôlement par celle d'une autre personne fait chuter la SRA à 11,4 %, confirmant que le gain provient bien d'une capture réelle du style individuel. Les gestes générés ont ensuite été retransférés sur un robot NAO physique et testés avec cinq voix de synthèse vocale différentes, conservant 67,3 % de SRA en conditions de déploiement. L'enjeu pour l'industrie des robots sociaux est le coût de la personnalisation à l'échelle : jusqu'ici, adapter le style gestuel d'un robot à chaque nouvel utilisateur supposait généralement un réentraînement dédié, impraticable pour un déploiement en retail, accueil ou domicile où les interlocuteurs changent en permanence. Une personnalisation opérationnelle en 10 secondes et sans mise à jour de poids change cette équation économique et rend plus réaliste à court terme l'idée d'un robot qui adapte son style gestuel à chaque utilisateur. Le contrôle par empreinte substituée est méthodologiquement important : il écarte l'hypothèse que l'amélioration ne soit qu'un artefact de bruit du modèle plutôt qu'une vraie capture d'identité. La démonstration sur un robot NAO réel, et pas seulement en simulation ou en rendu d'avatar virtuel, réduit l'écart habituel entre démonstration académique et faisabilité physique, même si le NAO reste une plateforme modeste, peu représentative des humanoïdes bipèdes plus ambitieux du marché. Les auteurs restent transparents sur l'échelle limitée de leur validation, dix participants et un jeu de données propriétaire, ce qui appelle confirmation sur des cohortes plus larges. Ce travail s'inscrit dans la lignée des modèles de diffusion conditionnés par l'audio pour la génération de gestes, une piste déjà explorée pour l'animation d'avatars virtuels et de robots sociaux, où la personnalisation par locuteur restait jusqu'ici coûteuse en calcul et en données. L'approche par adaptateurs légers greffés sur un prior gelé rappelle les techniques d'adaptation paramétrique légère utilisées en génération d'image et de texte, transposées ici au mouvement robotique. Aucune entreprise commerciale n'est associée à cette publication, purement académique, mais les auteurs facilitent la reproductibilité en diffusant leur application de capture Quest 3 et leur jeu de données. Les suites évoquées sont l'extension à un plus grand nombre de locuteurs et à d'autres plateformes robotiques, avec un potentiel d'intégration dans des robots sociaux commerciaux comme Pepper ou Furhat, où la personnalisation de l'interaction constitue un argument de différenciation face à des offres encore largement scriptées.

RecherchePaper
1 source
Bench2Dex : évaluation de la manipulation dextre bimanuelle visuo-tactile sur différentes mains dextériques
1980arXiv cs.RO 

Bench2Dex : évaluation de la manipulation dextre bimanuelle visuo-tactile sur différentes mains dextériques

Une équipe de recherche publie Bench2Dex, un banc d'essai en simulation pour la manipulation bimanuelle dexterous combinant vision et toucher, détaillé dans un article déposé sur arXiv le 15 septembre 2026 (2609.15726). L'outil couvre douze mains robotiques dexterous distinctes, unifiées par une interface tactile simulée partagée qui convertit la géométrie de contact locale en observations tactiles de type image, sans chercher à reproduire un capteur physique précis. Il comprend 26 tâches bimanuelles (usage d'outils, objets articulés, séquences multi-étapes) et environ 1300 démonstrations collectées par téléopération humaine, avec des flux synchronisés de vision, toucher, proprioception, action et état des objets. Sept types de perturbations, classées en axes d'invariance et d'équivariance, servent à tester la robustesse des politiques. Quatre modèles d'apprentissage par imitation ont été évalués sur cette base : ACT, Diffusion Policy, pi0.5 et GR00T N1.5. L'enjeu tient à la fragmentation du matériel tactile pour mains dexterous, qui n'a jamais convergé vers un design commun, empêchant jusqu'ici toute comparaison équitable des politiques visuo-tactiles entre plateformes différentes. En imposant un format d'observation unifié, Bench2Dex offre aux chercheurs et aux intégrateurs un terrain reproductible, alors que les modèles vision-langage-action se multiplient sans référence commune pour juger de leur robustesse tactile. Confronter GR00T N1.5 et pi0.5 à des bases établies comme ACT et Diffusion Policy permet de vérifier si ces politiques généralisent réellement au toucher plutôt que de se fier à des démonstrations vidéo sélectionnées, écart fréquent entre les annonces et la performance mesurée dans ce secteur. Ce benchmark s'inscrit dans la lignée des plateformes de simulation pour la manipulation robotique, en étendant cette approche à la modalité tactile sur un panel large de mains dexterous, alors que la course aux humanoïdes s'intensifie autour d'acteurs comme NVIDIA avec GR00T ou Physical Intelligence avec la famille pi0. Les auteurs précisent explicitement que le toucher simulé ne remplace pas un capteur réel : Bench2Dex reste une publication de recherche, pensée comme plateforme évolutive tant que le matériel tactile et les modèles de simulation continuent de progresser, sans calendrier de déploiement industriel annoncé.

RecherchePaper
1 source
Estimation du couple d'assistance par optimisation dynamique pour exosquelette de membre inférieur en environnements complexes
1981arXiv cs.RO 

Estimation du couple d'assistance par optimisation dynamique pour exosquelette de membre inférieur en environnements complexes

Un préprint publié sur arXiv le 15 septembre 2026 (référence 2609.15352v1) décrit une méthode d'estimation du couple d'assistance pour exosquelette de membre inférieur, pensée pour l'extérieur et les environnements complexes. Plutôt que de mesurer le couple articulaire par capture de mouvement puis de le mettre à l'échelle vers une commande moteur, les auteurs le génèrent directement via un modèle dynamique optimisé, puis entraînent un réseau qui le prédit en temps réel. Comparé à une condition sans assistance, le couple prédit réduit le taux métabolique de 11,8 à 17,7%, la fréquence cardiaque de 8,9 à 14,3% et les pics d'activation musculaire de 28,2 à 54%. L'enjeu est concret : la capture de mouvement optique impose un espace calibré et un coût qui rendent la collecte de données quasi impossible hors laboratoire, alors que l'assistance au port de charge sert surtout en usine, en logistique ou sur chantier. En s'affranchissant de cette étape, la méthode promet des exosquelettes adaptatifs moins coûteux à calibrer sur le terrain. Les gains restent toutefois mesurés face à une condition sans assistance, pas face aux contrôleurs déjà commercialisés, et l'article ne précise ni la taille de la cohorte ni ce que recouvre "l'environnement extérieur complexe" : à ce stade, il s'agit d'une preuve de concept plutôt que d'une performance validée à grande échelle. Ce travail s'inscrit dans une tendance de la recherche en exosquelettes portables visant à remplacer les pipelines calibrés par capture de mouvement par des modèles dynamiques et de l'optimisation, moins gourmands en infrastructure, un mouvement comparable à celui des robots humanoïdes cherchant à réduire leur dépendance à la téléopération. Sur le segment de la marche assistée, où le français Wandercraft développe l'exosquelette Atalante pour la rééducation, la plupart des solutions commerciales s'appuient encore sur des profils d'assistance prédéfinis plutôt que sur une prédiction dynamique embarquée. L'article ne cite ni institution ni partenaire industriel : c'est une contribution académique en préprint, non encore relue par les pairs, dont l'étape suivante attendue est une validation en conditions réelles au-delà des essais rapportés.

ExosquelettesPaper
1 source
StereoPatch : fusion RGB-profondeur alignée par patchs pour la perception spatiale en manipulation robotique
1982arXiv cs.RO 

StereoPatch : fusion RGB-profondeur alignée par patchs pour la perception spatiale en manipulation robotique

Une équipe de recherche a publié le 15 septembre 2026 sur arXiv (référence 2609.15509) un article présentant StereoPatch, une représentation RGB-profondeur pour l'apprentissage par imitation en manipulation robotique. La méthode aligne la géométrie métrique directement sur les patches visuels RGB utilisés pour prédire les actions, via une attention croisée asymétrique appliquée sur une grille de patches 2D partagée, produisant des "StereoPatch Tokens" capables de conditionner des politiques visuomotrices existantes sans modifier leur objectif d'apprentissage. Sur six tâches de manipulation exécutées sur robot réel, StereoPatch dépasse quatre familles de références (apparence seule, géométrie seule, RGB-D brut, fusion tardive) en taux de réussite en boucle fermée. Trois suites de simulation complètent l'évaluation, testant la compatibilité avec différentes architectures de politiques, la généralisation spatiale et les limites opérationnelles de la méthode. L'enjeu concerne directement les intégrateurs et concepteurs de politiques visuomotrices: des scènes visuellement similaires peuvent exiger des actions différentes quand la position cible, la hauteur d'un objet ou la géométrie de contact changent, alors que des features RGB préentraînées tendent à confondre ces états pourtant géométriquement distincts. Ajouter naïvement un flux de profondeur ne résout pas le problème, car la politique doit alors apprendre seule la correspondance RGB-profondeur à partir des mêmes démonstrations limitées qui servent déjà à apprendre le contrôle moteur. En montrant qu'une fusion alignée au niveau du patch surpasse le RGB-D brut et la fusion tardive, l'étude alimente le débat en cours sur la nécessité réelle de capteurs de profondeur dans les piles VLA déployées à grande échelle, plutôt que de s'en remettre uniquement à des caméras RGB et à du préentraînement massif. Ces travaux s'inscrivent dans la tendance des politiques visuomotrices prédisant directement des actions à partir d'observations visuelles, une famille de méthodes qui s'est généralisée avec la montée des modèles vision-langage-action. L'article se positionne explicitement contre les approches de fusion RGB-D existantes, brutes ou tardives, dont il documente les limites empiriques sur des tâches réelles. Il s'agit à ce stade d'une publication de recherche fraîchement déposée sur arXiv, sans annonce de déploiement industriel ni de calendrier de commercialisation; une page de projet (aus.bot/research/stereopatch) accompagne l'article, laissant ouverte une extension future à d'autres plateformes robotiques et architectures de politiques.

RecherchePaper
1 source
CREPES-X : système hiérarchique d'estimation coopérative directe de pose relative par relèvement, distance et inertie
1983arXiv cs.RO 

CREPES-X : système hiérarchique d'estimation coopérative directe de pose relative par relèvement, distance et inertie

Une équipe de recherche présente CREPES-X (Cooperative RElative Pose Estimation System with multiple eXtended features), un système de localisation relative pour robots mobiles coopératifs, décrit dans une version révisée déposée sur arXiv sous la référence 2512.24688v2. Le dispositif embarqué tient dans un cube de 6 cm de côté maximum et combine des LED infrarouges, une caméra infrarouge, un module ultra-large bande (UWB) et une centrale inertielle (IMU). L'estimation de pose repose sur une architecture à deux étages : un premier étage calcule instantanément la pose relative entre robots via une solution en forme close, avec un mécanisme de rejet des mesures de gisement aberrantes ; un second étage affine ces estimations sur plusieurs images en pré-intégrant les données IMU dans un cadre de cinématique relative robocentrique, via une optimisation couplée de façon lâche puis serrée. Sur des jeux de données réels, le système atteint une erreur quadratique moyenne de 7,0 cm en position et 2,2 degrés en orientation, tout en restant robuste jusqu'à 90 % de mesures de gisement aberrantes. Pour l'industrie des essaims de robots et des flottes coopératives, ce travail répond à un verrou concret : la plupart des méthodes existantes s'appuient soit sur des repères environnementaux partagés, soit sur des hypothèses inertielles fortes, et se dégradent dès qu'une paire de robots perd la ligne de vue directe ou rencontre des mesures bruitées. Un système purement embarqué, sans dépendance à une infrastructure de positionnement global (GPS, motion capture) ni à une cartographie partagée, est une condition pratique pour déployer des dizaines de robots en formation en environnement contraint, entrepôt dense ou zone GPS-dénié. La tolérance élevée aux valeurs aberrantes de gisement est le point le plus significatif : c'est typiquement ce qui casse les systèmes de vision relative en conditions réelles, hors laboratoire. Le papier se positionne dans la lignée des travaux sur la localisation relative par fusion de mesures de distance, de gisement et d'inertie pour essaims multi-robots, un axe de recherche actif face aux limites des approches à base de SLAM partagé ou de capture de mouvement externe. Il s'agit d'un résultat de recherche validé en simulation et en expérimentation réelle, pas d'un produit commercialisé ; les auteurs ne communiquent pas de calendrier d'intégration industrielle à ce stade.

RecherchePaper
1 source
Synthèse de contrepoids adaptée à la distribution des tâches et co-conception contrainte pour manipulateurs sériels
1984arXiv cs.RO 

Synthèse de contrepoids adaptée à la distribution des tâches et co-conception contrainte pour manipulateurs sériels

Des chercheurs proposent, dans un preprint publié le 15 septembre 2026 sur arXiv (2609.15082v1), une méthode de dimensionnement des contrepoids passifs pour bras manipulateurs sériels qui prend en compte la distribution statistique réelle des postures de travail, plutôt qu'une seule pose de calibration comme le veut la pratique courante. Les auteurs dérivent une formule fermée pour le moment optimal du contrepoids, p* = E[τg·φ] / (g·E[φ²]), qui minimise l'erreur quadratique moyenne du couple de gravité résiduel sur la distribution d'usage ρ(q), et montrent que cet optimum reste une fonction affine de la masse de charge utile. Sur un cas d'étude, un manipulateur à trois liaisons reconstruit avec un bras de levier de contrepoids fixé à 0,20 m, la masse optimale passe de 0,672 kg pour un usage uniforme dans l'espace des configurations, à 0,683 kg pour une distribution quasi uniforme dans l'espace de la tâche, 0,713 kg pour une famille représentative de tâches de préhension dépose, et jusqu'à 0,952 kg pour une distribution fortement biaisée vers les postures à forte gravité, soit un écart de plus de 40% imputable au seul profil d'usage. Un filtre de faisabilité référencé au couple nominal des articulations fait passer la couverture de l'espace de tâche sans charge de 78,1% sans compensation à 93,7% avec le dimensionnement optimisé. Ces résultats montrent qu'un contrepoids calé sur une posture unique, pratique répandue en conception de bras industriels, est structurellement sous-optimal dès que le robot exécute une variété réelle de tâches, avec des pertes de couple et de couverture d'espace de travail qui peuvent atteindre plusieurs dizaines de pourcents. Pour les intégrateurs et concepteurs de manipulateurs, la méthode offre un levier peu coûteux, purement mécanique et sans capteur, pour réduire les besoins en couple actionneur et étendre l'enveloppe de charge utile exploitable, un enjeu direct pour le coût et l'encombrement des moteurs. Les auteurs restent toutefois prudents sur la portée de leurs conclusions: l'étude dynamique sur trajectoire, qui suggère un basculement entre absence de contrepoids pour des mouvements très rapides et compensation renforcée pour des mouvements lents, est qualifiée explicitement d'étude de conséquences d'ingénierie et non de validation physique. Le travail s'inscrit dans la lignée des méthodes classiques de compensation de gravité par contrepoids ou ressorts, historiquement dimensionnées de façon statique et locale. Aucun acteur industriel ni plateforme robotique commerciale n'est cité dans ce preprint, qui reste à ce stade une contribution méthodologique théorique et simulée, sans essai sur bras physique ni partenariat industriel annoncé. La prochaine étape logique, non engagée par les auteurs, serait une validation expérimentale sur manipulateur réel pour confirmer les gains de couverture et de couple prédits par simulation.

RecherchePaper
1 source
Planification de trajectoire ergodique avec empreintes de capteur dynamiques
1985arXiv cs.RO 

Planification de trajectoire ergodique avec empreintes de capteur dynamiques

Une équipe de robotique a publié une version révisée (v2) de l'article "Ergodic Trajectory Planning with Dynamic Sensor Footprints" sur arXiv (2512.08661), consacré à la planification de trajectoire pour la collecte d'information avec un capteur dont l'empreinte au sol varie dans le temps. La planification ergodique fait passer un robot dans chaque zone proportionnellement à la quantité d'information qu'elle contient, en équilibrant exploration et exploitation. Les méthodes existantes supposent un capteur ponctuel ou une empreinte fixe, alors qu'un drone à caméra orientée vers le bas voit son champ de vision varier avec l'altitude et l'orientation. Les auteurs proposent une nouvelle métrique, des conditions théoriques d'optimalité locale et des algorithmes d'optimisation conjointe trajectoire-empreinte, avec une ergodicité jusqu'à dix fois meilleure que les méthodes conventionnelles, validée sur un système multi-drones couvrant un objet en trois dimensions. Pour la robotique aérienne, ce travail comble un écart classique entre modèles de capteurs simplifiés et réalité opérationnelle des drones d'inspection, de cartographie ou de surveillance, dont le champ de vision dépend directement de l'altitude et de l'angle de vol. Optimiser trajectoire et empreinte capteur ensemble promet une couverture de zone plus efficace avec moins de survols redondants, un enjeu concret pour les flottes d'inspection industrielle (ponts, éoliennes, sites miniers) ou de cartographie agricole, où chaque minute de vol pèse sur l'autonomie de la batterie. Le gain "jusqu'à dix fois" reste une mesure de laboratoire, à confirmer en conditions réelles bruitées, avec vent ou obstacles. Il s'agit d'une contribution de recherche fondamentale, non d'un produit commercial, susceptible de nourrir les futurs logiciels de mission des drones autonomes. Ce travail prolonge la planification ergodique, un cadre de robotique du mouvement étudié depuis une dizaine d'années pour la couverture de zone et l'exploration autonome. Soumis initialement fin 2025 selon la numérotation arXiv, l'article ne cite aucune entreprise ni laboratoire nommé dans son résumé: il s'agit d'une publication académique, pas d'une annonce produit, et aucun calendrier de transfert industriel n'est précisé. La démonstration multi-drones en 3D reste, à ce stade, une preuve de faisabilité plutôt qu'un système opérationnel. Les suites logiques passeraient par des essais en environnement extérieur non contrôlé et une comparaison avec d'autres approches de couverture, comme celles fondées sur l'information mutuelle, avant toute intégration dans des logiciels commerciaux de drones.

RecherchePaper
1 source
Cadre visuel intégrant indices d'attention et d'action pour l'évaluation interprétable de la charge cognitive en collaboration homme-robot
1986arXiv cs.RO 

Cadre visuel intégrant indices d'attention et d'action pour l'évaluation interprétable de la charge cognitive en collaboration homme-robot

Des chercheurs présentent, dans une étude publiée sur arXiv (arXiv:2609.15232v1, soumise le 15 septembre 2026), un système de vision par ordinateur destiné à mesurer la charge cognitive des opérateurs en collaboration homme-robot sans capteurs physiologiques portés sur le corps. Le framework combine des caméras RGB-D, l'état du robot et des zones de tâches calibrées pour construire une représentation temporelle du comportement de l'opérateur, appelée HRC-CWL, qui repère où se concentre la charge de travail et comment elle évolue lorsque l'attention et l'action divergent, que le contexte de tâche change ou que l'opérateur hésite. L'équipe a testé son approche sur un assemblage collaboratif de boîte de vitesses à trois niveaux de difficulté, avec dix participants. Les scores subjectifs NASA-TLX ont confirmé une hausse de la charge perçue selon les conditions, avec des effets significatifs sur la charge globale et ses dimensions mentale et temporelle. La sortie du système vision a été significativement corrélée aux signaux ECG chez sept participants sur neuf disposant de données complètes, et les épisodes d'hésitation détectés par la caméra correspondaient temporellement à l'activité physiologique mesurée. Le système a fonctionné en temps réel sans équipement porté par l'opérateur. Pour l'industrie de l'assemblage collaboratif, ce travail répond à un obstacle pratique connu: les méthodes actuelles d'évaluation de la charge mentale reposent sur des capteurs physiologiques (ECG, EEG, dermographes) jugés trop intrusifs pour un déploiement industriel réel. En démontrant une corrélation partielle mais significative entre un signal purement visuel et des mesures physiologiques de référence, l'étude ouvre la voie à une ergonomie cognitive adaptative, où le robot ajusterait son rythme ou son comportement selon l'état inféré de l'opérateur, sans instrumentation supplémentaire. Les auteurs restent prudents: ils présentent HRC-CWL comme un proxy comportemental interprétable, pas comme une mesure psychophysiologique directe de la charge, ce qui tempère toute promesse de diagnostic médical précis. Ce travail s'inscrit dans la tendance de la robotique collaborative industrielle (cobots) à intégrer des capacités de perception fine des états humains, un axe de recherche actif face à la multiplication des lignes d'assemblage mixtes homme-robot. L'échantillon reste limité à dix participants et un seul scénario de gearbox, ce qui appelle des validations à plus grande échelle avant tout déploiement en usine.

RecherchePaper
1 source
Exploitation de l'expertise humaine pour l'assemblage robotique de précision dans la construction industrialisée : un cadre d'apprentissage par renforcement interactif avec installateur dans la boucle, économe en échantillons
1987arXiv cs.RO 

Exploitation de l'expertise humaine pour l'assemblage robotique de précision dans la construction industrialisée : un cadre d'apprentissage par renforcement interactif avec installateur dans la boucle, économe en échantillons

Une équipe de recherche a publié sur arXiv, en septembre 2026, un cadre d'apprentissage par renforcement interactif pour l'assemblage robotique de fenêtres préfabriquées en construction industrialisée (arXiv:2609.13234). Le système combine démonstrations téléopérées hors ligne, reprises en main binaires de l'installateur aux seuls échecs de contact, et récompenses terminales alignées sur les critères d'acceptation, pilotées par une politique d'action séquentielle fondée sur Q-chunking et Flow Q-Learning. Testé dans le simulateur MuJoCo, de la préhension par ventouse jusqu'au positionnement à jeu serré, le pipeline atteint 100% de pose autonome réussie avec 12 à 15 minutes de supervision humaine cumulée sur 3 heures d'entraînement en ligne, pour un jeu de 2 mm par côté avec pose et frottement randomisés. Le seuil de 95% de réussite est atteint en 0,5 puis 1,5 heure selon les deux configurations testées. Ce résultat cible un verrou classique de la robotique de construction: convertir le savoir-faire tacite d'un installateur en autonomie exploitable malgré un retour d'acceptation rare et une forte variabilité de contact. En ramenant à quelques minutes la supervision nécessaire pour approcher une fiabilité totale sur des tolérances millimétriques, l'étude suggère qu'un apprentissage par renforcement guidé par l'humain reste efficace même à récompense très sparse, un enjeu direct pour les intégrateurs visant l'automatisation d'assemblages jugés jusqu'ici trop précis pour la robotique classique. Une réserve s'impose: tous les résultats proviennent de simulation, sans essai sur robot physique ni déploiement réel rapporté, et le transfert sim-to-réel sur un jeu de 2 mm reste l'inconnue principale avant toute application industrielle. La méthode prolonge les travaux récents sur l'apprentissage hors ligne vers en ligne et sur les politiques d'action segmentées (Q-chunking), associées ici à Flow Q-Learning pour capturer des manœuvres de récupération multimodales en cas d'échec de contact, avec une phase de warm-start pour stabiliser la transition. Elle se distingue des approches tout-autonome ou tout-téléopérées en ne sollicitant l'opérateur qu'aux frontières d'échec de contact. L'article ne cite ni partenaire industriel, ni site de déploiement, ni concurrent nommé, ni calendrier de pilote: il s'agit d'une contribution méthodologique validée par ablations isolant les apports de l'abstraction temporelle, de l'intervention humaine et du calibrage du warm-start, sans feuille de route de production précisée.

RecherchePaper
1 source
LieSpline-DP : politique de diffusion B-spline sur groupe de Lie pour une manipulation robotique fluide
1988arXiv cs.RO 

LieSpline-DP : politique de diffusion B-spline sur groupe de Lie pour une manipulation robotique fluide

Une équipe de recherche décrit, dans un article publié sur arXiv (2609.15162v1), LieSpline-DP, une méthode qui corrige un défaut connu des Diffusion Policies (DP), une approche clé de l'apprentissage par démonstration en manipulation robotique : la production de trajectoires saccadées. Les variantes à base de splines lissent le mouvement à l'intérieur d'un segment d'action, mais sans garantir la continuité entre segments ni respecter la géométrie du groupe SE(3), l'espace des poses 3D de l'effecteur. LieSpline-DP génère les trajectoires directement sur SE(3) via des B-splines de Lie, en partageant les poses de contrôle entre segments consécutifs pour assurer une continuité C² sur toute la trajectoire. Sur trois tâches réelles, elle réduit le jerk des mouvements et fait bondir le taux de réussite : 100% pour verser un liquide et pour accrocher un seau, contre seulement 10% et 30% pour la Diffusion Policy de référence. Pour les équipes de recherche et les intégrateurs en manipulation robotique, ce résultat cible un point de friction connu des politiques génératives par diffusion, désormais utilisées jusque dans des piles vision-language-action (VLA) : des mouvements saccadés qui posent problème dès qu'une tâche exige un contact fin ou une dynamique continue, comme verser un liquide ou manipuler un objet souple. L'écart mesuré, 100% contre 10 à 30% de réussite, montre que cette discontinuité peut faire échouer une tâche entière plutôt que d'être un simple défaut esthétique. En ancrant la génération de trajectoire dans la géométrie propre de SE(3), plutôt qu'en traitant position et orientation comme de simples vecteurs, l'approche illustre une tendance plus large : injecter des priors géométriques explicites dans les modèles génératifs plutôt que de compter uniquement sur davantage de données de démonstration. Les Diffusion Policies se sont imposées ces dernières années comme alternative au clonage comportemental classique en manipulation robotique, en modélisant la distribution des actions futures par un processus de débruitage, une approche depuis reprise dans des modèles génératifs de type VLA. Des méthodes à base de splines avaient déjà tenté de lisser les segments d'action de ces politiques, sans résoudre la discontinuité aux jonctions ni la géométrie non euclidienne des poses. LieSpline-DP se présente comme un complément à ces politiques plutôt qu'un remplacement complet ; ses résultats restent pour l'instant limités à trois tâches réelles en laboratoire, leur extension à des tâches plus variées, d'autres bras robotiques ou des piles VLA plus larges restant à démontrer dans de futurs travaux.

RecherchePaper
1 source
Apprentissage de l'exploitation de la dynamique passive pour un saut ciblé économe en énergie d'un quadricoptère à pattes ressorts
1989arXiv cs.RO 

Apprentissage de l'exploitation de la dynamique passive pour un saut ciblé économe en énergie d'un quadricoptère à pattes ressorts

Le 15 septembre 2026, une équipe de recherche a publié sur arXiv (arXiv:2609.15447v1) une nouvelle méthode de contrôle pour un quadricoptère monopode à jambe ressort, un robot hybride qui combine poussée aérienne et rebond passif sur une jambe équipée d'un ressort pour se déplacer sur terrain accidenté. Les auteurs remplacent le réglage heuristique par PID, habituellement utilisé pour coordonner poussée active et dynamique de contact passive, par une politique entraînée par apprentissage par renforcement (Proximal Policy Optimization, PPO) qui commande directement les quatre moteurs à partir de l'état estimé du robot, sans machine à états de saut ni boucle PID d'attitude bas niveau. La fonction de récompense combine un module "Energy-Manifold Shaping", qui suit une trajectoire d'énergie verticale normalisée par la masse et ancre l'état au sommet de chaque saut, et un module "Efficiency Shaping", qui s'appuie sur un estimateur de puissance tenant compte de l'historique pour pénaliser la consommation générale, ajouter un coût spécifique à la puissance en phase aérienne, et limiter la quasi-immobilité en vol. Sur des essais matériels représentatifs, la politique PPO réduit la puissance électrique mesurée, moyennée sur le cycle, de 30,7%, et la poussée totale normalisée moyenne de 49,8% par rapport au contrôleur PID de référence, tout en conservant des sauts répétables à hauteur commandée et des atterrissages plus concentrés. Ce résultat s'adresse directement aux limites connues des robots hybrides sol-air: le PID, réglé à la main, sous-exploite la dynamique passive du ressort et gaspille de l'énergie en poussée continue pour compenser une coordination imparfaite. Montrer qu'une politique bout-en-bout, sans machine à états ni boucles imbriquées, réduit à la fois la consommation électrique et la poussée nécessaire tout en gardant la précision de saut, constitue un argument concret pour l'apprentissage par renforcement appliqué à des systèmes physiques à dynamiques de contact intermittentes, un cas plus difficile que la marche pure ou le vol pur. Pour les intégrateurs travaillant sur des robots de terrain autonomes sur batterie, ce type de gain énergétique conditionne directement l'autonomie de mission, un facteur souvent plus limitant que la puissance de calcul embarquée. Le papier s'inscrit dans une lignée de recherche qui cherche à combiner la rapidité de déplacement de l'aérien avec l'efficacité énergétique du contact au sol, une alternative aux quadrirotors purs ou aux robots à pattes classiques pour franchir des obstacles. Il s'agit ici d'un résultat de recherche publié en preprint, validé sur du matériel en conditions représentatives mais pas encore d'un produit commercial ni d'un déploiement opérationnel. Les auteurs ne précisent pas de prochaine étape chiffrée, mais la logique de l'article ouvre la voie à des essais sur terrains plus variés et à une généralisation au-delà du suivi de hauteur de saut.

RecherchePaper
1 source
OVMAN : une tâche et un benchmark pour la navigation à vocabulaire ouvert sensible au mouvement
1990arXiv cs.RO 

OVMAN : une tâche et un benchmark pour la navigation à vocabulaire ouvert sensible au mouvement

OVMAN est un nouveau benchmark de navigation robotique (arXiv:2609.06424v2) où un agent doit retrouver, lors d'une deuxième visite, un objet déplacé ou disparu depuis son premier passage, par exemple "va vers la chaise qui a été déplacée" ou "va là où se trouvait le vase". Le jeu de données compte 219 épisodes à deux visites, chacun certifié résoluble par un agent oracle en trois passages, répartis sur six relations de changement dont deux ciblent un emplacement désormais vide. Un navigateur d'objets en zero-shot n'atteint sa cible que dans 12,3% des épisodes, avec des scores quasi nuls sur ces emplacements vidés (0,026 et 0,050). Une carte open-vocabulary auto-actualisée fait grimper le taux de réussite global de 0,396 à 0,479 sans progresser sur ces cas précis, tandis qu'un agent de référence simple plafonne à 45,2% contre 99,5% pour un oracle incarné. Ces résultats montrent qu'actualiser une carte sémantique de l'environnement ne suffit pas à résoudre la navigation dans un monde qui change entre deux visites, une nuance pour les approches de cartographie continue mises en avant dans la recherche récente. La décomposition d'erreur des auteurs situe le vrai obstacle ailleurs que dans la perception : ni la reconnaissance du nom de l'objet ni le choix final de la réponse ne posent problème, c'est le maintien de l'identité d'une même instance d'un objet d'une visite à l'autre qui échoue. Pour un intégrateur en logistique ou à domicile, où les objets bougent entre deux passages d'un robot, cela déplace l'effort d'ingénierie vers la mémoire et la correspondance d'instances plutôt que vers la seule perception ou le mapping temps réel. OVMAN s'ajoute aux benchmarks de navigation vision-langage qui supposaient jusqu'ici une scène figée entre la formulation d'une instruction et son exécution, une hypothèse rarement vraie hors laboratoire. Les auteurs publient les 219 épisodes et leur protocole de certification par oracle pour que d'autres équipes puissent comparer leurs systèmes sur cette tâche précise. Aucun acteur commercial ni déploiement produit n'est associé à ce travail, qui reste une contribution académique destinée à orienter les futurs systèmes de navigation embarquée vers la gestion de la mémoire d'instance entre visites.

RecherchePaper
1 source
P-POSEMEM : mémoire sémantique projective pour un ancrage langagier cohérent lors de réécritures du graphe de poses
1991arXiv cs.RO 

P-POSEMEM : mémoire sémantique projective pour un ancrage langagier cohérent lors de réécritures du graphe de poses

P-POSEMEM est une méthode de mémoire sémantique présentée dans un article arXiv (2609.15475v1, soumis anonymement) qui vise à résoudre un problème précis en robotique mobile guidée par le langage: garder l'identité d'un objet stable dans la mémoire du robot pendant que le graphe de poses SLAM sous-jacent est optimisé, fermé en boucle (loop closure) et compressé. Au lieu d'ancrer chaque détection à une coordonnée monde fixe, qui devient fausse dès qu'une fermeture de boucle déplace l'ancre ou que le solveur la marginalise, P-POSEMEM stocke chaque observation comme un événement immuable rattaché à son keyframe de naissance, conserve la conditionnelle d'élimination Bayes-tree de chaque keyframe marginalisé, et intègre la vraisemblance sémantique sur la postérieure jointe reconstruite des poses, ancres et identités. Testée sur 40 scènes HM3DSem et 112 000 requêtes, la méthode reproduit exactement l'oracle en graphe complet (métrique Dproj à zéro) et réduit les changements de cible (goal flips) par rapport à toutes les méthodes de référence. Sur une campagne de huit runs comptant 761 fermetures de boucle ayant réécrit la carte jusqu'à 47 mètres, Dproj reste sous 10^-13 avec 0 flip sur 288 requêtes quand l'élimination suit les fermetures, contre des échecs pour chaque variante testée et pour une coordonnée figée dès l'insertion; sous un solveur borné en temps réel, la même mémoire chute à 23 flips sur 288 contre 53 pour cette approche figée. Pour les intégrateurs combinant SLAM et modèles vision-langage-action (VLA), l'enjeu dépasse la démonstration académique: un robot peut échouer à atteindre "la bonne" cible non pas par erreur de perception ou de calibration, mais parce que l'optimisation interne de sa carte a silencieusement changé quel objet physique correspond à une instruction donnée. Un contrôle négatif pré-enregistré confirme que Dproj détecte ce mode de défaillance alors que l'erreur de calibration et le taux de succès de navigation restent inchangés, ce qui suggère un angle mort dans les benchmarks actuels de navigation robotique. Le code et les données sont hébergés sur une plateforme de dépôt anonyme, signe d'une soumission en cours d'évaluation par les pairs plutôt que d'un produit déployé. Aucune entreprise ni laboratoire n'est nommé du fait de l'anonymisation, et le travail reste à ce stade une contribution méthodologique et un protocole d'évaluation, sans annonce de déploiement industriel ni de partenariat.

RecherchePaper
1 source
Repenser les implications du retour humain pour l'apprentissage des préférences dans la collaboration homme-robot
1992arXiv cs.RO 

Repenser les implications du retour humain pour l'apprentissage des préférences dans la collaboration homme-robot

Une équipe de recherche en interaction homme-robot publie sur arXiv (2609.13982) une remise en cause de la méthode standard d'apprentissage des préférences pour le comportement des robots collaboratifs. Cette méthode standard fonctionne en trois étapes : le robot collecte un feedback humain direct limité, généralement binaire (positif ou négatif) ; il en déduit ensuite des étiquettes "acceptée" ou "rejetée" pour des actions faisables mais non choisies, via des règles d'implication fixes préétablies ; puis il met à jour son modèle de récompense avec l'ensemble de ces données. Une étude utilisateur menée sur deux environnements de simulation collaboratifs montre que les étiquettes d'implication réellement données par les humains divergent souvent de ce que prédit la règle fixe, et que l'usage des étiquettes humaines réelles améliore nettement l'apprentissage de récompense avec l'algorithme PIE (Preference Learning from Implicit and Explicit Feedback). Les chercheurs proposent en réponse IMPLIED, une méthode qui utilise la règle fixe comme simple point de départ tout en apprenant à inférer et corriger les étiquettes au fil des interactions. Testée sur des trajectoires d'interaction homme-robot enregistrées ainsi que sur une étude avec un robot physique préparant des pizzas, IMPLIED prédit les implications humaines plus fidèlement que la règle fixe et que des références basées sur des LLM, en se rapprochant des performances d'un oracle utilisant directement des étiquettes humaines. Ce résultat questionne une hypothèse implicite largement répandue dans la conception des systèmes de robots collaboratifs : que des règles logiques figées suffisent à extrapoler les préférences humaines au-delà du feedback explicite donné. Pour les concepteurs de robots d'assistance ou de cobots industriels, cela signifie que les modèles de récompense actuels risquent de mal interpréter systématiquement l'intention des opérateurs sur les actions non directement évaluées, ce qui peut se traduire par un comportement robotique perçu comme irrationnel ou mal aligné en situation réelle de collaboration. En réduisant l'erreur d'estimation des préférences, IMPLIED promet des robots capables de s'adapter plus vite et plus fidèlement à un opérateur humain sans multiplier les sollicitations de feedback, un enjeu direct pour l'efficacité des déploiements en environnement partagé homme-robot. Le travail s'inscrit dans la lignée des approches d'apprentissage de préférences par renforcement inverse appliquées à la robotique collaborative, où l'algorithme PIE sert de référence pour combiner feedback explicite et implicite. En comparant IMPLIED à la fois à la règle fixe classique et à des références utilisant des grands modèles de langage, les auteurs positionnent leur méthode comme une alternative apprise et adaptative aux heuristiques statiques du domaine. La validation combine environnements simulés et un cas d'usage physique concret de fabrication culinaire, suggérant une voie vers une intégration future dans des architectures de robots collaboratifs déployés en usine ou en environnement de service.

RecherchePaper
1 source
Apprentissage par renforcement informé par la dynamique pour la locomotion agile et économe en énergie d'un quadricoptère sauteur monopode
1993arXiv cs.RO 

Apprentissage par renforcement informé par la dynamique pour la locomotion agile et économe en énergie d'un quadricoptère sauteur monopode

Une équipe de recherche en robotique présente un cadre d'apprentissage par renforcement (RL) appliqué à un quadcopter monopode à sauts, un robot hybride combinant rotors et une jambe unique à ressort pour se déplacer par bonds plutôt que par vol stationnaire pur. Publié sur arXiv (2609.15399v1, article de recherche, pas d'annonce produit), le travail introduit une méthode dite "dynamics-informed" où une valeur cible d'énergie spécifique est intégrée directement dans la fonction de récompense, ce qui contraint l'optimisation à rester sur une trajectoire énergétique physiquement viable. Le système récompense aussi la cohérence de phase entre les appuis au sol, ce qui encourage un mouvement d'impulsion bio-inspiré pendant la phase de contact, et pénalise le gaspillage électromécanique pour que les moteurs génèrent une impulsion efficace sans recourir à des machines à états programmées à la main. Validé uniquement en simulation MuJoCo, et non sur un prototype physique, le contrôleur régule la hauteur de saut et suit une vitesse d'avancement jusqu'à 2,0 m/s malgré un fort couplage entre l'attitude du robot et les phases de contact au sol, tout en réduisant la consommation d'énergie de 82% par rapport à un vol stationnaire classique et de 73% par rapport à une politique RL non contrainte énergétiquement. L'enjeu dépassе la simple performance: les auteurs ciblent explicitement le "reward hacking", un travers connu du RL où l'algorithme trouve des raccourcis qui maximisent la récompense sans produire un comportement physiquement sensé ou économe. En forçant l'optimisation à rester sur une enveloppe énergétique réaliste, l'étude propose une piste méthodologique transférable à d'autres robots hybrides ou legged, un sujet clé pour les intégrateurs qui cherchent à réduire l'autonomie limitée des drones et des robots à pattes. Elle illustre aussi les limites actuelles du secteur: la démonstration reste cantonnée au simulateur, ce qui laisse ouverte la question classique du transfert sim-to-real. Les robots aériens à pattes forment une catégorie encore émergente, cherchant à combiner l'agilité du saut avec l'efficacité énergétique du vol, deux modes de locomotion habituellement traités séparément dans la littérature. L'article ne mentionne ni partenaire industriel ni calendrier de test matériel, ce qui situe cette contribution au stade de la recherche amont, avec un prototype physique et une validation réelle comme suites logiques attendues.

RecherchePaper
1 source
ShieldVLA : un alignement de sécurité tenant compte de la faisabilité pour les modèles vision-langage-action
1994arXiv cs.RO 

ShieldVLA : un alignement de sécurité tenant compte de la faisabilité pour les modèles vision-langage-action

Déposée sur arXiv en septembre 2026 (référence 2609.13231), l'étude présente ShieldVLA, un framework de fine-tuning pour la sécurité des modèles Vision-Language-Action (VLA) en manipulation robotique et en navigation. Face aux pénalités lagrangiennes des méthodes existantes, qui laissent des violations résiduelles ou imposent une prudence excessive, ShieldVLA apprend depuis les seules observations visuelles une approximation model-free de la fonction de valeur de réchabilité Hamilton-Jacobi, séparant maximisation de récompense en zone sûre et récupération près des états dangereux. La supervision s'appuie sur des scores de sécurité générés par un modèle vision-langage plutôt que sur un étiquetage manuel. Sur cinq bancs d'essai de navigation et manipulation, avec plusieurs architectures VLA, ShieldVLA réduit le coût de sécurité cumulé de 57% en moyenne et améliore le taux de réussite de 0,13 point par rapport à SafeVLA. Le résultat cible un angle mort des VLA : leur forte généralisation en manipulation et en navigation ne garantit aucune sécurité robuste une fois affinés sur une tâche, un enjeu critique dès qu'un robot opère près d'humains ou de matériel fragile. Les méthodes lagrangiennes actuelles imposent un compromis entre violations et prudence excessive peu compatible avec un déploiement industriel. En réduisant les violations tout en améliorant le taux de succès grâce à une supervision automatisée par modèle vision-langage plutôt qu'un étiquetage humain, l'étude suggère qu'un pipeline de sécurité scalable est possible sans sacrifier les performances, un point que pèseront intégrateurs et décideurs évaluant la maturité réelle des VLA en production, au-delà des démonstrations. L'approche s'inscrit dans la lignée des recherches sur l'alignement de sécurité post-entraînement des modèles robotiques de fondation, où SafeVLA sert de référence par optimisation lagrangienne que ShieldVLA reprend comme point de comparaison direct. L'article, déposé sur arXiv, ne précise ni les architectures VLA testées ni leur origine industrielle, et reste une contribution de recherche évaluée sur bancs d'essai simulés, sans essai sur robot physique, partenaire industriel ni calendrier annoncés. La suite logique, non détaillée par les auteurs, consisterait à valider l'approche par réchabilité sur du matériel réel et à l'étendre aux architectures VLA propriétaires des acteurs commerciaux du secteur, où les garanties de sécurité demeurent un frein identifié à l'adoption à grande échelle.

RecherchePaper
1 source
Quadrupèdes : repousser la limite de vitesse via modélisation affinée des actionneurs et une planification adaptative
1995arXiv cs.RO 

Quadrupèdes : repousser la limite de vitesse via modélisation affinée des actionneurs et une planification adaptative

Des chercheurs ont repoussé la limite de vitesse connue pour un robot quadrupède avec BlackPanther2 (BP2), une plateforme de 36,5 kg, en atteignant 13,2 m/s sur tapis roulant et 11,65 m/s en extérieur, un résultat présenté comme un nouveau record mondial pour la locomotion quadrupède (arXiv:2609.13289, publié le 13 septembre 2026). La performance repose sur deux apports techniques combinés dans un même framework d'apprentissage : un modèle d'actionneur affiné qui capture explicitement le couplage tension-vitesse à haute vitesse et la saturation magnétique, pour représenter plus fidèlement l'enveloppe couple-vitesse réelle des moteurs, et un entraînement par renforcement structuré en curriculum à deux étapes avec un mécanisme d'ordonnancement adaptatif des commandes (Adaptive Command Scheduling, ACS) qui stabilise l'apprentissage sur une large plage de vitesses cibles. Cette avancée s'attaque directement à un problème connu du secteur : la plupart des méthodes de contrôle appris négligent les non-linéarités et les contraintes physiques des actionneurs pendant l'entraînement en simulation, ce qui crée un écart sim-to-real important dès que les mouvements deviennent très dynamiques, et peut conduire la politique apprise à exploiter des comportements non physiques, impossibles à reproduire sur le matériel réel. En modélisant plus précisément les moteurs, l'équipe montre qu'on peut réduire cet écart tout en repoussant les limites de vitesse réelles, un signal utile pour les intégrateurs et laboratoires travaillant sur la locomotion dynamique, la logistique en tout-terrain ou les usages militaires et d'inspection nécessitant des déplacements rapides. Le résultat illustre aussi que les gains de robustesse (via l'ACS) n'impliquent pas nécessairement de sacrifier la performance brute, contrairement à une hypothèse répandue sur le compromis vitesse/stabilité en robotique de champ. Le papier s'inscrit dans une compétition plus large de records de vitesse chez les quadrupèdes, où des plateformes comme celles de MIT Cheetah ou Unitree ont progressivement repoussé les seuils ces dernières années, mais où les chiffres annoncés restent souvent obtenus en conditions contrôlées et méritent d'être lus avec prudence tant que des tiers ne les reproduisent pas de façon indépendante. Les auteurs ne précisent pas de calendrier de déploiement commercial ni de partenaire industriel identifié pour BP2 à ce stade ; la contribution reste pour l'instant un résultat de recherche, avec le code et les détails de modélisation destinés à informer de futurs travaux sur le contrôle appris pour la locomotion à haute dynamique.

RecherchePaper
1 source
Des robots quadrupèdes franchissent une limite de vitesse grâce à la dynamique des pendules couplés de Huygens
1996arXiv cs.RO 

Des robots quadrupèdes franchissent une limite de vitesse grâce à la dynamique des pendules couplés de Huygens

Un quadrupède robotique a atteint une vitesse de course de 10,74 mètres par seconde, soit un nombre de Froude de 21,4, devenant selon ses concepteurs le premier robot à pattes à franchir la barre des 10 m/s, et a bouclé un sprint de 100 mètres en 12,2 secondes. Ces résultats, publiés dans un article arXiv (2609.13290v1) du 15 septembre 2026 intitulé "Breaking speed scaling in quadrupedal robots via Huygens' coupled-pendulum dynamics", ne reposent pas sur des actionneurs plus puissants mais sur un principe physique emprunté aux pendules couplés de Huygens : en exploitant le couplage inertiel entre les membres, l'énergie se redistribue sur le cycle de marche, ce qui réduit le couple articulaire de crête nécessaire pour courir vite. Les paramètres matériels ont ensuite été intégrés comme variables dans un cadre de co-optimisation, permettant d'exploiter systématiquement cette dynamique dès la conception du robot. À noter que la vitesse moyenne réelle sur 100 mètres (environ 8,2 m/s) reste inférieure à la pointe de 10,74 m/s, ce qui traduit une phase d'accélération avant d'atteindre le régime de croisière. Ce résultat, encore au stade de la recherche et non d'un produit commercialisé, remet en question l'hypothèse dominante selon laquelle repousser les limites de vitesse des robots à pattes exige des moteurs et transmissions toujours plus puissants, donc plus lourds et plus coûteux. En démontrant qu'une exploitation intelligente de la dynamique intrinsèque du châssis peut élargir la plage de vitesse atteignable sans surdimensionner l'actionnement, les auteurs offrent une piste de conception pertinente pour les fabricants de quadrupèdes destinés à l'inspection, la logistique ou les usages militaires, où poids et autonomie énergétique restent des contraintes critiques. La course à la vitesse chez les robots à pattes remonte aux plateformes historiques comme le Cheetah du MIT, qui avait franchi quelques mètres par seconde dès les années 2010, et se poursuit aujourd'hui avec des acteurs comme Unitree ou Boston Dynamics. Le recours à un modèle physique vieux de plusieurs siècles pour dépasser un plafond jusque-là attribué au seul matériel ouvre une piste de recherche que les auteurs envisagent d'étendre à d'autres morphologies robotiques, notamment bipèdes.

RecherchePaper
1 source
GzDRL : apprentissage par renforcement profond reproductible et évolutif avec Gazebo
1997arXiv cs.RO 

GzDRL : apprentissage par renforcement profond reproductible et évolutif avec Gazebo

Des chercheurs ont publié le 15 septembre 2026 sur arXiv (référence 2609.13243v1) GzDRL, un framework d'apprentissage par renforcement (RL) en un seul processus conçu pour le simulateur robotique Gazebo. Contrairement aux intégrations RL-Gazebo classiques qui passent par des couches middleware et souffrent de non-déterminisme et de résultats difficilement reproductibles, GzDRL synchronise directement les actions de l'agent avec les mises à jour physiques, sans intergiciel intermédiaire. Cette architecture permet, selon les auteurs, une collecte de données à haut débit et déterministe, une vectorisation efficace des environnements, ainsi qu'un entraînement et une évaluation reproductibles d'une exécution à l'autre. Leurs benchmarks montrent que GzDRL atteint le débit le plus élevé parmi les frameworks testés sur station de travail, tout en restant compétitif face à des simulateurs accélérés par GPU lorsqu'il tourne sur un simple ordinateur portable, avec une synchronisation agent-environnement précise et une scalabilité multi-agents. Les chercheurs ont aussi validé le transfert sim-to-real en déployant directement, sans réglage fin, une politique apprise en simulation sur un quadrirotor physique. Cette publication s'attaque à un problème récurrent en robotique: le fossé entre résultats simulés et leur reproductibilité, un frein connu à la comparaison rigoureuse des algorithmes RL et à leur transfert vers du matériel réel. En supprimant les couches middleware sources d'aléas temporels, GzDRL vise à rendre les expériences vérifiables d'un run à l'autre, un enjeu central pour les laboratoires et les équipes d'intégration qui doivent auditer les performances annoncées avant d'investir dans un pipeline sim-to-real. La démonstration sur quadrirotor physique sans réentraînement post-simulation va dans le sens des travaux récents suggérant que l'écart sim-to-real se réduit davantage par une meilleure fidélité de simulation que par du fine-tuning sur le matériel. Pour les équipes R&D travaillant avec Gazebo, socle largement utilisé dans l'écosystème ROS, un outil gratuit et reproductible facilite le prototypage de politiques RL sans dépendre exclusivement de simulateurs propriétaires accélérés par GPU. Ce travail répond aux limites connues des ponts logiciels entre moteurs physiques et frameworks RL, où la latence des couches de communication complique depuis des années la reproductibilité des expériences en robotique simulée. Gazebo, simulateur open source associé à l'écosystème ROS, cohabite avec une génération plus récente de simulateurs accélérés par GPU qui dominent l'entraînement RL à grande échelle; GzDRL se positionne comme une alternative accessible sur du matériel standard plutôt que sur des clusters GPU dédiés. Il s'agit pour l'instant d'une publication arXiv en première version, non encore validée par relecture par les pairs, ce qui correspond à une étape de recherche plutôt qu'à un produit finalisé ou un déploiement industriel, sans calendrier annoncé pour une diffusion plus large du code ou de nouvelles plateformes robotiques.

RecherchePaper
1 source
Apprentissage de la préhension pour atteindre des poses 6D générales avec un objet en main
1998arXiv cs.RO 

Apprentissage de la préhension pour atteindre des poses 6D générales avec un objet en main

Des chercheurs ont publié sur arXiv (2609.13761) un système nommé POISE, pour Palm-relative Object reaching In SE(3), qui permet à une main robotique multi-doigts de déplacer un objet déjà saisi vers une pose cible en position et orientation, soit six degrés de liberté, sans le relâcher ni le regripper. L'architecture combine apprentissage par renforcement sim-to-real, initialisation par prises stables diversifiées, contrôle conditionné par la géométrie de l'objet et curriculum adaptatif de cibles 6D. En simulation, diversifier les prises initiales fait grimper la réussite sur des prises inédites de 40,1% à 51,5%, et la récupération après chute d'objet de 33,8% à 72,9%; le curriculum porte la réussite sur l'ensemble des poses possibles de 6,2% à 59,5%. Sur le robot physique, la récompense de maintien de prise fait passer la réussite d'une séquence de trois cibles de 20% à 80%; le système atteint ensuite des cibles 6D successives sans réinitialisation manuelle, sur plusieurs objets et orientations de poignet, en récupérant de perturbations externes. Ce travail comble un manque des méthodes de manipulation dextre actuelles, souvent limitées à la rotation continue ou à la translation isolée plutôt qu'au contrôle conjoint de position et d'orientation depuis une prise existante. Pour les intégrateurs industriels, cette capacité peut réduire les cycles de reprise de prise et les déplacements de bras lors du repositionnement de pièces en assemblage fin ou en logistique. L'écart entre 6,2% et 59,5% selon la présence du curriculum montre toutefois que le sim-to-real reste fragile sur cette tâche 6D complète. Il s'agit d'une prépublication non évaluée par les pairs, testée en laboratoire, sans main robotique commerciale nommée ni volume ou prix annoncés. La recherche s'inscrit dans le champ de la manipulation dextre multi-doigts, où les démonstrations publiques se limitent souvent à la réorientation par rotation ou à des repositionnements grossiers, plutôt qu'au contrôle simultané des six degrés de liberté. Elle se distingue des politiques génériques de type VLA, telles que celles associées aux modèles Pi-0 ou GR00T N2, en ciblant spécifiquement la sous-tâche de repositionnement en main plutôt qu'un contrôle de bout en bout. Les auteurs annoncent la publication du code sur un site dédié au projet, sans calendrier de pilote industriel ni partenaire matériel précisé, et aucun acteur français ou européen n'apparaît dans cette publication.

RecherchePaper
1 source
LG-VLN : un cadre de navigation vision-langage sans apprentissage préalable, orchestré par états LangGraph
1999arXiv cs.RO 

LG-VLN : un cadre de navigation vision-langage sans apprentissage préalable, orchestré par états LangGraph

Une équipe de recherche présente LG-VLN, un framework de navigation vision-langage en environnement continu (VLN-CE), dans un preprint arXiv de septembre 2026 (arXiv:2609.15098v1). Contrairement aux méthodes existantes qui s'appuient sur LiDAR ou cameras panoramiques, LG-VLN navigue en zero-shot a partir d'une seule camera RGB monoculaire, grâce a un réseau de reconstruction 3D qui estime profondeur, pose et nuage de points, a des features visuelles CleanDIFT partagées entre géométrie et sémantique, et a une carte de valeur sémantique combinant similarité visuelle et pertinence image-texte via BLIP-2. Tout le pipeline, de l'analyse de l'instruction a la récupération d'échec, est orchestre par LangGraph sous forme de graphe d'états a transitions conditionnelles. Sur un sous-ensemble fixe de 550 épisodes du split val-unseen de R2R-CE, le système atteint 21,3% de réussite et 12,1% de SPL, le code devant être publie ultérieurement. Ces résultats, modestes compares aux meilleures méthodes VLN-CE qui s'appuient sur des capteurs plus riches, montrent néanmoins qu'une navigation purement monoculaire et zero-shot reste possible dans des scènes 3D inédites, sans reentrainement dédié a l'environnement. Pour les intégrateurs robotiques, l'enjeu est économique: une navigation fiable sans LiDAR ni vues panoramiques allégé le cout matériel des plateformes mobiles. Le choix de LangGraph illustre aussi une tendance plus large, l'importation d'outils d'orchestration issus des agents LLM dans des pipelines robotiques jusque-la gérés par des machines a états codées en dur. Les ablations confirment que le partage de features sémantiques entre géométrie et navigation, renforce par la fusion avec BLIP-2, explique l'essentiel du gain, validant l'hypothèse que l'incohérence spatiale-sémantique freinait les pipelines séparés. La VLN-CE vise a faire suivre a des robots des instructions en langage naturel dans des bâtiments jamais vus, un objectif longtemps freine par des capteurs géométriques couteux ou un entrainement lourd propre a chaque environnement. LG-VLN s'appuie plutôt sur des modules de vision pré-entraines existants, CleanDIFT et BLIP-2. Le travail reste une publication de recherche en navigation, distincte des architectures vision-langage-action déployées sur des robots humanoïdes comme Optimus, Pi-0 ou GR00T N2, sans déploiement industriel ni partenaire commercial annonce. La suite dépendra de la publication du code, promise mais non datée, pour vérifier les scores au-delà des 550 épisodes testes.

RecherchePaper
1 source
GROOVE : réduction géométrique des à-coups en espace opérationnel lors de l'exécution VLA
2000arXiv cs.RO 

GROOVE : réduction géométrique des à-coups en espace opérationnel lors de l'exécution VLA

Des chercheurs ont publié sur arXiv (2609.13695, 15 septembre 2026) GROOVE, un régulateur en ligne pour les politiques vision-langage-action (VLA) qui exécutent plusieurs commandes par appel (« chunk »). Il cible les à-coups (jerk) internes à un chunk et aux frontières de replanification, source d'oscillations et de transitoires brusques sur les actionneurs. Sans réentraînement ni inférence supplémentaire, GROOVE génère par programmation quadratique une référence cubique et treize candidats directionnels autour de la trajectoire brute de l'effecteur, puis retient celui au jerk minimal sous un plafond de déviation par rapport au plan initial. Sur le benchmark simulé LIBERO, il réduit le jerk translationnel et rotationnel de l'EEF de 33,02% et 43,42%, avec un taux de réussite de 95,75% contre 93,75% pour l'exécution brute ; sur 50 essais appariés avec un bras UR5e réel, la réduction atteint 16,39% et 19,49% pour le jerk du TCP et 29,09% pour la pente de courant moteur. Les politiques VLA récentes (Pi-0, GR00T N2, Helix, Octo) prédisent des blocs de commandes pour amortir la latence d'inférence, mais ce « chunking » dégrade souvent la fluidité aux raccords, un écart classique entre démonstration en laboratoire et robustesse en production. GROOVE propose une couche de correction géométrique légère et agnostique du modèle, applicable en théorie sur n'importe quelle politique déjà entraînée sans coût additionnel. Pour les intégrateurs, l'enjeu dépasse l'esthétique du geste : un jerk élevé accélère l'usure mécanique et pose des questions de sécurité en cobotique, et la progression du taux de réussite plutôt qu'une régression répond à la crainte qu'un correctif post-hoc dégrade la performance. Cette publication s'inscrit dans la généralisation de l'action chunking, adoptée pour amortir le coût d'inférence des grands modèles VLA, où le raccord entre blocs successifs a déjà motivé des approches comme l'ensemble temporel ou le contrôle à horizon glissant. GROOVE s'en distingue par une formulation convexe résoluble en temps réel, avec une garantie de déviation bornée par rapport au plan d'origine. Marqué « announce type: new » sur arXiv, l'article reste un preprint non encore revu par les pairs, validé sur un seul bras UR5e et le benchmark simulé LIBERO, sans intégration commerciale annoncée ; la suite logique serait une extension à d'autres embodiments, notamment des plateformes humanoïdes ou bimanuelles.

RecherchePaper
1 source