Actualités robotique — page 49

7 520 articles au fil, du plus récent au plus ancien.

35

2401arXiv cs.RO 

Hydra : un modèle d'action pour la navigation combinant planification latente discrète et exécution par flow-matching continu

Des chercheurs présentent Hydra, un modèle "World Action Model" conçu pour la planification et le contrôle en temps réel de robots physiques, décrit dans un article publié le 28 août 2026 sur arXiv (référence 2608.28995v1). Le problème que Hydra cherche à résoudre est celui du décalage de représentation entre les modèles du monde, qui imaginent des futurs possibles à partir d'images, et les planificateurs, qui doivent aujourd'hui décoder chaque candidat de trajectoire en pixels haute dimension pour l'évaluer, une étape coûteuse qui freine le contrôle en temps réel. Hydra intègre le planificateur, à la fois l'échantillonneur et l'évaluateur, directement à l'intérieur du modèle, en construisant un espace latent unifié couvrant états visuels, poses physiques et actions de contrôle, compressé via des quantifications vectorielles en vocabulaires discrets d'intentions kinodynamiques et d'états visuels. Les candidats sont classés par un "Kinematic-Perceptual Cost" sans jamais repasser par l'espace des pixels, une approche que les auteurs nomment Discrete Latent Planning (DLP), couplée à du Flow Matching conditionnel pour transformer chaque intention discrète en trajectoire continue exécutable. Le système a été évalué sur deux plateformes robotiques physiques, sans que l'article ne précise leurs marques ou modèles. Pour l'industrie robotique, cette approche s'attaque directement à un goulot d'étranglement reconnu des architectures VLA (vision-language-action) et des modèles du monde génératifs: la latence introduite par la reconstruction pixel par pixel à chaque étape de planification. Si les résultats se confirment au-delà du cadre de cet article de recherche, ils suggèrent qu'un espace latent partagé et discret peut remplacer la recherche coûteuse en pixels sans sacrifier la qualité de l'exécution en boucle fermée, ce qui intéresserait directement les intégrateurs cherchant à déployer des politiques réactives sur du matériel embarqué à ressources limitées. Les auteurs affirment que Hydra dépasse les modèles du monde de référence en planification orientée objectif, tout en égalant ou dépassant les politiques réactives de type "foundation policy" les plus avancées, une comparaison à prendre avec prudence puisqu'elle provient des auteurs eux-mêmes et non d'une évaluation indépendante. Ce travail s'inscrit dans la lignée des efforts récents visant à combiner modèles du monde génératifs et politiques d'action, un axe de recherche exploré notamment par des familles de modèles comme Pi-0 ou GR00T N2 pour l'exécution réactive continue, mais où peu d'approches avaient jusqu'ici cherché à unifier explicitement planification discrète et exécution continue dans un même espace latent. L'article ne mentionne ni partenariat industriel, ni feuille de route de déploiement, ni acteur français ou européen; il s'agit à ce stade d'une contribution académique publiée en preprint, sans validation par les pairs ni pilote industriel annoncé.

Recherche❧Opinion

1 source

35

2402arXiv cs.RO 

RLinf-USER : un système unifié et extensible pour l'apprentissage de politiques en ligne en conditions réelles pour l'IA incarnée

Le préprint arXiv:2602.07837 (quatrième version, publiée en remplacement d'une version antérieure) présente USER, un système conçu pour l'apprentissage de politiques en ligne directement dans le monde réel, et non en simulation. Contrairement à un environnement simulé, où l'on peut accélérer le temps, réinitialiser un robot instantanément ou dupliquer massivement les essais, l'entraînement physique impose des contraintes de vitesse, de coût et d'usure matérielle qui, selon les auteurs, transforment le problème en un défi d'ingénierie systémique autant qu'algorithmique. USER répond à ce constat par deux couches complémentaires. Côté infrastructure, une couche d'abstraction matérielle unifie la gestion de robots hétérogènes, tandis qu'un plan de communication adaptatif organise l'entraînement réparti entre cloud et périphérie (edge). Côté apprentissage, le système repose sur un entraînement entièrement asynchrone, un buffer de rejeu persistant et sensible au cache, ainsi que des abstractions extensibles pour définir récompenses, algorithmes et politiques. Les expériences, menées en simulation et sur du matériel réel, couvrent la coordination multi-robots, des manipulateurs de types différents, l'entraînement cloud-edge avec de grands modèles, et des sessions asynchrones de longue durée. L'abstract ne fournit toutefois aucun chiffre précis de charge utile, de degrés de liberté ou de temps de cycle, ce qui limite l'évaluation indépendante des gains annoncés. Pour l'industrie robotique, ce travail cible un goulot d'étranglement rarement documenté publiquement: faire fonctionner l'apprentissage par renforcement en ligne sur des flottes physiques hétérogènes, à l'heure où les modèles VLA (vision-langage-action) type Pi-0 ou GR00T nécessitent des volumes de données et des cycles d'entraînement continus. Une brique d'orchestration cloud-edge réutilisable, si elle tient ses promesses au-delà du cadre expérimental, réduirait le travail d'intégration pour les équipes qui déploient plusieurs types de bras ou de robots mobiles sous une même boucle d'apprentissage. Mais l'absence de métriques quantitatives comparatives dans l'abstract invite à traiter cette annonce comme une proposition d'architecture logicielle validée en laboratoire, pas comme un système prêt à l'échelle industrielle. Cette publication s'inscrit dans une tendance plus large: à mesure que les modèles fondation pour la robotique (Pi-0 de Physical Intelligence, GR00T N2 de NVIDIA, Helix de Figure) gagnent en taille, l'entraînement purement simulé montre ses limites face au fossé sim-to-réel, poussant les laboratoires vers l'apprentissage en ligne sur robot réel. Le statut de préprint en quatrième révision suggère un travail encore en itération académique, sans calendrier de déploiement pilote ni partenaire industriel annoncé à ce stade.

Recherche❖Paper

1 source

35

2403arXiv cs.RO 

PAVE : alignement prédictif et évolution guidée par la valeur pour les politiques monde-action

Un article publié le 30 août 2026 sur arXiv sous la référence 2608.30378 présente PAVE (Predictive Alignment and Value-Guided Evolution for World-Action Policies), une méthode d'entraînement pour les politiques vision-langage-action (VLA) qui génèrent des actions robotiques continues. Les auteurs pointent deux limites du clonage de comportement standard: les représentations apprises ne sont pas explicitement contraintes à décrire l'évolution de la scène à plusieurs échelles temporelles, et les trajectoires de déploiement de qualité inégale sont réutilisées sans distinguer la dynamique physique utile du comportement indésirable. PAVE conserve un objectif JEPA local à décalage fixe et y ajoute un alignement de transition multi-horizon calculé à 25%, 50%, 75% et 100% de l'épisode restant, des cibles qui n'existent que pendant l'entraînement et ne transmettent aucun token futur explicite à la tête d'action. La méthode entraîne en parallèle un critique de valeur distributionnel indépendant sur les trajectoires cumulées de déploiement, calcule des avantages à N pas alignés sur des blocs d'action, puis les convertit en conditions textuelles positives, négatives ou nulles pour un acteur par flow matching. Le prédicteur multi-horizon et le critique sont retirés à l'exécution en ligne, préservant une génération d'action directe à partir de l'observation courante, de l'instruction et de la proprioception. Les auteurs rapportent la meilleure performance globale sur trois benchmarks de simulation. Ce travail s'attaque à deux angles morts des politiques VLA génératives: leur incapacité à raisonner explicitement sur l'évolution d'une tâche dans le temps, et le gaspillage de données de déploiement hétérogènes, habituellement écartées faute de signal de valeur. En couplant un objectif prédictif type JEPA à un critique appris a posteriori, PAVE cherche à faire cohabiter apprentissage de représentation et amélioration de politique guidée par la récompense sans alourdir l'inférence, un compromis qui intéresse directement les intégrateurs cherchant à exploiter des logs de déploiement imparfaits plutôt que de ne s'entraîner que sur des démonstrations propres. Si le résultat se confirme au-delà de la simulation, il renforcerait l'idée que les architectures VLA peuvent absorber un signal d'amélioration proche du reinforcement learning sans sacrifier la latence de l'exécution directe. La validation ne porte toutefois que sur trois benchmarks de simulation non identifiés, sans transfert documenté vers un robot réel: la revendication de "meilleure performance globale" reste une annonce de recherche, pas une preuve de généralisation sim-to-real. PAVE s'inscrit dans une lignée de recherche qui enrichit les politiques robotiques génératives d'un objectif de type modèle du monde, dans la filiation des architectures JEPA conçues pour apprendre des représentations prédictives sans reconstruction pixel par pixel. L'acteur par flow matching, conditionné dynamiquement par un signal de valeur positif, négatif ou nul, rejoint une tendance plus large consistant à coupler génération d'action continue et apprentissage hors ligne à partir de trajectoires de déploiement imparfaites plutôt que de les écarter. Le papier ne mentionne ni partenaire industriel, ni déploiement sur robot physique, ni date de publication de code: il s'agit d'une contribution académique dont la suite logique attendue serait une évaluation sur matériel réel et une comparaison directe avec les politiques VLA de référence du secteur.

Recherche❧Opinion

1 source

34

2404arXiv cs.RO 

Méthode systématique d'allègement en robotique par optimisation de la distribution d'énergie de déformation

Un article de recherche publie sur arXiv en aout 2026 (arXiv:2608.29146v1) présente une méthode systématique d'allègement des robots fondée sur la distribution de l'énergie de déformation (strain energy). Le principe de départ: dans un système mécanique optimal en masse, cette énergie par unité de masse doit être repartie uniformément entre les composants. Ce critère permet de découpler l'optimisation au niveau du système entier: chaque pièce reçoit un objectif de conception dérivé de sa part d'énergie de déformation, puis est optimisée séparément selon la méthode la plus adaptée (dimensionnement, optimisation topologique, choix de matériau), ce qui conserve la complexité de calcul au niveau de la pièce tout en optimisant le système complet. La méthode est démontrée sur un bras robotique générique, avec des scenarios combinant allègement et amélioration de la rigidité, plusieurs matériaux, plusieurs conditions de charge, et une analyse du comportement vibratoire. L'abstract ne communique aucun chiffre de gain en masse, en rigidité ou en temps de calcul. Pour l'industrie robotique, l'enjeu est concret. Les robots de service au contact des humains, bras collaboratifs, robots mobiles, plateformes humanoïdes, doivent être légers pour la sécurité, l'agilité et l'autonomie énergétique, sans perdre en rigidité structurelle. Or ces systèmes comptent souvent des dizaines de composants hétérogènes, ce qui rend l'optimisation topologique globale très couteuse en calcul. En fournissant un critère physique unique pour repartir l'effort d'optimisation composant par composant, cette méthode vise a rendre l'allègement systémique praticable a l'échelle industrielle, un intérêt direct pour les concepteurs de bras robotiques, d'exosquelettes ou de châssis d'AMR qui cherchent a réduire le poids embarque sans multiplier les cycles de simulation complets. Ce travail s'inscrit dans la lignée des recherches en conception mécanique cherchant a dépasser l'optimisation topologique classique, traditionnellement menée pièce par pièce sans vision système, faute de critère de répartition de l'effort. Aucun partenaire industriel ni déploiement sur un produit commercial n'est mentionne: il s'agit d'une contribution méthodologique publiée en preprint, validée sur un cas d'école plutôt que sur un robot en production, et aucun acteur français ou européen n'y figure. Les suites logiques, non précisées par les auteurs, seraient une validation sur des structures robotiques réelles a plus grande échelle et une comparaison chiffrée avec les méthodes d'optimisation topologique existantes.

Recherche❖Paper

1 source

34

2405arXiv cs.RO 

EMERGE-Policy : un esprit robotique qui dépasse la politique unique

Publié fin août 2026 sur arXiv (2608.29896v1), EMERGE-Policy propose un cadre agentique structuré en graphe pour piloter un robot, en rupture avec l'idée d'une politique unique. Un Agent Principal conserve l'état de la tâche dans sa fenêtre de contexte, pendant que des Sous-Agents dédiés à la perception, à la surveillance de l'exécution, à la vérification et à la mémoire travaillent dans des contextes isolés et ne remontent que des preuves pertinentes. Une interface de "Skills" unifie des modules hétérogènes en trois familles, Opérationnelle, Imagination et Évaluation, avec vérification par critères, diagnostic textuel des échecs et récupération par "Branch Stack", le tout appuyé par une mémoire externe économe en tokens. Sans fine-tuning additionnel, les auteurs annoncent des résultats supérieurs sur plusieurs benchmarks publics et des essais sur robot réel, sans toutefois préciser dans l'abstract les benchmarks, scores ou matériel utilisés. La démarche rompt avec le paradigme dominant du modèle vision-langage-action (VLA) unique entraîné de bout en bout, popularisé par des familles comme Pi-0, GR00T ou Helix, en traitant ces modèles comme de simples "skills" appelables par un orchestrateur multi-agent plutôt que comme la politique elle-même. Elle transpose au contrôle robotique des techniques déjà courantes chez les agents LLM: agent principal, sous-agents spécialisés, mémoire externe, vérification par critères. Pour les intégrateurs, l'enjeu est la fiabilité en conditions réelles: si la robustesse vient de l'orchestration et de l'auto-vérification plutôt que d'un modèle toujours plus gros, cela offrirait une voie pour corriger les échecs sans réentraîner le modèle de base, une réponse directe à l'écart persistant entre démonstrations et déploiement reproché aux VLA. Le travail s'inscrit dans une tendance plus large de transfert des architectures d'agents LLM, orchestration multi-agents, appel d'outils, mémoire persistante, vers la robotique, alors que les modèles de fondation VLA (RT, OpenVLA, GR00T N2, Pi-0, Helix) sont devenus la recette par défaut pour la manipulation chez les humanoïdes. L'article ne mentionne aucune institution ni entreprise porteuse du projet et reste une prépublication non revue par les pairs. EMERGE-Policy est donc pour l'instant une proposition de recherche, pas un système déployé ou commercialisé, dont les résultats appellent une évaluation indépendante avant toute extrapolation industrielle.

Recherche❖Paper

1 source

34

2406arXiv cs.RO 

Motus2 : un modèle du monde général auto-évolutif pour la manipulation dextérique

Un article déposé sur arXiv fin août 2026 (arXiv:2608.30237) présente Motus2, un modèle du monde pour la manipulation dextre. Plutôt que d'ajouter une simple tête d'action à un simulateur, il repose sur un seul réseau à poids partagés exposant trois interfaces : une politique qui propose des séquences d'actions, un simulateur qui en prédit les conséquences visuelles, et un évaluateur qui juge ces prédictions, le tout formant une boucle fermée de décision et d'apprentissage. L'entraînement combine démonstrations expertes triées et interactions ratées, réutilisées comme signal pour la dynamique et la valeur. Les données montent en échelle, de vidéos égocentriques monoculaires vers des données stéréo puis des trajectoires robotiques réelles, avec retour tactile et instanciation sur une plateforme biomimétique à deux bras et deux mains dextres. Aucun chiffre de charge utile, de temps de cycle ou de taux de réussite n'est fourni. L'enjeu est de dépasser un défaut classique des modèles du monde robotiques, la déconnexion entre prédiction et apprentissage utile. En unifiant politique, simulateur et évaluateur, Motus2 vise une boucle d'auto-amélioration où le robot apprend aussi de ses échecs, non plus seulement de démonstrations humaines coûteuses à collecter à grande échelle, un frein connu pour les modèles vision-langage-action comme Pi-0 ou GR00T N2. Si l'approche se confirme au-delà du papier, elle réduirait la dépendance à la téléopération massive. L'absence de métriques chiffrées dans le résumé invite toutefois à la prudence, il s'agit d'une proposition architecturale, non d'un résultat comparé publiquement à l'état de l'art. Ce travail s'inscrit dans la vague des modèles du monde appliqués à la robotique généraliste, où les laboratoires opposent depuis 2025 approches génératives pures et architectures hybrides combinant simulation et politique. Motus2 se distingue par le partage total des poids entre ses trois fonctions et l'usage explicite des échecs comme signal d'apprentissage. Le choix d'une plateforme bimanuelle à mains dextres et retour tactile vise la manipulation fine plutôt que la seule locomotion humanoïde. L'article ne précise ni laboratoire d'origine ni calendrier de déploiement pilote, à ce stade Motus2 reste un jalon de recherche en préprint, dont la validation empirique reste à documenter.

IA physique❖Paper

1 source

33

2407arXiv cs.RO 

Apprentissage de la traversée agile de structures 3D éparses par des humanoïdes grâce à la perception

Les chercheurs à l'origine de la publication arXiv 2608.29769, mise en ligne fin août 2026, présentent un système de contrôle perceptif pour robot humanoïde capable de traverser des structures 3D éparses de type barres de singe (monkey bars). Le robot doit sauter pour agripper la structure, se déplacer de barre en barre par brachiation, puis atterrir en sécurité. La politique de contrôle, entraînée par apprentissage par renforcement, exploite directement les données brutes d'un lidar solid-state monté sur la tête, traitées par un encodeur à mécanisme d'attention couplé à une mémoire récurrente pour extraire la géométrie utile de retours lidar clairsemés. L'entraînement suit un pipeline enseignant-élève séquencé par phases, combinant des experts privilégiés spécialisés pour le saut initial, la brachiation et l'atterrissage. Le transfert vers le matériel réel intègre la modélisation du bruit lidar, de la chute de tension de la batterie et des limites thermiques des actionneurs, le robot étant équipé de crochets passifs en guise d'effecteurs pour une prise fiable sur les barres. Sur le matériel, la politique complète la séquence saut-brachiation-atterrissage dans 14 essais sur 15, sur trois configurations de barres différentes, avec des vitesses de brachiation atteignant 0,5 m/s. Le même socle de perception permet aussi d'entraîner séparément une politique capable de se baisser sous des obstacles suspendus fins, avec des sections de seulement 2 cm. Ce travail illustre un déplacement du curseur dans la recherche en robotique humanoïde: au-delà de la marche sur sol plat, l'enjeu devient la traversée de terrains épars et suspendus, difficiles à percevoir avec un lidar dont les retours sont peu denses sur des géométries fines. Le taux de réussite de 14/15, bien que sur seulement trois configurations testées et non en environnement réel diversifié, constitue une preuve tangible que le transfert simulation-vers-réel peut fonctionner pour du contrôle dynamique du corps entier conditionné par la perception, y compris en tenant compte de contraintes matérielles concrètes comme la dérive de tension batterie ou l'échauffement des actionneurs. Pour les intégrateurs et décideurs du secteur, ce résultat reste un signal de recherche plutôt qu'une brique produit: il valide une approche technique (RL perceptif basé lidar avec encodeur attentionnel) mais ne dit rien des coûts, de la robustesse en conditions non contrôlées, ni d'un calendrier de commercialisation. Le papier s'inscrit dans une dynamique plus large de la recherche en locomotion agile pour humanoïdes, où les capacités testées glissent progressivement de la marche et de la course vers des compétences proches du parkour: sauts précis, franchissement d'obstacles suspendus, préhension dynamique. Le résumé ne précise pas l'affiliation des auteurs ni de partenariat industriel, et aucun acteur français ou européen n'est mentionné dans cette publication. Les prochaines étapes attendues pour ce type de travaux incluent l'élargissement à des configurations de barres plus variées et des tests en environnements moins contrôlés, avant d'envisager une application à des scénarios concrets comme l'inspection ou la navigation en environnement encombré.

Recherche❖Paper

1 source

33

2408arXiv cs.RO 

VeloBins : vitesse et incertitude estimées par classes et gaussiennes liées à l'erreur, en odométrie inertielle aérienne

Un article déposé sur arXiv sous la référence 2608.29720v1 présente VeloBins, une méthode d'odométrie inertielle pour drones qui traite l'estimation de la vitesse comme une classification sur des intervalles de vitesse discrétisés plutôt que comme une régression. La vitesse est déduite de l'espérance de cette distribution et l'incertitude de sa variance, ce qui évite un second décodeur dédié à l'incertitude ; celle-ci est en outre supervisée par une étiquette gaussienne centrée sur la vitesse réelle, dont l'écart-type égale l'erreur mesurée. Testée sur quatre jeux de données aériens, des vols acrobatiques en trajectoire libre à un nano-quadricoptère de 27 grammes et des courses de drones à plus de 21 m/s, la méthode réduit l'erreur de vitesse de 3 à 27 %, l'erreur de trajectoire relative de 8 à 40 % et l'erreur de trajectoire absolue de 6 à 53 % par rapport à la meilleure référence testée. Le code ne sera publié qu'après acceptation de cette prépublication, non encore revue par les pairs. Pour les concepteurs de systèmes de navigation embarqués, ce travail répond à un problème concret : les caméras perdent en fiabilité lors de manœuvres agressives ou en faible luminosité, rendant l'IMU indispensable sur les drones de course et les nano-drones à charge utile minimale. Le résultat le plus notable porte sur l'incertitude : le modèle atteint la meilleure cohérence dans un filtre de Kalman étendu et la plus faible log-vraisemblance négative, sans jamais optimiser directement de perte NLL, contrairement aux méthodes concurrentes bâties autour de ce critère. Cela suggère qu'une supervision indirecte calibre mieux l'incertitude que l'optimisation directe jusqu'ici jugée nécessaire, un point utile pour toute équipe concevant une fusion capteurs fiable en environnement sans GPS. Les méthodes classiques d'odométrie inertielle intègrent directement les mesures de l'IMU et dérivent rapidement sous l'effet du bruit accumulé. Les approches récentes par apprentissage corrigent ce défaut en fusionnant des a priori de mouvement appris dans un filtre de Kalman étendu, mais peinent à estimer une incertitude fiable sans décodeur séparé ni perte NLL, complexité que VeloBins vise justement à éliminer. L'article ne précise pas l'affiliation des auteurs, et le code ne sera diffusé qu'après acceptation, ce qui situe ce travail au stade de la recherche plutôt que du produit déployé.

Recherche❖Paper

1 source

29

2409arXiv cs.RO 

Enseigner des politiques robotiques aux humains par l'exemple d'erreurs

Des chercheurs ont publié le 29 août 2026 sur arXiv (arXiv:2608.29023v1) une étude proposant d'enseigner les politiques comportementales des robots aux humains via des exemples erronés, une méthode empruntée aux sciences de l'éducation. Le principe: au lieu de montrer uniquement des démonstrations correctes du comportement d'un robot, les chercheurs exposent les participants à des démonstrations incorrectes que ceux-ci doivent identifier, corriger et expliquer à voix haute. L'équipe a mené une étude utilisateurs dans laquelle les participants observaient des actions robotiques erronées, prédisaient et corrigeaient les actions pour les aligner sur la politique réelle, puis étaient testés sur leur rétention de cette politique dans le temps. Les auteurs ont aussi classé les participants selon des styles d'apprentissage distincts, montrant que ceux adoptant un raisonnement proche de l'apprentissage par renforcement inverse (inverse reinforcement learning) obtenaient les meilleurs résultats sur les tâches de prédiction. Pour l'industrie robotique, ce travail s'attaque à un problème concret et souvent sous-estimé: la transparence des politiques robotiques reste un frein majeur à la collaboration homme-robot en usine ou en entrepôt, où les opérateurs doivent anticiper le comportement d'un bras ou d'un AMR sans en comprendre le fonctionnement interne. Une méthode de formation validée empiriquement, plutôt qu'un simple manuel ou une démonstration passive, pourrait réduire le temps d'intégration des équipes humaines travaillant aux côtés de robots et limiter les erreurs de confiance mal calibrée. L'étude reste toutefois de portée limitée (un seul protocole expérimental, pas de déploiement industriel réel) et ne doit pas être lue comme une solution prête à l'emploi. Ce travail s'inscrit dans la continuité des recherches en human-robot collaboration axées sur les explications par démonstration, un champ qui peine depuis des années à identifier une méthode pédagogique universellement efficace selon les domaines, niveaux de difficulté et profils d'apprenants. En s'appuyant explicitement sur la pédagogie des exemples erronés utilisée en classe, les auteurs cherchent à enrichir la boîte à outils des concepteurs de systèmes homme-robot, avec pour prochaine étape l'extension de cette approche à d'autres tâches et populations d'utilisateurs.

Recherche❖Paper

1 source

28

2410arXiv cs.RO 

Apprentissage coopératif en ligne asynchrone pour le contrôle multi-robots sous contraintes de délais de calcul

Des chercheurs proposent une stratégie d'apprentissage coopératif asynchrone pour le contrôle de systèmes multi-robots opérant sous des délais de calcul hétérogènes, décrite dans un article publié le 29 août 2026 sur arXiv (arXiv:2608.29562v1). L'approche s'appuie sur des modèles de régression par processus gaussiens (GP), largement utilisés en robotique multi-agents pour leur capacité à quantifier de façon interprétable l'incertitude des prédictions face aux perturbations externes et aux modèles dynamiques imprécis. Les agents échangent leurs inférences GP locales avec leurs voisins et les agrègent via des stratégies GP distribuées, mais les méthodes existantes ignorent généralement les écarts de puissance de calcul entre agents, qui génèrent des délais variables et des divergences dans les points de requête. Les auteurs introduisent une méthode d'agrégation asynchrone tenant compte explicitement de la précision des prédictions, des variations de points de requête et des effets de délai, couplée à une loi de contrôle distribuée basée sur un système multi-agents adjoint. La validation est réalisée uniquement en simulation, sur des véhicules de surface sans pilote (unmanned surface vehicles), sans déploiement matériel réel. Cette contribution s'adresse directement à un point de friction connu dans le déploiement de flottes robotiques coopératives : les architectures d'apprentissage distribué supposent souvent, à tort, une synchronisation parfaite entre agents, une hypothèse qui s'effondre dès que les unités embarquent du matériel de calcul hétérogène ou traitent des tâches de complexité variable, un scénario courant en logistique, en inspection ou en surveillance maritime multi-drones. En documentant des gains substantiels de performance d'apprentissage et de contrôle face à des délais asynchrones, comparé aux approches existantes, les auteurs apportent un argument technique en faveur de flottes robotiques hétérogènes plutôt qu'homogènes, un critère de conception pertinent pour les intégrateurs qui doivent mixer du matériel de générations différentes sans reconstruire leur pile logicielle de coordination. Ces travaux s'inscrivent dans un courant de recherche en contrôle robuste multi-agents qui cherche à combiner apprentissage automatique calibré et garanties de performance, un compromis traditionnellement difficile à tenir en robotique de sécurité critique. L'absence de comparaison nommée avec des concurrents industriels ou des laboratoires spécifiques, et le caractère strictement académique et simulé de la validation, signalent qu'il s'agit d'une contribution méthodologique amont plutôt que d'une brique prête à intégrer. La prochaine étape naturelle, non abordée dans l'article, serait une validation sur plateforme physique multi-robots afin de confirmer que les gains observés en simulation résistent aux conditions réelles de communication et de calcul embarqué.

Recherche❖Paper

1 source

41

2411Pandaily 

SynapX mise sur le "cerveau et la main" pour l'aube du travail en silicium

À l'occasion de la World Robot Conference 2026, la startup chinoise SynapX a présenté une offre construite autour de trois lignes de produits plutôt qu'un robot humanoïde complet : SYNWorld, un modèle du monde nativement conçu pour l'IA embarquée, lancé à un milliard de paramètres avec une nouvelle version prévue cette année et un passage annoncé vers l'échelle du trillion de paramètres l'an prochain ; OctoH-Hand, une main bionique dextre à haut nombre de degrés de liberté ; et OctoSense, un ensemble de capture de données combinant bandeau fisheye, bracelet EMG et gant exosquelette pour enregistrer vision à la première personne, posture et forces exercées par des opérateurs humains en situation de travail normale. Fondée il y a sept mois seulement, SynapX a déjà levé environ un milliard de yuans et atteint une valorisation de licorne. Son fondateur et PDG, Du Dalong, ancien sixième employé de Horizon Robotics et ancien membre du laboratoire de deep learning de Baidu, défend une thèse simple : les deux briques essentielles de l'IA incarnée ne sont pas le corps du robot mais un « cerveau » généraliste et une « main » capable d'agir causalement sur le monde physique. L'entreprise ne fabrique ni robot complet ni scénario applicatif ; elle se positionne comme fournisseur de couche de base, vendant cerveau, main et plateforme de développement aux entreprises qui construisent des produits incarnés, sous l'étiquette d'une « main-d'œuvre silicium de niveau collège » entraînable directement sur le terrain. Cette approche déplace la compétition humanoïde du corps complet vers les composants critiques. Du Dalong situe le « moment ChatGPT » de l'IA incarnée au jour où un robot confectionnera un hamburger mieux qu'un humain, tâche qui exige contrôle fin de la force, coordination multi-doigts et détection tactile précise ; il place cette échéance à un ou deux ans, et note que Tesla consacrerait environ la moitié de son budget de recherche matérielle à la main d'Optimus. Ce chiffre, avancé par le fondateur sans source vérifiable indépendante, illustre surtout un consensus émergent dans le secteur : le goulot d'étranglement n'est plus la locomotion mais la manipulation dextre fine, ce que d'autres approches par apprentissage vidéo pur peinent encore à résoudre. La stratégie de données de SynapX, capter couple, pression et toucher via télé-opération humaine plutôt que par simple imitation vidéo, vise justement ce manque. Il s'agit toutefois d'une annonce de positionnement et d'une feuille de route, pas d'un produit livré ni d'un déploiement industriel vérifié. Le pedigree de Du Dalong, chez Horizon Robotics puis Baidu, explique la vitesse de levée de fonds et la crédibilité technique accordée à SynapX dès sa création. En choisissant de vendre des briques plutôt qu'un robot fini, l'entreprise se distingue des approches intégrées verticalement comme Optimus de Tesla, et se rapproche davantage d'acteurs de modèles vision-langage-action génératifs tels que Pi-0 de Physical Intelligence, GR00T N2 de Nvidia ou Helix de Figure AI, qu'elle concurrence sur le terrain du cerveau plutôt que sur celui du corps. Les prochaines étapes annoncées restent pour l'instant limitées à la feuille de route technique de SYNWorld, sans pilote client ni calendrier de déploiement précisés.

Chine/Asie❧Opinion

1 source

42

2412Robotics Business Review 

Skild AI dévoile S1, son modèle fondation phare pour la robotique

Skild AI a dévoilé S1, son modèle de fondation robotique phare, conçu pour l'apprentissage en contexte : une vidéo d'un humain réalisant une tâche, ajoutée au prompt, suffit au robot pour la reproduire sans réentraînement, explique le cofondateur et PDG Deepak Pathak. Fondée en 2023, la start-up a levé près de 1,7 milliard de dollars pour bâtir ce "cerveau" robotique généraliste. S1 cible des tâches longues, jusqu'à dix minutes, comme rempoter une plante, préparer un café ou cuisiner des pancakes, plutôt que les gestes de quelques secondes habituellement démontrés. Il combine quatre sources de données d'entraînement, téléopération, vidéos humaines, simulation et gants de capture de mouvement, chacune compensant les limites des autres. Pathak affirme que le robot a improvisé le retournement d'une crêpe à la spatule sans aucun exemple de ce geste dans ses millions d'heures de données d'entraînement, en généralisant à partir de la seule vidéo du prompt. Le modèle est dit "omni-corps", fonctionnant sur bras fixes, quadrupèdes et humanoïdes. Cette annonce s'inscrit dans le débat sur un éventuel "moment ChatGPT" de la robotique, où un modèle de fondation unique remplacerait le post-entraînement tâche par tâche qui freine aujourd'hui le passage à l'échelle des déploiements. Si ces résultats se confirment sur des tâches longues et non scriptées, ils contrediraient l'idée que l'apprentissage en contexte ne fonctionne que sur des gestes courts déjà vus en simulation. Pour les intégrateurs, un modèle apprenant par une seule vidéo démonstrative réduirait le coût de reconfiguration des robots face à de nouvelles lignes ou de nouvelles références produits. Skild AI n'a toutefois publié ni protocole de test indépendant, ni taux de réussite chiffré, ni durée de cycle précise : ces démonstrations restent une vitrine contrôlée plutôt qu'un produit validé en conditions industrielles. L'entreprise reconnaît elle-même que ses résultats sur humanoïdes, capables de continuer une tâche après la perte d'un membre, proviennent d'une version antérieure du modèle, pas encore mise à l'échelle. Skild AI a été cofondée en 2023 par Deepak Pathak et Abhinav Gupta, chercheurs issus de Carnegie Mellon, avec l'ambition de vendre un modèle de fondation indépendant du matériel plutôt que de construire son propre robot. Ses près de 1,7 milliard de dollars levés en font l'un des acteurs les mieux capitalisés du secteur, aux côtés de rivaux développant leurs propres modèles vision-langage-action, comme Pi-0 de Physical Intelligence, GR00T N2 de NVIDIA ou Helix de Figure AI, tandis que des humanoïdes comme Optimus ou Figure 03 restent pilotés par des piles logicielles propriétaires intégrées verticalement. Contrairement à ces approches liées à un matériel spécifique, Skild positionne S1 comme une couche logicielle tierce, applicable à des plateformes existantes. L'entreprise dit vouloir concentrer ses prochains efforts sur l'amélioration de S1 sur humanoïdes, sans donner de calendrier de déploiement pilote ni de client industriel nommé à ce stade.

IA physique⚡Actu

1 source

28

2413Robotics Business Review 

Comment de meilleures pinces peuvent libérer le potentiel de l'IA physique

OnRobot, fabricant danois d'outillage pour bras robotiques et cobots, publie une analyse sur le rôle des préhenseurs dans le développement de la "physical AI", cette approche où des modèles d'IA entraînés sur de vastes jeux de données permettent aux robots de percevoir, d'agir et de s'adapter avec moins d'ingénierie spécifique à chaque tâche. Le texte identifie trois exigences critiques pour l'outillage en bout de bras, ou end-of-arm tooling (EOAT) : la capacité à absorber la variabilité réelle des pièces en taille, forme, matériau et positionnement, une couche d'exécution fiable capable de confirmer par retour de force qu'une prise a bien été réalisée, et l'importance de données riches en contact, force, friction, glissement, déformation, que la simulation et la vision seules ne peuvent reproduire. En exemple, OnRobot cite son propre préhenseur RG2-FT, déjà à son catalogue, qui combine une pince avec des capteurs de force/couple et de proximité intégrés au bout des doigts, utilisé pour la manipulation délicate, les transferts de pièces, l'insertion et l'alignement en conditions incertaines. L'argument central est que l'intelligence d'un modèle ne vaut que ce que vaut le matériel qui l'exécute : un système peut inférer qu'un objet doit être saisi, mais c'est le préhenseur physique qui doit établir le contact, appliquer la bonne force et détecter un échec de prise, à chaque cycle. Venant d'un fabricant de grippers, cette prise de position vise à recentrer un débat souvent focalisé sur les modèles fondation et les architectures VLA, à l'image de Pi-0, GR00T N2 ou Helix, vers une couche d'exécution mécanique trop souvent négligée. Elle pointe un angle mort réel du secteur : simulation et vision, sur lesquelles repose l'essentiel de l'entraînement actuel des politiques robotiques, ne capturent pas la dynamique de contact, ce qui explique une partie de l'écart persistant entre démonstrations en laboratoire et fiabilité en production. Pour les intégrateurs et décideurs industriels, le message revient à dire que le choix du gripper et de ses capteurs pèse autant que celui du modèle embarqué. OnRobot évolue sur le marché des cobots aux côtés d'acteurs comme Schunk, Robotiq ou Zimmer Group, et ce texte s'inscrit dans une opération de communication autour du salon nord-américain RoboBusiness 2026. Contrairement aux annonces de déploiement de robots humanoïdes complets telles que Figure 03 ou Optimus Gen 3 de Tesla, il ne s'agit ici ni d'un nouveau produit ni d'une date de lancement, mais d'un contenu de positionnement destiné à faire valoir l'expertise historique d'OnRobot en préhension face à des startups de physical AI davantage centrées sur le logiciel. Aucun acteur français ou européen, tel Wandercraft, Exotec, Pollen Robotics ou Enchanted Tools, n'est mentionné dans cet article.

IA physique⚡Actu

1 source

42

2414Robotics Business Review 

Reframe Systems lève 40 millions de dollars pour développer ses microusines robotisées de construction de maisons

Reframe Systems, entreprise de robotique fondée en 2022 à Somerville (Massachusetts) par trois anciens responsables d'Amazon Robotics, Vikas Enti, Felipe Polido et Aaron Small, a annoncé une levée de 40 millions de dollars menée par Energy Impact Partners, avec la participation de Counterpart Ventures, E12 Ventures, Global Brain, Thin Line Capital, Up Partners, LACI Impact Fund et des investisseurs historiques Eclipse, VoLo Earth, Cubit Capital, RA Capital Management, MassMutual Catalyst et Nor'easter. La société combine robotique et un logiciel baptisé Pixels to Parts au sein d'un réseau de "microfactories" pour industrialiser la construction de maisons. Elle ouvrira le 5 octobre sa nouvelle usine FAB1 à Billerica, dans le Massachusetts, opérationnelle en seulement 70 jours après la remise des clés, pour un investissement en équipement inférieur à 5 millions de dollars ; elle visera une capacité annuelle de 500 logements multifamiliaux ou 250 maisons individuelles. Reframe a livré à ce jour 10 maisons, dont huit déjà habitées, et prévoit d'en livrer 114 de plus dans l'année. Parmi ses chantiers en cours figurent 12 unités à Adams Circle (Devens, Massachusetts), un immeuble de cinq étages à Roxbury, un projet à Thornton (New Hampshire), ainsi qu'un bungalow et un ADU résistants aux incendies à Altadena, en Californie, pour une famille sinistrée par les feux. L'entreprise revendique un objectif révisé d'un million de logements construits dans le monde d'ici 2040, cinq ans plus tôt que prévu initialement. Cette annonce illustre la montée en puissance d'un segment encore restreint de la robotique appliquée à la construction, un secteur historiquement fragmenté où une maison mobilise généralement 25 sous-traitants ou plus, sur fond de pénurie de main-d'œuvre qualifiée et d'un déficit estimé à 4,5 millions de logements aux États-Unis. L'approche de Reframe consiste à répliquer des usines automatisées de taille modeste près des zones à construire, plutôt qu'à centraliser la production, afin de s'adapter aux règles d'urbanisme, au climat et aux styles architecturaux locaux. Pour les intégrateurs et décideurs industriels, le signal à retenir est la vitesse de déploiement annoncée d'une usine (70 jours) et son faible ticket d'équipement (moins de 5 millions de dollars), des chiffres qui restent toutefois à confirmer sur la durée puisque FAB1 n'a pas encore démarré sa production. Les délais de construction mis en avant, comme un immeuble de trois étages à Somerville livré en 180 jours, doivent aussi être lus comme des cas ponctuels plutôt que comme une moyenne industrielle validée à grande échelle. Reframe s'inscrit dans une vague d'entreprises cherchant à appliquer l'automatisation et l'IA physique à des secteurs traditionnellement artisanaux comme le bâtiment, à l'image de ce que d'autres acteurs tentent dans la logistique ou l'industrie manufacturière. Les trois fondateurs mettent en avant leur expérience chez Amazon Robotics pour légitimer leur promesse d'apprentissage cumulatif, chaque maison livrée devant rendre la suivante plus rapide et moins coûteuse à produire grâce aux retours croisés entre logiciel, robotique et réseau d'usines. Les prochaines étapes annoncées incluent la montée en cadence de FAB1 dès octobre et l'extension du réseau de microfactories à travers l'Amérique du Nord, sans calendrier précis communiqué au-delà de l'objectif 2040.

Business⚡Actu

1 source

35

2415Interesting Engineering 

Vidéo : un robot souple à infrarouge saute en continu et se réinitialise seul

Des chercheurs de la North Carolina State University ont mis au point un robot souple, en forme de goutte d'eau, capable de sauter en continu sous l'effet d'une simple exposition à la lumière infrarouge, sans moteur, batterie ni mécanisme externe de réarmement. Le système repose sur un anneau en élastomère à cristaux liquides à réponse photothermique, associé à une queue rigide en forme de V. Sous infrarouge, l'élastomère se contracte et fait vriller l'anneau souple ; la queue en V contraint ce mouvement, ce qui accumule de l'énergie élastique jusqu'à un seuil critique, où la queue claque contre le sol et projette le robot dans les airs. Pendant le vol, l'anneau se détord naturellement et retrouve sa configuration initiale, ce qui réarme le mécanisme sans intervention extérieure et permet au cycle de se répéter tant que l'éclairage infrarouge est maintenu. L'angle de la queue en V détermine le mode de déplacement : 120 degrés pour ramper, 90 degrés pour des sauts vers l'avant, environ 50 degrés pour des sauts verticaux. En décalant le centre de masse vers l'extrémité arrondie, les chercheurs ont obtenu des sauts directionnels plus puissants et plus stables. Selon l'équipe, les versions optimisées atteignent des sauts verticaux dépassant 80 fois la hauteur du robot et des bonds horizontaux de plus de trois fois sa longueur, avec des essais réussis sur pentes, obstacles, herbe, sable, roches, paillis et interfaces eau-terre. L'intérêt de cette approche tient à l'absence totale d'électronique embarquée, de moteurs ou de systèmes de contrôle complexes pour produire un mouvement répétitif et autonome, ce qui tranche avec la plupart des robots sauteurs classiques qui nécessitent un actionneur dédié pour se réarmer après chaque bond. Pour l'industrie de la robotique souple, cela illustre une voie alternative où la géométrie du matériau encode directement le comportement locomoteur, réduisant le poids, le coût et la complexité de commande, des critères clés pour des essaims de mini-robots ou des dispositifs jetables destinés à des environnements difficiles d'accès. Cette démonstration reste toutefois un résultat de laboratoire, sans lien avec les architectures VLA ou les plateformes humanoïdes qui dominent l'actualité robotique commerciale actuellement ; il s'agit d'une avancée en science des matériaux et en robotique molle, pas d'un produit prêt à être déployé. Le travail s'inscrit dans un courant de recherche plus large sur les élastomères à cristaux liquides, des matériaux déjà étudiés pour des applications d'actionnement souple déclenché par la lumière ou la chaleur, mais rarement combinés à un mécanisme mécanique de stockage et de libération d'énergie aussi simple. L'équipe de NC State a modélisé mathématiquement la dynamique de torsion, de claquement et de saut pour caractériser et optimiser le système. Aucun calendrier de commercialisation, de partenariat industriel ou d'essai sur le terrain n'a été communiqué : les chercheurs évoquent des pistes d'exploration future comme la navigation environnementale, la robotique en essaim ou le déplacement autonome sur terrains non structurés, sans détailler de prochaine étape concrète au-delà de la publication scientifique.

Recherche❖Paper

1 source

41

2416Interesting Engineering 

Vidéo : le Berkeley Humanoid Lite imprimé en 3D ouvre une voie moins coûteuse pour construire des robots

Des chercheurs de l'université de Californie à Berkeley ont présenté le Berkeley Humanoid Lite, un robot humanoïde open source conçu pour réduire drastiquement le coût d'entrée dans la robotique humanoïde. Haut de 0,8 mètre et pesant environ 16 kilogrammes (35 livres), l'engin peut être construit pour moins de 5 000 dollars aux prix du marché américain, pièces imprimées en 3D comprises. Son cœur est un actionneur maison combinant un moteur brushless DC, un réducteur cycloïdal imprimé en PLA et un encodeur de position magnétique, le tout fabriqué sur une imprimante FDM de bureau standard, chaque pièce tenant dans un volume de 200 x 200 x 200 millimètres. Deux tailles d'actionneurs sont utilisées : le modèle 6512, à environ 188 dollars, et le 5010, à environ 136 dollars, le robot complet en embarquant dix grands et douze petits. Les tests menés par l'équipe montrent une efficacité mécanique d'environ 90 % dans la plupart des conditions, une stabilité maintenue sur un essai d'endurance de 60 heures malgré une usure progressive du jeu mécanique, et une erreur de suivi de couple inférieure à 0,5 Nm sur six actionneurs fabriqués avec deux imprimantes différentes. Le contrôle repose sur un mini PC Intel N95 et une centrale inertielle embarquée, avec un contrôleur par apprentissage par renforcement entraîné en simulation et transféré directement sur le robot physique pour la marche. Une téléopération via des contrôleurs SteamVR permet aussi d'exécuter des tâches comme écrire, déplacer des objets, emballer des cartons ou résoudre un Rubik's Cube. L'intérêt de ce projet n'est pas de rivaliser avec les humanoïdes commerciaux à plusieurs dizaines ou centaines de milliers de dollars, mais d'offrir aux laboratoires universitaires, hobbyistes et développeurs une plateforme de référence bon marché et modifiable, plutôt qu'un produit fini. Chaque actionneur étant autonome et ne nécessitant que de l'alimentation et une communication CAN, la structure peut être reconfigurée en robot bipède, quadrupède, centaure ou base mobile, voire agrandie en version taille adulte. C'est surtout une validation supplémentaire que l'apprentissage par renforcement entraîné en simulation peut se transférer efficacement à du matériel low-cost et imprimé en 3D, un signal utile pour la recherche académique en contrôle locomoteur, indépendamment des plateformes propriétaires. Le projet s'inscrit dans la lignée des travaux robotiques de Berkeley et dans la mouvance plus large du matériel robotique open source, à contre-courant des humanoïdes fermés développés par les grands acteurs commerciaux du secteur. Les chercheurs reconnaissent que les effets à long terme de la chaleur sur les pièces imprimées en 3D restent à approfondir, ce qui laisse ouverte la question de la durabilité du système au-delà des essais de laboratoire déjà menés.

Recherche❖Paper

1 source

42

2417Robot Magazine FR 

Robotique : quand une erreur d’IA devient un risque physique

La revue scientifique Safety Science a publié en 2025 une étude portant sur 303 rapports d'accidents liés aux interactions entre humains et robots, dont ressortent sept grandes catégories d'incidents. Deux causes dominent particulièrement l'analyse : les activations inattendues des machines et les erreurs de capteurs, deux défaillances qui touchent directement au cœur de ce que l'industrie appelle désormais la Physical AI, c'est à dire l'intelligence artificielle appliquée au pilotage de bras robotiques, de robots mobiles et, à terme, d'humanoïdes. En parallèle, l'agence américaine OSHA a recensé 550 incidents impliquant des robots dans le secteur manufacturier : 33 % des victimes ont nécessité une prise en charge aux urgences et 2 % ont donné lieu à une hospitalisation, avec des blessures allant des coupures et contusions aux fractures. La maintenance et le nettoyage des robots ressortent comme des phases particulièrement exposées. Ces chiffres ne peuvent pas tous être attribués à l'intelligence artificielle, mais ils documentent ce qui se produit déjà lorsque humains et machines capables de mouvements puissants partagent un même espace de travail. Ce changement de nature du risque a des conséquences directes pour les intégrateurs et les décideurs industriels. Un logiciel classique suit une logique déterministe et prévisible ; un système de Physical AI interprète son environnement en temps réel et adapte ses actions, ce qui constitue précisément sa valeur ajoutée mais aussi sa faille de sécurité. Une erreur de perception, par exemple une caméra qui identifie mal un objet ou une scène, ne produit plus une donnée erronée mais un mouvement physique incorrect, potentiellement dangereux pour un opérateur présent sur la trajectoire. Cela contredit l'hypothèse implicite selon laquelle les progrès des modèles vision-langage-action (VLA) suffiraient à rendre les robots plus sûrs à mesure qu'ils deviennent plus autonomes : l'autonomie de décision ajoute une variable difficile à certifier et à auditer, un enjeu central pour toute entreprise qui envisage de déployer des humanoïdes ou des robots collaboratifs en usine ou en entrepôt. Cette question s'inscrit dans la montée en puissance rapide des humanoïdes et robots mobiles pilotés par IA générative, portée par des acteurs comme Figure, Tesla avec Optimus, ou les développeurs de modèles VLA de type Pi-0 ou GR00T. Face à cette course au déploiement, la sécurité fonctionnelle reste largement en retrait des annonces commerciales. La prochaine étape attendue par le secteur concerne l'émergence de standards de certification spécifiques à l'IA embarquée dans des systèmes physiques, un chantier que régulateurs et industriels commencent tout juste à ouvrir.

Societe/Ethique❧Opinion

1 source

39

2418Robot Magazine FR 

Quand l’IA se trompe, le robot peut blesser

Une étude publiée en 2025 dans la revue Safety Science a passé en revue 303 rapports d'accidents impliquant des interactions entre humains et robots, identifiant sept grandes catégories d'incidents dont deux ressortent particulièrement : les activations inattendues de robots et les erreurs de capteurs. Ces données rejoignent celles de l'OSHA américaine, qui dans son rapport sur les accidents professionnels dans l'industrie manufacturière recense 550 incidents impliquant des robots, dont 33 % ont conduit les victimes aux urgences et 2 % à une hospitalisation, avec des blessures allant de la coupure à la fracture en passant par la contusion. La maintenance et le nettoyage des robots ressortent comme des phases particulièrement exposées. Ces chiffres ne concernent pas spécifiquement l'intelligence artificielle embarquée, mais posent le décor dans lequel s'inscrit la montée en puissance de la Physical AI, ces systèmes d'IA qui pilotent directement bras robotiques, robots mobiles ou, demain, humanoïdes, en interprétant en temps réel caméras, capteurs de proximité et données contextuelles pour décider d'un mouvement. Ce basculement change la nature du risque logiciel. Une IA qui se trompe sur un texte ou une image produit une donnée erronée ; une IA qui pilote un robot et se trompe sur l'identification d'un objet ou d'une trajectoire produit un mouvement physique, potentiellement dans l'espace occupé par un opérateur. Pour les intégrateurs et les décideurs industriels, cela déplace le problème de sécurité : les logiciels industriels classiques suivent une logique déterministe, auditable et certifiable à l'avance, alors que les nouvelles générations de robots, capables d'interpréter leur environnement et d'adapter leurs décisions en temps réel, ne permettent plus d'anticiper l'ensemble de leurs actions avec la même certitude. C'est précisément l'intérêt de ces systèmes, mais aussi leur nouveau point de fragilité : garantir la sécurité d'une machine dont les décisions ne sont plus entièrement prévisibles devient un chantier à part entière pour la certification et le déploiement en environnement partagé avec des humains, bien avant que la question ne se pose à grande échelle pour des humanoïdes en usine ou en entrepôt. Ce constat s'inscrit dans le contexte plus large de la robotique industrielle, où humains et machines aux mouvements puissants partagent déjà le même espace de travail, comme le montrent les incidents recensés par l'OSHA bien avant l'arrivée de l'IA générative embarquée. La nouveauté introduite par la Physical AI est l'ajout d'une variable supplémentaire, l'autonomie de décision de la machine elle-même, qui vient s'ajouter aux causes déjà connues d'accidents que sont l'activation inattendue, l'erreur de capteur ou la défaillance mécanique. L'étude de Safety Science et les statistiques de l'OSHA ne permettent pas d'attribuer ces accidents à des défaillances d'intelligence artificielle, une distinction que les auteurs jugent essentielle pour ne pas surestimer le risque actuel. Elles servent néanmoins de base de référence pour les travaux à venir sur la sécurité des systèmes robotiques dotés de capacités de perception et de décision autonomes, un sujet appelé à prendre de l'ampleur à mesure que les déploiements de robots pilotés par IA se multiplient dans l'industrie et la logistique.

Societe/Ethique❧Opinion

1 source

42

2419Robohub 

Quand les robots humanoïdes expressifs manquent de naturel, ils inspirent la méfiance (étude cérébrale)

Une étude publiée dans la revue Science Robotics par Hasan Ayaz (Drexel University), Ewart J. de Visser (US Air Force Academy), Frank Krueger (George Mason University) et Yigit Topoglu (US Air Force Academy) montre que les erreurs d'un robot humanoïde expressif rendent les humains plus méfiants, et non moins. Les chercheurs ont fait dialoguer et prendre des décisions communes à 50 participants avec Pepper, un robot commercial conçu pour être expressif et reconnaître les émotions. Le robot donnait tantôt des conseils pertinents, tantôt des réponses fautives, coupant la parole ou proposant des suggestions illogiques. Une partie des participants voyait un Pepper animé, avec gestes, contact visuel et hochements de tête, l'autre un robot totalement immobile. L'équipe a mesuré simultanément l'activité cérébrale, le taux d'ocytocine, la confiance déclarée et l'influence réelle du robot sur les choix des participants. Pour suivre le cerveau pendant une conversation naturelle, sans immobiliser les sujets dans un scanner IRM, les chercheurs ont utilisé la spectroscopie proche infrarouge fonctionnelle, un capteur portable placé sur le front qui mesure l'oxygénation cérébrale. Résultat central: face aux erreurs d'un robot expressif, le taux d'ocytocine augmentait, mais plus il montait, moins les participants faisaient confiance au robot et moins ils suivaient ses conseils, l'hormone traduisant ici de la suspicion plutôt que de l'attachement. Cette découverte contredit une hypothèse répandue dans la conception de robots destinés aux foyers, hôpitaux et lieux de travail: qu'un robot expressif et proche du vivant inspirerait davantage confiance et resterait crédité malgré ses erreurs. L'étude suggère l'inverse, un signal important pour les concepteurs de robots sociaux et les décideurs qui déploient ces machines en contact avec le public. L'expressivité change la manière dont le cerveau catégorise une erreur: chez un robot immobile, la faute reste perçue comme un dysfonctionnement mécanique, alors que chez un robot animé, elle mobilise les mêmes circuits que ceux utilisés pour juger le comportement d'une autre personne, avec un coût direct en confiance et en adoption. Sur le plan cérébral, les erreurs d'un robot animé activaient et faisaient travailler ensemble deux régions, le cortex préfrontal dorsolatéral, qui détecte les violations d'attente et de normes, et le cortex préfrontal médian, impliqué dans l'inférence des intentions d'autrui, cette coordination accrue prédisant la hausse d'ocytocine puis la chute de confiance. Cette signature disparaissait chez les participants exposés au robot expressionless. L'étude s'inscrit dans un courant de recherche qui traite la confiance envers les machines comme un phénomène à plusieurs niveaux, individuel, relationnel, social, et dans une littérature sur l'ocytocine jusqu'ici centrée sur les interactions humain-humain, où ses effets se révèlent dépendants du contexte, de l'incertitude perçue et de la perception de menace, ouvrant la voie à d'autres travaux sur la robotique sociale.

Recherche❖Paper

1 source

37

2420TechNode 

Et si la première IA incarnée que vous rencontriez était un robot de combat ?

La société chinoise Qianxing Intelligence commercialise un système de divertissement baptisé Iron Armor Battle Arena, dans lequel des robots humanoïdes de combat sont pilotés en temps réel par des joueurs équipés de manettes à capture de mouvement : coups, esquives, blocages et enchaînements sont retranscrits mécaniquement sur la machine, dans une arène dédiée. Chaque combat dure une à deux minutes, en duel à deux joueurs ou en mode solo contre des défis programmés. L'entreprise revendique une synchronisation "de l'ordre de la milliseconde" entre le geste du joueur et le mouvement du robot, ainsi qu'un taux de rejeu de 40 à 50%. La coque externe des machines est modulaire, ce qui permet d'habiller un même robot en skin de marque ou en thème saisonnier, et une couche vocale pilotée par IA gère commentaires de match et personnalités scriptées. Les machines sont déjà déployées en Malaisie, aux États-Unis et au Royaume-Uni, les clients internationaux représentant selon l'entreprise près de la moitié de sa base commerciale. Ce lancement illustre une voie de commercialisation alternative pour la robotique humanoïde : plutôt que l'usine ou l'entrepôt, Qianxing Intelligence cible en priorité les salles d'arcade, centres commerciaux et parcs à thème comme marché précoce et rentable. Le système repose toutefois sur une téléopération intégrale par un joueur humain, et non sur une autonomie de type modèle vision langage action : l'IA embarquée se limite à la voix et aux scénarios de jeu, pas au pilotage du robot, ce qui relativise le terme "embodied AI" employé dans la communication de l'entreprise. La prouesse technique porte surtout sur la latence de téléopération et le retour de force, pas sur une intelligence décisionnelle du robot. Le modèle économique à deux volets, partage de revenus avec les exploitants de salles en Chine et vente de systèmes complets à l'étranger complétée par des consommables, mises à jour de contenu et skins de marque, montre qu'un robot humanoïde peut être rentabilisé par le service et la propriété intellectuelle autant que par le seul matériel. Cette approche s'inscrit dans un mouvement plus large où des entreprises de robotique humanoïde cherchent des débouchés commerciaux immédiats hors de l'industrie lourde, faute de cas d'usage industriels encore matures à grande échelle. Le divertissement de proximité, arcades, parcs à thème, tourisme, offre un cycle de vente plus court que le déploiement en usine, où les exigences de fiabilité et de retour sur investissement sont plus strictes. L'expansion vers la Malaisie, les États-Unis et le Royaume-Uni traduit une stratégie d'internationalisation rapide, avec une attention affichée aux normes de sécurité et de qualité propres à chaque marché, un point sensible pour tout robot physique interagissant avec du public dans des lieux commerciaux. L'article ne précise ni les prix des systèmes ni le nombre d'unités effectivement déployées à ce jour, ce qui limite l'évaluation de la traction réelle du produit au-delà des chiffres de rejeu communiqués par l'entreprise elle-même.

Chine/Asie❧Opinion

1 source

30

2421Hackaday Robots Hacks 

Un robot pour smasher au badminton comme un pro

Le bricoleur américain Travis Mitchell a converti un bras robotique industriel Denso VS050, compact à six axes, en machine à servir des volants de badminton, en partant du modèle CAO officiel fourni par Denso. Le bras saisit un volant dans une trémie via une pince pneumatique puis l'insère entre deux disques tournant à grande vitesse qui le pincent et l'éjectent, le tout piloté par un microcontrôleur ATmega AVR (préféré à un Raspberry Pi Pico pour ses besoins en entrées-sorties) et monté sur un bureau à hauteur réglable. Après des essais en atelier puis sur un vrai terrain, la solution retenue pour les disques lanceurs combine un disque en plastique imprimé en 3D et une bande de silicone assurant l'adhérence sans se déformer. Ce prototype reste une réalisation personnelle documentée dans la communauté des makers, sans lien commercial avec Denso ni volonté affichée de production en série, mais il illustre la réutilisation croissante de bras industriels compacts et abordables, conçus pour l'usine, vers des tâches sportives de niche. Aucune intelligence artificielle de type VLA n'intervient ici : l'enjeu est purement mécatronique, avec une synchronisation fine entre préhension pneumatique et éjection à haute vitesse, et un choix de matériaux délicat pour gérer friction et usure. Cela rappelle qu'à côté de la course aux robots humanoïdes généralistes, une part de l'innovation robotique continue de se jouer à petite échelle, avec du matériel industriel standard détourné pour résoudre des problèmes très spécifiques d'entraînement sportif automatisé. Le projet résulte de plusieurs années de tâtonnements de Mitchell, le volant empenné étant plus difficile à propulser qu'une balle de tennis car il freine très vite et nécessite un lancer par pincement rotatif plutôt qu'un simple tir pneumatique. Le choix du Denso VS050, bras habituellement destiné aux lignes d'assemblage industrielles, lui a permis de bénéficier d'une cinématique déjà éprouvée plutôt que de concevoir un bras sur mesure. Aucun calendrier de déploiement en club ou en compétition n'est évoqué ; les prochaines étapes annoncées concernent surtout l'amélioration de la fiabilité du lancer et du logiciel de contrôle.

Autre≡Tuto

1 source

42

2422arXiv cs.RO 

OceanGym : un environnement de référence pour les agents incarnés sous-marins

Des chercheurs du projet OceanGPT ont publié en septembre 2025 sur arXiv (article 2509.26536, version 3) OceanGym, présenté comme le premier benchmark complet pour les agents incarnés évoluant en environnement océanique sous-marin. La plateforme couvre huit domaines de tâches réalistes et repose sur un framework d'agent unifié piloté par des modèles de langage multimodaux de grande taille (MLLM), combinant perception, mémoire et prise de décision séquentielle. Les agents testés doivent interpréter à la fois des données optiques et sonar, explorer de façon autonome des environnements complexes et mener à bien des objectifs à long horizon, dans des conditions marquées par une faible visibilité et des courants océaniques dynamiques. Le code et les données du benchmark sont mis à disposition sur GitHub, sous l'organisation OceanGPT. Les expériences menées par les auteurs montrent un écart substantiel entre les agents MLLM les plus avancés et des experts humains sur les tâches de perception, de planification et d'adaptation en milieu sous-marin, un constat qui tranche avec le discours ambiant sur la maturité des agents vision-langage-action. Pour l'industrie des véhicules sous-marins autonomes (AUV) et des ROV, ce résultat confirme que l'environnement océanique reste nettement plus exigeant que les domaines terrestre ou aérien, où des benchmarks d'agents incarnés existent déjà depuis plusieurs années. OceanGym fournit ainsi aux équipes de recherche et aux intégrateurs un outil d'évaluation standardisé pour mesurer les progrès réels des agents avant tout déploiement physique, plutôt que de se fier à des démonstrations isolées. Le milieu sous-marin figure, selon les auteurs, parmi les dernières frontières inexplorées de la Terre. Jusqu'ici, l'essentiel des benchmarks d'IA incarnée portait sur des environnements terrestres ou aériens, structurés et bien cartographiés, laissant un vide pour les usages océaniques. OceanGym s'inscrit dans la continuité du projet OceanGPT, dont l'équipe avait déjà développé des modèles de langage dédiés aux sciences océaniques, et prolonge cette démarche vers l'évaluation d'agents capables d'agir physiquement sous l'eau. Les auteurs présentent ce travail comme une étape vers le transfert de ces capacités à de véritables véhicules sous-marins autonomes déployés en conditions réelles, sans toutefois communiquer de calendrier de pilote ni de partenariat industriel à ce stade: le projet reste pour l'instant au niveau de la recherche académique en accès ouvert plutôt que du produit commercial.

Recherche❖Paper

1 source

42

2423arXiv cs.RO 

Quand les robots nous comprennent mal : les risques de sécurité de l'IA incarnée à commande vocale

Une étude publiée sur arXiv (arXiv:2608.28518v1, catégorie cross-listing) le 31 août 2026, intitulée "When Robots Mishear Us: Mapping the Safety Risks of Voice-Controlled Embodied AI", examine si les erreurs de reconnaissance vocale automatique (ASR) dans les commandes utilisateur peuvent conduire des modèles d'IA incarnée (Embodied AI) à exécuter des instructions dangereuses. Les auteurs simulent des erreurs ASR typiques et les combinent avec deux benchmarks de sécurité existants, SafeAgentBench et POEX, pour mesurer l'effet de différents types d'erreurs sur le comportement des modèles. Résultat central : certaines erreurs de transcription préservent la structure grammaticale de la phrase mais introduisent une ambiguïté qui devient dangereuse une fois exécutée par le robot, tandis que d'autres affaiblissent directement le mécanisme de refus du modèle, permettant la génération et l'exécution de plans d'action nuisibles qui auraient normalement été bloqués. La correction automatique des erreurs ASR réduit le risque dans certains cas, mais l'étude montre que cet effet n'est pas systématique. Globalement, les chercheurs concluent que les erreurs ASR constituent un facteur de risque significatif pour la sécurité des systèmes d'IA incarnée. Ce travail met en évidence une surface d'attaque souvent négligée dans la sécurisation des robots à commande vocale : le maillon de transcription lui-même, en amont du modèle de langage ou de planification. Pour les intégrateurs qui déploient des interfaces vocales sur des robots humanoïdes ou des bras manipulateurs, cela signifie qu'un audit de sécurité centré uniquement sur le comportement de refus du modèle de langage reste incomplet si le pipeline vocal en amont n'est pas testé pour sa robustesse aux erreurs de transcription. Le résultat contredit l'hypothèse implicite selon laquelle un alignement de sécurité validé sur des commandes textuelles propres garantit la sécurité en usage réel, où le bruit ambiant, les accents ou les homophones dégradent la fidélité de l'ASR, notamment dans des environnements industriels bruyants. L'article s'inscrit dans la lignée des benchmarks de sécurité pour agents incarnés comme SafeAgentBench et POEX, qui évaluaient jusqu'ici la robustesse face à des prompts textuels malveillants ou ambigus sans modéliser la couche de reconnaissance vocale. Il s'agit d'une contribution de recherche académique, sans lien avec un déploiement commercial ou un robot spécifique. Les auteurs appellent implicitement à intégrer des vérifications de sécurité cross-modales, capables de détecter les incohérences entre l'intention probable de l'utilisateur et le texte transcrit, avant toute exécution d'action physique par le robot.

Recherche⚡Actu

1 source

42

2424arXiv cs.RO 

Une année en forêt : analyse des défis de la navigation autonome en milieu subarctique

Une équipe de recherche a mené un déploiement d'un an d'un robot mobile autonome dans une forêt boréale subarctique afin d'évaluer les limites de la navigation autonome hors zones urbaines structurées. L'étude, publiée sous forme de rapport de terrain (arXiv:2608.27628), repose sur 64 kilomètres de données collectées et neuf méthodes d'odométrie, de localisation et de cartographie testées à travers les saisons. Les auteurs ont comparé des approches basées sur caméras, lidars et radars, ainsi qu'une référence proprioceptive pure, dans des conditions où le GNSS et le cloud computing sont peu fiables à cause de la canopée dense et de l'atténuation atmosphérique, imposant un traitement embarqué des données. L'expérimentation a aussi couvert une évaluation multi-saison en Teach and Repeat (T&R), combinant pipelines radar et lidar. Les résultats remettent en cause plusieurs hypothèses répandues dans le secteur robotique sur la maturité du SLAM. Les changements saisonniers, notamment les scènes visuellement répétitives et les hauts bancs de neige, dégradent significativement la performance des méthodes de pointe. Plus notable encore pour les intégrateurs : les algorithmes SLAM complexes n'apportent qu'un gain de précision limité par rapport à une simple référence proprioceptive, tout en augmentant nettement la fragilité du système. Les méthodes basées sur la vision se montrent particulièrement vulnérables aux variations saisonnières, un phénomène corrélé par les chercheurs à la dérive de position et à la distribution de confiance des features détectées. Pour la localisation inter-saisons sur carte préalable, seules les méthodes lidar ont réussi de façon fiable, tandis que radar et vision échouent souvent faute de correspondances suffisantes entre relevés, y compris au sein d'une même saison. Ce travail s'inscrit dans un contexte où la robotique autonome cible de plus en plus des applications en forêt, mine et surveillance environnementale, des environnements jusqu'ici sous-représentés dans l'évaluation des capteurs extéroceptifs, généralement testés en milieu urbain structuré sans forte variation saisonnière. En documentant un an d'essais réels plutôt que des démonstrations ponctuelles, les auteurs livrent des enseignements directement exploitables pour les concepteurs de systèmes destinés aux environnements nordiques, notamment sur le choix de capteurs et les limites du T&R multi-saison, sans toutefois annoncer de produit commercial ni de déploiement industriel à grande échelle.

Recherche❖Paper

1 source

42

2425arXiv cs.RO 

Au-delà du passage à l'échelle des données : le pré-entraînement continu centré sur la représentation pour les modèles vision-langage-action

Des chercheurs ont publie sur arXiv le modèle VLAct, un système vision-langage-action (VLA) fonde sur un pré-entrainement continu qui privilégié la qualité de représentation plutôt que le seul volume de données robotiques. Le backbone VLM généraliste est étendu sur des trajectoires multi-robots hétérogènes, en préservant le prior du VLM et en unifiant partiellement les actions entre morphologies avant un fine-tuning par tache. Sur LIBERO-Plus et RoboTwin 2.0, VLAct devance les systèmes industriels ABot-M0 et LingBot-VLA avec 82,6% et 92,5% de réussite, et se classe sixième sur RoboDojo devant toutes les entrées "world-action model". Sur la morphologie humanoïde inédite RoboCasa-GR1, il bat le GR00T-N1.6 entraine sur 100% des données en n'en utilisant que 20%, le tout avec des données open-source et seulement 16 GPU d'entrainement. Ce résultat nuance l'hypothèse dominante selon laquelle la performance des VLA dépend surtout du volume de trajectoires collectées, sur le modèle du scaling des grands modèles de langage. En rivalisant avec des systèmes industriels grâce a seulement 16 GPU et des données publiques, les auteurs montrent que la qualité du transfert entre morphologies pèse davantage que la taille brute des données, un axe accessible a des équipes aux moyens plus modestes. Le résultat sur RoboCasa-GR1, ou une morphologie jamais vue est généralisée avec un cinquième des données habituelles, s'attaque directement au frein du transfert cross-embodiment. Ces résultats restent toutefois obtenus sur des bancs d'essai simules, sans déploiement industriel réel documente: une contribution de recherche, pas un produit commercialise. Les références choisies, les systèmes chinois ABot-M0 et LingBot-VLA et le GR00T-N1.6 de NVIDIA, situent VLAct dans une compétition dense entre modèles VLA généralistes, aux cotes d'acteurs comme Physical Intelligence (Pi-0) ou Figure AI (Helix), absents toutefois des baselines testées ici. Le modèle se positionne comme une alternative sobre en calcul face a la course a l'échelle des données menée par les grands laboratoires. Publie pour l'instant en preprint, l'article ne mentionne ni partenariat industriel ni calendrier de déploiement; les étapes attendues restent la revue par les pairs et, le cas échéant, la publication du code et des poids, les données d'entrainement étant déjà open-source.

IA physique❧Opinion

1 source

42

2426arXiv cs.RO 

Au-delà de la géométrie relative : perception géométrique consciente de l'échelle métrique pour la robotique

Des chercheurs présentent MAGP (Metric-Aware Geometry Perception), un framework de reconstruction géométrique conçu pour être intégré directement dans des politiques robotiques, décrit dans un article publié sur arXiv le 27 août 2026 (arXiv:2608.27497v1). Le problème visé : les méthodes de reconstruction 3D actuelles ne produisent qu'une géométrie relative, à une échelle arbitraire, ce qui fait varier les dimensions d'objets et les distances spatiales prédites d'une scène à l'autre selon le point de vue ou la configuration de capteurs, un défaut incompatible avec des actions robotiques qui doivent, elles, s'exprimer à l'échelle métrique réelle. MAGP repose sur deux mécanismes : une "Metric Scale Equivariant Augmentation" qui force le modèle à reconstruire la géométrie métrique à partir des paramètres caméra et des observations de profondeur, et un "Flexible Metric Conditioning" qui accepte un nombre et des combinaisons arbitraires de vues et d'entrées caméra/profondeur. Sur les benchmarks ETH3D, MegaDepth et ScanNet++, l'erreur absolue de reconstruction chute de 2,01 mètres à 0,07 mètre, soit plus d'un ordre de grandeur, tout en conservant la précision de la géométrie relative. Intégré à plusieurs politiques robotiques, MAGP améliore les performances sur LIBERO, RoboTwin et en zero-shot sur LIBERO-Plus, avec un gain allant jusqu'à 6,26% sur RoboTwin. Pour l'industrie robotique, ce travail s'attaque à un goulot d'étranglement précis plutôt qu'à une promesse marketing : les modèles de perception géométrique récents, utilisés pour la manipulation et le raisonnement spatial, restent souvent découplés de l'échelle réelle du monde, ce qui limite leur transférabilité directe vers des commandes de bras ou de préhenseurs. En rendant la géométrie reconstruite cohérente à l'échelle métrique et robuste à des configurations de capteurs hétérogènes, MAGP répond à un besoin concret des intégrateurs qui doivent faire cohabiter des rigs caméra différents d'une cellule à l'autre. Le gain de 6,26% sur RoboTwin, bien que mesuré sur des benchmarks simulés et non en usine, illustre que l'amélioration de la perception métrique peut se traduire en gain de performance de politique, sans changer l'architecture de contrôle elle-même, ce qui en fait un module potentiellement "plug-and-play" plus qu'une rupture architecturale. Ce travail s'inscrit dans la tendance des modèles vision-langage-action (VLA) et des politiques robotiques qui s'appuient de plus en plus sur des représentations géométriques apprises pour améliorer la manipulation, un courant où s'inscrivent aussi des modèles comme Pi-0 ou GR00T N2. Il reste à ce stade une contribution de recherche publiée sur arXiv, validée sur des benchmarks académiques (LIBERO, RoboTwin, ScanNet++) et non un produit déployé ou testé sur un robot physique en conditions réelles ; les auteurs ne précisent pas de calendrier d'intégration industrielle ni de partenaire robotique pour une mise en œuvre à plus grande échelle.

Recherche❖Paper

1 source

40

2427arXiv cs.RO 

CoCoBench : un benchmark de coordination coopérative pour la planification de tâches multi-agents incarnés

Des chercheurs ont présenté CoCoBench, un benchmark conçu pour évaluer la coordination entre agents dans des tâches domestiques exécutables pilotées par des modèles de langage multimodaux (MLLM). L'ensemble comprend 897 instances validées par un oracle, organisées autour de quatre constructions récurrentes de coordination : l'allocation des tâches, l'ordonnancement séquentiel, l'exclusion mutuelle et la coordination des transferts (handoff) entre agents. Au-delà du taux de réussite global des tâches, CoCoBench introduit des scores par construction, qui mesurent précisément si les agents coordonnent effectivement leurs actions plutôt que de simplement atteindre l'objectif final. Les auteurs ont évalué 11 MLLM de premier plan selon différents modes de coordination, types d'observations et nombres d'agents engagés. Le papier a été publié sur arXiv fin août 2026 et s'inscrit dans le champ des agents incarnés multi-robots pour l'environnement domestique. L'apport principal de ce travail est de démontrer que les benchmarks existants, qui résument la performance multi-agent à un simple taux de réussite global, masquent des défaillances de coordination bien réelles : travail dupliqué entre agents, violations des contraintes d'ordre, conflits d'accès aux ressources partagées et désynchronisation lors des transferts de tâches. Les résultats montrent que la capacité de coordination est fortement spécifique à chaque construction : un modèle affichant un bon score global peut échouer nettement sur un type précis de coordination, comme l'exclusion mutuelle, tout en excellant sur un autre. Ce constat contredit l'hypothèse implicite de nombreux acteurs du secteur selon laquelle un haut taux de succès agrégé traduit une compétence de coordination équilibrée. Pour les intégrateurs et décideurs qui envisagent des flottes de robots collaboratifs pilotés par des architectures VLA ou MLLM, ce diagnostic granulaire signale que les métriques usuelles ne suffisent pas à qualifier la fiabilité opérationnelle en environnement partagé. Ce travail s'inscrit dans la progression rapide des systèmes d'agents fondés sur les MLLM ces dernières années, un domaine où l'évaluation a longtemps privilégié soit l'accomplissement de tâches par un agent unique, soit des métriques agrégées peu diagnostiques pour les scénarios multi-agents. CoCoBench cherche à combler ce vide en proposant une évaluation au niveau des mécanismes de coordination eux-mêmes plutôt que du seul résultat final. Les auteurs positionnent leurs conclusions comme une piste concrète pour orienter la conception de futures architectures de modèles et améliorer spécifiquement les capacités de coordination multi-agent, plutôt que d'optimiser uniquement le taux de réussite agrégé. Aucun calendrier de déploiement industriel ni partenariat commercial n'est mentionné : il s'agit à ce stade d'une contribution de recherche et d'un outil de benchmark, destiné à la communauté académique et aux équipes développant des systèmes multi-robots embodied.

Recherche❖Paper

1 source

40

2428arXiv cs.RO 

Aero Hand Open : une main tendineuse prête pour la simulation, dédiée à l'apprentissage de la préhension dextérique

Des chercheurs ont publié sur arXiv (référence 2608.28578) une main robotique anthropomorphe à actionnement par tendons, baptisée Aero Hand Open, diffusée en version prête pour la simulation. Dans ce type de main, les moteurs sont déportés hors des articulations et transmettent leur force par câbles, ce qui autorise des moteurs plus petits et moins chers et permet à un seul moteur d'actionner plusieurs articulations. Les auteurs publient quatre éléments ensemble: la conception mécanique complète, un modèle de simulation reproduisant la transmission par câble, une carte d'actionnement identifiée reliant ce modèle aux commandes moteur dans les deux sens, incluant le couplage à trois voies du pouce, et un package d'apprentissage par renforcement pour entraîner des politiques sur la main, avec toute la pile de déploiement. L'enjeu tient au fossé classique entre simulation et réel: le sous-actionnement qui rend les mains à tendons moins chères à fabriquer est aussi ce qui les rend difficiles à modéliser fidèlement, et les articulations reliées par un même câble ne se commandent pas indépendamment, ce qui complique l'apprentissage de la manipulation fine. Les auteurs affirment qu'une politique entraînée entièrement en simulation avec Aero Hand Open tourne ensuite sur la main physique sans réglage fin ni estimation d'état, ce qui, si le résultat se confirme au-delà de leurs propres essais, lèverait un obstacle connu des intégrateurs visant une manipulation fine à coût réduit sans renoncer aux gains de l'apprentissage simulé qui alimente les modèles vision-langage-action des humanoïdes. Le choix du tendon plutôt que de l'entraînement direct, où chaque articulation embarque son propre moteur, reste privilégié par plusieurs fabricants de mains robotiques cherchant à réduire coût et poids en bout de bras, au prix d'une commande plus complexe. En publiant ensemble le design mécanique, le modèle physique de la transmission et l'environnement d'entraînement plutôt qu'une simple démonstration vidéo, les auteurs s'inscrivent dans un mouvement de recherche ouverte permettant à d'autres laboratoires de vérifier indépendamment le transfert simulation-vers-réel. Aucune date de commercialisation ni partenaire industriel n'est mentionné à ce stade.

Recherche❖Paper

1 source

40

2429arXiv cs.RO 

ChainSplat : un modèle inspiré de la physique et de la théorie des vis pour apprendre la dynamique d'objets linéaires déformables à partir de vidéos RGB multivues

Des chercheurs présentent ChainSplat, un cadre d'apprentissage qui reconstruit simultanément la géométrie 3D, l'apparence, la cinématique et la dynamique d'objets linéaires déformables (câbles, cordes, tuyaux) à partir de simples vidéos RGB multi-vues, sans capteur de profondeur. Publié sur arXiv (arXiv:2608.28570v1) le 28 août 2026, le système modélise l'objet déformable comme une chaîne ouverte de liaisons rigides reliées par des articulations rotoïdes, s'appuyant sur la théorie des vis (screw theory) pour obtenir une représentation d'état compacte paramétrée par les configurations articulaires. Cette formulation analytique est couplée au Gaussian splatting, ce qui permet un rendu RGB haute fidélité à partir de n'importe quel état reconstruit. Selon les auteurs, des expériences en conditions réelles montrent des performances état de l'art en prédiction de dynamique, reconstruction 3D et rendu visuel lors d'interactions dynamiques ; le code source et des vidéos de démonstration sont publiés sur chainsplat.github.io. Pour l'industrie robotique, l'enjeu dépasse la simple reconstruction visuelle : la manipulation de câbles, tuyaux et cordes reste un point faible connu des lignes d'assemblage automatisées, car les méthodes existantes reposent sur des pipelines multi-étapes fragiles et des entrées de profondeur auxiliaires peu fiables lors de mouvements rapides, tout en générant des espaces d'état de trop haute dimension pour un contrôle en temps réel. En réduisant la dynamique d'un objet déformable à un modèle articulaire compact exploitable pour l'optimisation de trajectoire, ChainSplat s'attaque directement au goulot d'étranglement du contrôle basé modèle. Les auteurs revendiquent une estimation d'état et de force en temps réel, un argument clé pour des intégrateurs cherchant à automatiser le câblage, le sertissage de tuyaux ou la manipulation de harnais électriques, tâches jusqu'ici largement dévolues à des opérateurs humains faute de modèles physiques suffisamment légers et précis. Ce travail s'inscrit dans une lignée de recherche académique visant à combiner modèles physiques explicites et représentations neuronales de scène, dans la continuité des avancées en Gaussian splatting pour la robotique. Contrairement aux approches purement data-driven à la Pi-0 ou GR00T N2 pour la manipulation générale, ChainSplat cible spécifiquement le sous-problème des objets linéaires déformables avec un a priori physique fort, une piste que plusieurs laboratoires explorent en parallèle pour contourner le coût d'apprentissage des dynamiques haute dimension. L'article ne précise pas de partenariat industriel ni de calendrier de transfert vers un produit commercial ; il s'agit à ce stade d'une contribution de recherche avec code ouvert, dont la prochaine étape naturelle serait une validation sur des tâches de manipulation robotique complètes plutôt que sur les seules métriques de reconstruction et de prédiction présentées ici.

Recherche❖Paper

1 source

39

2430arXiv cs.RO 

Dynamique différentiable et simulation rapide d'un poisson robotique élastique continu

Des chercheurs publient sur arXiv (article 2509.16145, version 3, remplaçant une version antérieure) un nouveau modèle de dynamique différentiable couplé à un cadre de simulation rapide pour poissons robotiques à corps élastique actionnés par moteur. La formulation, fondée sur le principe de Hamilton, représente le robot comme un corps élastique continûment déformable et couple sa dynamique structurelle aux forces hydrodynamiques sans imposer au préalable la cinématique du corps, c'est-à-dire sans prescrire la façon dont il doit onduler. Le simulateur obtenu est différentiable par rapport aux paramètres du modèle et de conception, ce qui permet une optimisation par descente de gradient. Les auteurs valident leur cadre par des études de convergence numérique ainsi que par des expériences menées sur un poisson robotique physique, puis démontrent son utilité en optimisant par gradient la distribution de raideur le long du corps pour améliorer l'efficacité de nage. Cette avancée cible un verrou concret de la robotique bio-inspirée sous-marine : les approches existantes imposaient soit une cinématique corporelle fixe, soit approximaient le corps par des segments rigides ou compliants discrets, soit reposaient sur des simulations d'interaction fluide-structure trop coûteuses pour être intégrées dans une boucle d'optimisation de conception. En rendant la simulation différentiable et rapide, ce travail permet de co-concevoir la répartition de raideur et le contrôle moteur sans recourir à des campagnes d'essais physiques répétées, un enjeu direct pour les concepteurs de robots souples et de véhicules sous-marins autonomes bio-inspirés. La flexibilité du corps est identifiée depuis longtemps comme un facteur clé de la propulsion des poissons : la répartition spatiale de la raideur détermine la déformation, les charges hydrodynamiques et la performance propulsive. Les méthodes antérieures peinaient à capturer simultanément cette élasticité continue, le couplage fluide-structure et le mouvement auto-propulsé résultant, sans exploser en coût de calcul. Ce travail s'inscrit dans le courant plus large de la robotique molle différentiable, où la simulation rapide et dérivable devient un outil standard pour l'optimisation automatisée de conception, à l'image des approches sim-to-real développées pour d'autres classes de robots.

Recherche❖Paper

1 source

39

2431arXiv cs.RO 

PAMoR : génération en temps réel de mouvements affectifs paramétrés pour robots humanoïdes

Des chercheurs ont publié le 28 août 2026 sur arXiv (2608.28213) un système baptisé PAMoR, qui génère des mouvements de robot humanoïde porteurs d'une émotion mesurable, plutôt qu'imitée depuis une vidéo de référence ou un simple mot-clé comme le font les systèmes existants pour avatars virtuels. Le système calcule en forme fermée une coordonnée de valence-arousal directement depuis la cinématique du robot, à partir de l'expansion posturale et de l'énergie du mouvement, sans aucune annotation humaine. Un modèle d'action et deux modèles affectifs, entraînés dans un espace latent partagé, se combinent à chaque étape de débruitage: le premier fixe la tâche exécutée, les seconds en modulent la tonalité émotionnelle. Le mouvement corps entier tourne en temps réel, en boucle autorégressive, sur un Unitree G1 à 29 degrés de liberté, action et émotion restant modifiables à la volée. Lors d'une étude perceptuelle, des évaluateurs humains ont identifié l'émotion commandée dans 38% des essais, contre 44% pour des mouvements joués par des acteurs humains. Le secteur humanoïde communique surtout sur la manipulation et la locomotion; l'expressivité émotionnelle des robots reste le plus souvent démontrée par des vidéos sélectionnées plutôt que mesurée par un protocole contrôlé. PAMoR propose un paramètre affectif quantifiable et éditable en temps réel, exploitable dans une boucle de contrôle, ce qui intéresse les intégrateurs travaillant sur l'accueil, l'assistance ou l'interaction sociale, sans dégrader la fidélité texte-mouvement des modèles d'action pure. Le score de reconnaissance de 38%, inférieur au niveau humain mais validé par une comparaison perceptuelle explicite plutôt que par une démo triée, fournit une mesure rare et vérifiable de l'expressivité d'un humanoïde, un exercice auquel peu d'annonces du secteur se prêtent. La génération de mouvement expressif existait déjà pour les avatars virtuels, où le style émotionnel provient d'un clip de référence ou d'un mot d'émotion, deux entrées jugées non quantifiables par les auteurs de PAMoR. Le travail transpose cette approche à la robotique physique via le Unitree G1, plateforme de recherche largement utilisée en académie: il s'agit d'une démonstration reproductible et non d'un produit commercial, issue d'une publication arXiv non encore évaluée par les pairs. Elle se distingue des efforts commerciaux centrés sur la manipulation et la locomotion, à l'image des modèles vision-langage-action Pi-0 ou GR00T N2, en ciblant spécifiquement l'affect social du mouvement. Aucun calendrier de transfert vers une plateforme commerciale ni partenariat industriel n'est mentionné à ce stade.

Recherche❖Paper

1 source

39

2432arXiv cs.RO 

Vider les bacs jusqu'au bout : une approche hybride hiérarchique à auto-apprentissage des points de préhension pour le bin-picking industriel

Des chercheurs décrivent, dans un article arXiv (2608.28175v1), une méthode hybride hiérarchique a quatre niveaux pour le bin-picking industriel, visant le vidage complet d'un bac de pièces sans intervention humaine. Le système associe un pipeline model-based, qui sert de colonne vertébrale robuste, a un "exploration agent" model-free charge de résoudre les blocages quand les prises prédéfinies sont occultées ou que la perception échoue, et de découvrir de nouveaux points de préhension. Un module d'auto-apprentissage en ligne exploite le retour de course de la pince (gripper-stroke feedback) et des intervalles de Wilson score pour classer automatiquement les candidats de prise, sans réglage manuel préalable. Teste sur trois pièces automobiles, le système fait passer le taux de vidage complet du bac de 50,9% pour la baseline model-based seule a 100% sur l'ensemble des expériences, tout en surpassant une baseline purement model-free en taux de réussite de prise. Le problème cible est classique et couteux en usine: les méthodes model-based, précises, se bloquent des qu'une prise attendue est cachée ou mal perçue, et demandent un réglage manuel long des points de préhension a chaque nouvelle référence, tandis que les approches model-free, flexibles des la sortie de boite, manquent de la fiabilité et de la répétabilité exigées en production. En combinant les deux logiques plutôt qu'en les traitant séparément, comme le faisaient les travaux antérieurs, l'approche vise a réduire la commission manuelle et a atteindre un vidage total et répétable des bacs, une étape présentée comme significative vers une opération industrielle autonome. Pour les intégrateurs, le saut de 50,9% a 100% sur des pièces automobiles est notable, mais reste a confirmer sur un eventail plus large de géométries et de volumes, la validation actuelle se limitant a trois références de test. Le bin-picking demeure l'un des défis récurrents de la robotique industrielle, car il melange perception en environnement encombre, planification de prise et gestion de cas limites que les données d'entrainement ne couvrent jamais complètement; le secteur automobile, avec ses pièces métalliques variées et ses cadences élevées, en est un banc d'essai habituel. L'article, classe comme nouvelle publication arXiv, ne mentionne ni industriel partenaire ni calendrier de déploiement commercial: il s'agit a ce stade d'une contribution de recherche non revue par les pairs, positionnée face aux méthodes model-based et model-free existantes plutôt que face a des produits commerciaux nommes. Les suites logiques, non détaillées dans le résume, porteraient sur l'extension a davantage de types de pièces et sur des essais en conditions de production réelles.

Recherche❖Paper

1 source

39

2433arXiv cs.RO 

Planifier en cours de route : planification événementielle par modèle fondation pour l'exécution TAMP en manipulation partiellement observable

Des chercheurs publient sur arXiv (arXiv:2608.28075v1, 28 août 2026) ROBUST TAMP, un framework modulaire de planification tâche-et-mouvement (TAMP) piloté par des modèles de fondation, LLM et VLM, pour la manipulation robotique en environnement partiellement observable. Le système restreint le planificateur à l'état relationnel de la scène actuellement visible, valide chaque action générée contre une interface d'exécution stricte, puis achemine les actions acceptées vers des adaptateurs d'exécution propres à chaque scène. La découverte d'un objet imprévu, cible ou non, déclenche un événement de replanification distinct : après un horizon d'exécution stable, le système reconstruit l'état visible de la scène et replanifie à partir de l'historique des actions déjà complétées et du contexte structuré de l'événement. Les évaluations portent sur six variantes de cuisine et de grill sous simulateur RLBench/CoppeliaSim, incluant objets cachés, découverte d'objets non ciblés, interaction avec des contenants articulés et procédures de manipulation temporelles, en comparant des planificateurs LLM texte-seul et VLM de tailles différentes sous un pipeline identique de validation, exécution, surveillance et replanification. Le travail cible un angle mort des architectures TAMP guidées par foundation models, qui supposent le plus souvent un état de scène entièrement connu à l'avance ou déclenchent une replanification complète du modèle dès qu'un sous-objectif échoue. En environnement réel, un robot découvre en cours d'exécution des objets non anticipés, ce qui invalide un plan pourtant correct au départ ; traiter cette découverte comme un événement à part entière plutôt qu'un échec générique limite les appels coûteux au modèle de fondation, un point sensible pour les intégrateurs qui budgétisent le coût d'inférence à l'échelle d'une flotte. La comparaison entre planificateurs texte-seul et VLM de tailles variées fournit des données concrètes sur l'arbitrage précision/coût, utiles aux décideurs qui cherchent à dimensionner le bon niveau de modèle plutôt que de supposer qu'un VLA volumineux règle par défaut l'observabilité partielle. Ce travail s'inscrit dans la lignée des systèmes de TAMP guidés par LLM/VLM apparus ces dernières années pour générer décompositions de tâches, sous-objectifs et contraintes symboliques, mais que les auteurs jugent encore trop dépendants d'une scène pleinement spécifiée. Les six bancs d'essai restent entièrement simulés, sous RLBench/CoppeliaSim, sans mention de robot physique, d'affiliation industrielle ni de calendrier de transfert vers le réel : il s'agit d'une publication de recherche évaluant une architecture logicielle, non d'un produit commercialisé. La suite logique, non annoncée dans le résumé, serait une validation sur manipulateur réel et une extension au-delà des scènes de cuisine et de grill testées.

Recherche❖Paper

1 source

39

2434arXiv cs.RO 

Rester assis : apprentissage de la locomotion omnidirectionnelle d'un humanoïde sur une chaise mobile passive à roulettes

Une équipe de recherche a publié le 28 août 2026 sur arXiv (2608.28090) une étude sur la locomotion omnidirectionnelle d'un robot humanoïde assis sur une chaise mobile passive à roulettes. Contrairement aux humanoïdes debout, dont les actionneurs quasi-direct-drive génèrent en continu du couple articulaire, la position assise délègue le maintien du poids à la chaise. La politique de contrôle, entraînée par apprentissage par renforcement sans récompense d'imitation de mouvement, ne reçoit que la proprioception du robot et les commandes de vitesse, sans capteur de contact ni information sur l'état de la chaise. Lors d'essais à commandes aléatoires, elle a suivi les trajectoires demandées pendant la quasi-totalité de séquences de 20 secondes, dépassant même une politique de référence en position debout sur la précision de suivi. Une analyse factorielle menée sur quatre graines d'entraînement montre qu'une régularisation du glissement du pied réduit le coût de transport mais peut figer le robot dans un optimum stationnaire, un défaut corrigé en la combinant à une régularisation de symétrie ou à un curriculum de commandes. Le coût de transport se classe, du plus bas au plus élevé, marche arrière, déplacement latéral, puis marche avant. Transférée sans réentraînement sur un robot réel Unitree G1, la politique a produit une locomotion assise omnidirectionnelle. Ce travail s'attaque à un angle mort de la course aux humanoïdes, focalisée jusqu'ici sur la marche et la manipulation en position debout pour des tâches d'usine ou de logistique. Une grande partie du travail de bureau ou d'établi se fait pourtant assis, et maintenir un humanoïde debout en continu sollicite inutilement ses actionneurs et son énergie. En montrant qu'une politique entraînée uniquement par récompense de suivi de vitesse, sans imitation de mouvement ni capteurs de contact, transfère en zero-shot vers un robot réel, l'étude conforte l'idée que l'apprentissage par renforcement en simulation franchit l'écart sim-to-real sur des tâches de locomotion toujours plus spécialisées. L'étude reste un travail de recherche académique en prépublication, sans partenaire industriel ni calendrier de commercialisation annoncé, qui étend l'environnement standard de suivi de vitesse en position debout déjà utilisé dans la communauté robotique, avec un modèle de chaise passive et des récompenses propres à l'état assis. Le choix du Unitree G1, plateforme largement diffusée dans la recherche en contrôle moteur, en fait une base accessible plutôt qu'une vitrine commerciale, à la différence des plateformes propriétaires comme Figure ou Optimus. Les auteurs présentent ce résultat comme une première étape vers une locomanipulation assise complète, avant l'ajout probable de tâches de manipulation des bras pendant le déplacement sur la chaise.

Recherche❖Paper

1 source

38

2435arXiv cs.RO 

MaCoPlanner : planification de tâches assistée par LLM à partir de manuels, avec vérification proactive de la sécurité pour l'opération de panneaux industriels par des robots

Des chercheurs présentent MaCoPlanner, un framework de planification de taches pour l'opération robotique de panneaux de contrôle industriels, combinant grands modèles de langage et vérification de sécurité proactive. Le système compile des manuels d'équipement hétérogènes en une représentation intermédiaire typée, récupère les preuves pertinentes pour chaque tache et chaque état du dispositif, puis s'en sert pour générer des plans d'action. Avant toute actuation physique, les plans candidats sont simules symboliquement et confrontes aux contraintes procédurales et de transition d'état; les violations détectées sont localisées et renvoyées pour correction ciblée, tandis que les plans non résolus sont rejetés. Une interface d'exécution distincte traduit ensuite les actions symboliques validées en commandes physiques et met a jour l'état de l'appareil. Sous un oracle d'évaluation indépendant, MaCoPlanner atteint un taux de violation final de 2,7%, et 26,3% des exécutions analysées en correction sont rejetées après épuisement du budget de raffinement. Compare a une base "Raw-Manual" (lecture brute des manuels sans structuration), le taux de réussite des taches passe de 62,8% a 84,4% sur les taches de niveau 2, et de 25,9% a 43,2% sur celles de niveau 3, avec des essais menés sur un simulateur de panneau de contrôle, sans charge industrielle réelle attachée. Ce résultat parle directement aux intégrateurs et responsables d'usine confrontes a un problème récurrent: les grands modèles de langage produisent des plans d'action plausibles mais souvent non conformes aux procédures de sécurité réelles, surtout quand les instructions sont dispersées dans des manuels hétérogènes et mal structures. En rendant la vérification proactive plutôt que corrective a posteriori, MaCoPlanner propose une piste concrète pour réduire l'écart, largement documente dans le secteur, entre démonstrations de planification par IA générative et fiabilité en conditions industrielles. Le quasi-doublement du taux de réussite sur les taches complexes de niveau 3 montre toutefois que la marge de progression reste large des que la complexité augmente, et le taux de rejet de plus d'un quart des exécutions rappelle que le système est conçu pour refuser plutôt qu'exécuter une action non vérifiée, un choix pertinent en environnement a risque mais qui limite la couverture opérationnelle. Ce travail s'inscrit dans la recherche plus large sur les agents LLM appliques a la robotique industrielle, ou plusieurs équipes cherchent a exploiter les modèles de langage pour interpréter la documentation technique et générer des séquences d'opération sans reprogrammation manuelle exhaustive. Contrairement aux approches purement génératives, MaCoPlanner introduit une étape de compilation formelle et de vérification symbolique avant exécution, rapprochant la planification LLM des méthodes de vérification utilisées en robotique de sécurité critique. Les auteurs précisent explicitement que leurs expériences, menées sur simulateur sans charge industrielle réelle, démontrent une faisabilité d'exécution intégrée dans des conditions représentatives, sans revendiquer une maturité suffisante pour un déploiement industriel effectif. Les suites logiques évoquées pour ce type de recherche incluent des essais sur panneaux réels sous charge opérationnelle et une extension a d'autres classes d'équipements au-delà des panneaux de contrôle.

Recherche❖Paper

1 source

38

2436arXiv cs.RO 

AcrossVAM 1.0 : modélisation du monde par particules pour la prédiction vidéo robotique assistée par texte

Un article de recherche publié sur arXiv (2608.28491v1) présente AcrossVAM1.0, un modèle léger de prédiction vidéo robotique guidé par texte, qui sépare le raisonnement sur le mouvement de la préservation de l'apparence visuelle. Un codec figé, SAM3-DLP, décompose quatre images de contexte en particules sémantiques du robot, du bras et de la pince, plus un latent de fond ; un Transformer spatio-temporel de 0,28 million de paramètres aligne ces particules, projette leur état futur et se module via FiLM sur un embedding OpenCLIP figé. Un décodeur à deux flux combine mouvement par particules et apparence tirée de la dernière image observée pour produire cinq images futures. Sur le benchmark maison VRS, la dynamique par particules réduit l'erreur de trajectoire de 21,0% face à une simple persistance, et le PSNR/SSIM des images futures progresse de 19,97/0,796 à 20,573/0,8004 sur trois graines testées, tandis que le PSNR des zones de mouvement grimpe de 11,89 à 13,23. Le résultat valide une piste architecturale précise : traiter des particules d'objets de faible dimension, plutôt que des pixels bruts, comme interface de prédiction vidéo robotique, une alternative potentiellement plus légère et interprétable aux modèles vision-langage-action massifs. Les auteurs tempèrent eux-mêmes la portée de leur travail : le modèle livré ne bat pas encore la simple persistance sur la métrique perceptuelle LPIPS, et remplacer les instructions correctes par des instructions mélangées au hasard ne change l'erreur de trajectoire que de 2,8 à 3,1%, signe que l'ancrage du langage reste largement à démontrer. Pour des intégrateurs évaluant des modèles world/action génératifs, ce travail illustre donc autant le potentiel de l'approche par particules que l'écart persistant entre fidélité visuelle et réelle compréhension du langage. AcrossVAM1.0 s'inscrit dans une lignée de travaux cherchant à dépasser les générateurs vidéo end-to-end en robotique, où la fidélité pixel masque souvent l'absence de réel raisonnement sur le mouvement, en s'appuyant sur des briques externes figées : SAM3-DLP pour la segmentation en particules, OpenCLIP pour l'ancrage textuel. L'étude reste au stade de la recherche publiée, avec analyses oracle et contrôles négatifs, l'ancrage robuste du langage et la fidélité de l'apparence livrée restant les deux chantiers prioritaires identifiés par les auteurs pour la suite.

Recherche❖Paper

1 source

38

2437arXiv cs.RO 

PanelShield : planification sécurisée en boucle fermée et vérifiable pour la manipulation de panneaux industriels par un robot

Une équipe de recherche présente PanelShield, un framework de planification robotique vérifiable pour l'opération de panneaux de contrôle industriels, dans un article publié sur arXiv le 28 août 2026 (arXiv:2608.28305v1). Le système génère des séquences d'actions paramétrées à partir de manuels d'opération, puis applique une double vérification formelle, logique temporelle linéaire (LTL) et machine à états finis de sécurité, pour contrôler la cohérence entre étapes et la légalité de chaque transition. En cas de violation, il produit un contre-exemple structuré signalant l'étape fautive la plus précoce et sa cause, permettant une correction ciblée puis une nouvelle vérification. Testé sur un benchmark maison couvrant trois types de panneaux industriels, en simulation et sur robot réel, PanelShield ramène le taux de violation à 2,7 % pour une latence totale de 4,1 secondes, avec de meilleures performances que des planificateurs basés uniquement sur des modèles fondation. L'enjeu dépasse la prouesse technique. Les planificateurs basés sur des modèles fondation, notamment les architectures vision-langage-action, montrent une forte capacité à interpréter des instructions et générer des actions, mais manquent de mécanismes calculables et auditables pour détecter et corriger les violations de règles de sécurité. Sur l'opération de tableaux de contrôle industriels, cette lacune est critique : une erreur de séquence peut avoir des conséquences physiques immédiates. En ajoutant une couche de vérification formelle au-dessus de la génération par IA, PanelShield illustre une piste pour combler l'écart entre démonstrations de robots pilotés par des modèles de langage et déploiement fiable en environnement réglementé, un prérequis pour les intégrateurs devant certifier leurs systèmes dans l'énergie ou la manufacture. Ce travail s'inscrit dans la recherche visant à rendre les planificateurs de robots basés sur des modèles de fondation plus fiables et traçables, alors que ces systèmes restent surtout démontrés en simulation ou en laboratoire plutôt que déployés en usine. Aucun partenaire industriel ni calendrier de pilote n'est mentionné : l'article reste à ce stade une contribution de recherche évaluée sur un benchmark maison et des expériences robotiques limitées à trois familles de panneaux. Les auteurs présentent PanelShield comme une approche équilibrant flexibilité, sécurité et auditabilité, ouvrant la voie à une extension vers d'autres équipements industriels.

Recherche❖Paper

1 source

37

2438arXiv cs.RO 

Détection de préhension par succion sans entraînement pour cartons aseptiques déformés via modèles vision-langage et score géométrique de surface

Des chercheurs ont présenté un système de préhension par ventouse "sans entraînement" pour le tri robotique de briques alimentaires aseptiques déformées, un défi classique des centres de tri où les emballages écrasés ou froissés rendent la détection de points de préhension imprévisible. Le système sépare l'identification de la cible du choix du point de préhension : un modèle vision-langage à vocabulaire ouvert repère les cartons à partir d'un simple prompt textuel, puis SAM2 affine chaque détection en masque d'instance précis. Un score géométrique combine ensuite planéité de surface et alignement de la normale pour choisir le point d'aspiration optimal, trois méthodes étant comparées : PCA par k plus proches voisins, produit vectoriel de Sobel et ajustement de plan par RANSAC. Testé sur un robot réel avec trois niveaux de déformation et 35 scènes encombrées, le système atteint 88,2% de réussite de préhension sur objet isolé et 72,6% de réussite bout en bout en environnement encombré. L'intérêt principal tient à l'absence totale d'entraînement spécifique : aucune donnée annotée de cartons déformés n'est nécessaire, le pipeline s'appuyant uniquement sur des modèles pré-entraînés génériques (VLM et SAM2) assemblés avec une couche géométrique classique. Pour les intégrateurs de centres de tri, c'est une promesse concrète de déploiement rapide sur de nouveaux flux d'emballages sans campagne de collecte de données ni réentraînement, un frein habituel du tri automatisé où la variabilité des objets écrasés, sales ou partiellement occultés fait chuter les taux de succès des systèmes appris de bout en bout. L'écart entre 88,2% en isolé et 72,6% en encombrement illustre aussi, de façon plus honnête que beaucoup d'annonces du secteur, le fossé persistant entre performance en conditions contrôlées et performance réelle, un rappel utile pour des décideurs habitués à des chiffres de démonstration sans contexte d'occlusion ni de densité de scène. Le tri robotique de déchets reste l'un des cas d'usage les moins matures de la préhension robotique, loin derrière la logistique d'entrepôt ou l'assemblage industriel, en raison de la déformabilité et de l'hétérogénéité des objets (briques type Tetra Pak écrasées, sacs, films) que jauges de vide et vision classique peinent à traiter de façon fiable. L'approche s'inscrit dans une tendance plus large consistant à réutiliser des modèles fondation vision-langage et de segmentation plutôt qu'à entraîner des détecteurs de préhension dédiés par catégorie d'objet, une direction également explorée pour la préhension générique en environnement non structuré. L'étude, publiée sur arXiv fin août 2026, reste une validation en laboratoire sur bras robotique, sans déploiement industriel ni partenariat annoncé avec un opérateur de centre de tri ; les suites attendues porteraient sur l'extension à d'autres emballages déformables et sur des essais en conditions réelles de chaîne de tri.

Recherche❖Paper

1 source

37

2439arXiv cs.RO 

FlowCorrect : correction interactive et efficace de politiques de flux génératif pour la manipulation robotique

Des chercheurs ont publié sur arXiv (arXiv:2602.22056, version 3) une méthode baptisée FlowCorrect, destinée à corriger en temps réel les politiques de manipulation robotique génératives basées sur le flow matching, sans réentraînement. Le système s'appuie sur de brèves corrections humaines de trajectoire, transmises via une interface VR légère, pour ajuster localement la politique lorsque le robot rate une prise ou une pose de justesse. L'équipe a testé FlowCorrect sur un robot réel, sur quatre tâches de manipulation sur table : prise-et-dépose, versement de liquide, redressement d'une tasse et insertion. Avec un budget de corrections faible, la méthode atteint un taux de réussite de 80% sur des cas d'échec précédemment observés, tout en préservant les performances sur les scénarios déjà maîtrisés. Le résultat cible un problème concret pour les intégrateurs industriels : les politiques génératives de type VLA ou flow-matching, entraînées par imitation, échouent souvent lors du déploiement à cause de déplacements de distribution entre l'entraînement et le terrain, un écart bien documenté entre démonstrations impressionnantes et robustesse réelle. Plutôt que de réentraîner l'ensemble du modèle, coûteux et lent, FlowCorrect propose une correction incrémentale et locale à partir de très peu de démonstrations, ce qui intéresse directement les équipes cherchant à fiabiliser des déploiements sans cycle complet de réentraînement. Le chiffre de 80% doit toutefois être lu avec prudence : il porte sur seulement quatre tâches de laboratoire et un nombre limité d'essais, loin des volumes de déploiement industriel évoqués par des acteurs commerciaux du secteur humanoïde. FlowCorrect s'inscrit dans la lignée des politiques visuomotrices génératives (flow matching, diffusion) qui sous-tendent des modèles comme Pi-0 ou GR00T N2, et dans un courant de recherche en apprentissage par imitation interactif visant à corriger les robots en boucle avec l'humain plutôt que de tout réentraîner depuis zéro. Le papier, marqué comme une mise à jour ("replace") sur arXiv, correspond à une révision d'un travail déjà soumis plutôt qu'à une première annonce. Aucune entreprise ni site de déploiement industriel n'est cité : il s'agit d'un travail de recherche académique, testé en conditions de laboratoire, sans indication de pilote commercial ni de calendrier de mise sur le marché. Sa portée reste donc celle d'une preuve de concept méthodologique, à confirmer sur des tâches plus variées et des volumes plus importants avant toute intégration industrielle.

IA physique❖Paper

1 source

36

2440arXiv cs.RO 

Exploration guidée par le contact pour la locomanipulation non préhensile via un RL multi-critique

Des chercheurs proposent une nouvelle méthode d'apprentissage par renforcement pour la manipulation non préhensile, c'est-à-dire la capacité d'un robot à déplacer un objet sans le saisir, en le poussant, le faisant glisser ou en s'appuyant dessus. Décrite dans un article publié le 31 août 2026 sur arXiv (référence 2608.28140), l'approche s'appelle "contact-guided exploration" et s'appuie sur un framework de type Multi-Critic RL. Le principe consiste à entraîner un critique d'exploration dédié, guidé par une récompense dense qui pousse l'organe terminal du robot vers des points de contact pertinents sur l'objet ; l'influence de ce critique est ensuite progressivement réduite pour laisser émerger une politique optimale pour la tâche elle-même. Les points de contact candidats sont générés par un algorithme de préhension généraliste, ce qui permet à la méthode de s'adapter à des géométries d'objets variées sans réentraînement spécifique. Les chercheurs ont testé leur approche sur plusieurs tâches simulées : pousser une caisse, transporter une chaise et ouvrir un lave-vaisselle. La politique de transport de chaise a ensuite été validée par des expérimentations réelles sur un manipulateur mobile quadrupède. L'enjeu dépasse le simple exercice académique : la manipulation non préhensile reste un point faible connu des robots mobiles, car les dynamiques de contact intermittent et les changements brusques de régime physique (hybrid dynamics) sont difficiles à modéliser et à apprendre, que ce soit par des méthodes basées sur des modèles physiques ou par du RL pur. Pour les intégrateurs travaillant sur des plateformes mobiles à bras, qu'il s'agisse de quadrupèdes ou d'AMR équipés de manipulateurs, cette capacité ouvre la voie à des usages où saisir un objet est impossible ou inefficace, comme déplacer des charges volumineuses, ouvrir des portes ou des appareils électroménagers. Le fait que la politique transfère du simulateur vers le réel sur une tâche concrète, le transport de chaise, apporte une preuve supplémentaire que le fossé simulation-réalité peut être réduit sur des tâches à contact riche, un domaine où les échecs restent fréquents. Ce travail s'inscrit dans une lignée de recherches en RL multi-critiques visant à mieux structurer l'exploration dans des espaces d'action complexes, un problème classique pour les tâches à récompense éparse comme la recherche de contact. Il rejoint les efforts plus larges de la communauté robotique autour des manipulateurs mobiles quadrupèdes, aux côtés d'autres plateformes combinant locomotion et bras articulé. Les auteurs ne mentionnent pas de calendrier de déploiement industriel ; il s'agit à ce stade d'une validation expérimentale en laboratoire, ouvrant la voie à une généralisation ultérieure vers d'autres objets et environnements.

Recherche❖Paper

1 source

36

2441arXiv cs.RO 

PHR-VLA : raisonnement à horizon de planification pour les modèles vision-langage-action

Des chercheurs présentent PHR-VLA (Planning Horizon Reasoning for Vision-Language-Action Models), décrit dans un preprint arXiv publié fin août 2026 (arXiv:2608.27609). Le système ajoute aux modèles vision-langage-action une tête auxiliaire légère, activée uniquement à l'entraînement, qui aligne les représentations internes du modèle avec la dynamique future de la tâche extraite d'observations à venir. Une supervision locale et centrée sur le contact, au niveau des patchs d'image issus de la caméra de poignet, fait passer le taux de réussite sur le benchmark simulé LIBERO de 84,1% à 88,4%, et sur des tâches réelles de désassemblage de 63,3% à 82,5%. Une supervision équivalente via une caméra à la troisième personne améliore aussi légèrement les résultats sur Meta-World, de 56,70% à 57,8%. Le travail cible une limite connue des VLA actuels, qui conditionnent généralement l'action sur la seule observation présente sans anticiper l'évolution de la tâche, un manque pénalisant pour les manipulations fines et riches en contacts comme l'assemblage ou le désassemblage. Le gain le plus net apparaît justement sur une tâche réelle de désassemblage, plus proche des besoins industriels que les benchmarks simulés, ce qui limite le risque d'un résultat purement académique. L'écart entre le fort gain obtenu via la caméra de poignet et le gain marginal via la troisième personne (+1,1 point sur Meta-World) suggère que la dynamique locale près du point de contact compte plus que le contexte global de la scène. Pour un intégrateur, l'argument clé est que cette tête auxiliaire n'intervient qu'à l'entraînement et n'alourdit donc pas le temps d'inférence en production. PHR-VLA s'inscrit dans la lignée des modèles VLA généralistes comme Pi-0 de Physical Intelligence, GR00T N2 de NVIDIA ou Helix de Figure, qui transforment instruction en langage naturel et flux vidéo en actions robotiques. À la différence d'approches fondées sur des modèles du monde générant explicitement des vidéos futures, coûteuses en calcul, la méthode se limite à un alignement de représentations latentes, plus économe. Il s'agit pour l'instant d'un travail de recherche en preprint, sans déploiement industriel annoncé ni implication d'acteur français ou européen du secteur, la suite logique étant une éventuelle intégration de cette technique d'entraînement dans des piles VLA commerciales existantes.

Recherche❧Opinion

1 source

36

2442arXiv cs.RO 

DeicticVLA : unifier les instructions vocales et gestuelles dans un seul modèle VLA

Des chercheurs présentent DeicticVLA (arXiv:2608.28108v1), un modèle vision-langage-action (VLA) unifiant trois modes d'instruction dans une seule politique préentraînée : le langage pur (LI), le vision-langage (VLI), et l'instruction visuelle par gestes déictiques comme le pointage (VI). La méthode convertit ces trois formats en un prompt textuel commun associé à des masques déictiques, appris par un backbone partagé avec les mêmes démonstrations. Après comparaison en simulation de deux méthodes de prompting visuel RGB, deux méthodes de masquage et trois stratégies d'entraînement, les auteurs valident l'approche sur trois tâches robotiques réelles avec une seule politique gérant les trois modes. Sur des catégories d'objets jamais vues, VLI et VI atteignent 100 % de réussite contre seulement 16,7 % pour une politique LI classique, et un entraînement en deux étapes améliore l'usage des masques dans des configurations inédites. Ce résultat cible une friction concrète pour l'industrie : distinguer "la boîte" parmi plusieurs objets identiques, ou désigner un point de pose précis, exige des descriptions détaillées que les VLA actuels suivent mal face à des objets ou formulations absents de l'entraînement. En montrant qu'une seule politique gère sans réentraînement le langage, le pointage et leur combinaison, DeicticVLA comble un écart souvent cité entre démonstrations scriptées et usage réel, où les opérateurs pointent naturellement plutôt que de formuler des phrases exhaustives. Pour les intégrateurs de bras manipulateurs en tri ou assemblage à forte variabilité d'objets, cela ouvre une voie pour réduire l'ingénierie de prompt. L'écart de 100 % contre 16,7 % pointe directement la fragilité hors distribution reprochée aux VLA entraînés seulement sur texte. Ces travaux s'inscrivent dans une recherche plus large visant à rendre les VLA plus robustes, alors que des modèles comme Pi-0 de Physical Intelligence, GR00T N2 de NVIDIA ou Helix de Figure ont déjà montré la capacité de ces architectures à généraliser des tâches de manipulation par langage naturel, sans toujours lever l'ambiguïté entre objets similaires. DeicticVLA intègre le geste comme canal d'instruction à part entière, plutôt que comme simple ajout au langage. L'étude reste un travail de recherche publié sur arXiv, validé en simulation et sur trois tâches physiques seulement, non un produit déployé ; les auteurs le présentent comme des lignes directrices de conception plutôt qu'un système prêt à l'intégration.

Recherche❧Opinion

1 source

35

2443arXiv cs.RO 

CAVE-NAV : navigation autonome 3D en grotte sous-marine par modèle vision-langage

Des chercheurs proposent CAVE-NAV, un système de navigation autonome en 3D pour environnements de grottes sous-marines, décrit dans un article publié sur arXiv (référence 2608.27793v1). Le framework s'appuie sur un modèle vision-langage (VLM) doté d'un raisonnement en chaîne de pensée (Chain-of-Thought) pour déduire les directions praticables à partir d'indices environnementaux tels que les gradients d'intensité lumineuse, la morphologie des passages et la complexité géométrique des galeries. Le système combine plusieurs entrées multimodales : imagerie RGB, cartes de profondeur et mesures de dégagement vertical obtenues par sonar. Les auteurs rapportent que des simulations haute fidélité menées sur plusieurs topologies de grottes différentes montrent que le framework a complété l'intégralité des traversées de bout en bout évaluées sans collision, tout en maintenant une marge de sécurité par rapport aux parois. Il s'agit à ce stade d'une validation en simulation, sans déploiement physique rapporté sur un véhicule sous-marin réel. L'enjeu dépasse la simple exploration spéléologique : la navigation en grotte sous-marine constitue un cas d'usage extrême pour les opérations de recherche et sauvetage, l'exploration scientifique et les procédures d'évacuation d'urgence, des contextes où les méthodes classiques de localisation par caractéristiques visuelles échouent à cause de la dégradation de l'image sous l'eau, et où le sonar produit des cartes d'obstacles trop conservatrices pour permettre un passage sûr dans des tunnels étroits. L'absence de communication en temps réel avec un opérateur humain exclut aussi tout téléguidage. En démontrant qu'un VLM avec raisonnement explicite peut interpréter des indices environnementaux ambigus pour guider un véhicule dans un espace confiné en 3D, ces travaux illustrent une tendance plus large : l'extension des modèles vision-langage, initialement conçus pour la robotique terrestre et manipulatrice, vers des domaines où les capteurs traditionnels montrent leurs limites, comme le sous-marin. Ce travail s'inscrit dans le prolongement des recherches en robotique sous-marine autonome (AUV), un domaine longtemps dominé par des approches basées sur le sonar et le SLAM visuel classique, peu adaptées aux grottes noyées à faible visibilité. Aucun acteur français ou européen n'est mentionné dans cette publication. Les auteurs ne précisent ni les prochaines étapes vers des essais en conditions réelles, ni de partenariat industriel ou institutionnel identifié, ce qui place ces résultats au stade de la preuve de concept académique plutôt que d'une solution prête à déployer sur le terrain.

Recherche❖Paper

1 source

35

2444arXiv cs.RO 

SIMPNet : réseau de planification de mouvement guidé par l'information spatiale

Des chercheurs présentent SIMPNet (Spatial-Informed Motion Planning Network), décrit dans la version révisée d'un article arXiv (2408.12831) initialement publié mi-2024. Le système s'appuie sur un réseau de neurones sur graphe stochastique et un mécanisme d'attention croisée qui projettent une représentation de l'espace de travail dans l'espace des configurations du bras robotique. La structure cinématique du manipulateur est elle-même encodée sous forme de graphe pour générer des échantillons "informés", exploités ensuite par des algorithmes classiques de planification de mouvement par échantillonnage. Les auteurs ont validé l'approche sur un bras collaboratif UR5e à six degrés de liberté, dans des scènes simples puis encombrées, avec des résultats supérieurs à plusieurs planificateurs de référence considérés comme état de l'art ; code et démonstrations sont publiés sur le site du projet. L'enjeu cible une faiblesse connue des planificateurs par échantillonnage type RRT ou PRM, qui reposent sur un tirage uniforme ou des heuristiques écrites à la main et deviennent inefficaces dès que l'espace des configurations grandit ou que l'environnement se complexifie. Un échantillonnage appris et conditionné par la géométrie de la scène promet donc des cycles de planification plus courts pour des intégrateurs qui déploient des bras en cellules encombrées, sans changer le planificateur lui-même puisque SIMPNet n'en est qu'un module d'échantillonnage inséré dans des algorithmes existants. La validation reste toutefois limitée à un seul modèle de bras et à des scénarios de laboratoire, sans temps de cycle ni métrique de production communiqués, ce qui en fait une preuve de concept académique plutôt qu'un résultat prêt pour l'usine. Le travail s'inscrit dans un courant de recherche qui, depuis plusieurs années, cherche à remplacer l'échantillonnage aléatoire des planificateurs classiques par des heuristiques neuronales pour faire tenir la planification à l'échelle dans des espaces de configuration à haute dimension. La mention "replace" associée à la publication signale une version corrigée d'un travail mis en ligne pour la première fois en août 2024, donc encore en cours d'affinage. Aucun partenaire industriel, pilote client ni feuille de route de transfert vers un produit commercial n'est mentionné dans l'article : le site du projet fait pour l'instant office de vitrine académique, avec code source et vidéos de démonstration, sans annonce de licence auprès de fabricants de bras robotiques.

Recherche❖Paper

1 source

33

2445arXiv cs.RO 

Localisation probabiliste de source de gaz par plusieurs robots avec capteurs non calibrés : une approche d'estimation distribuée

Des chercheurs proposent une méthode probabiliste distribuée pour localiser une source de gaz avec une flotte de robots équipés de capteurs non calibrés et hétérogènes, un scénario où les réponses non linéaires et incohérentes des capteurs empêchent normalement toute fusion fiable des données. Décrite dans un article arXiv publié fin août 2026 (arXiv:2608.28214v1), l'approche fait que chaque robot calcule localement une croyance probabiliste à partir d'une caractéristique fondée sur le rang des observations, une mesure de l'évolution relative des lectures de capteur invariante à leur échelle et à leurs non-linéarités, donc utilisable sans étalonnage préalable. Ces croyances locales sont ensuite fusionnées entre robots via une formulation de type "produit d'experts" pour obtenir une estimation globale cohérente de la position de la source. Le système intègre aussi une stratégie d'allocation de zones et de planification de trajectoires qui réduit l'exploration redondante en équilibrant exploration et exploitation entre les robots. La validation a été menée uniquement en simulation haute-fidélité, avec des modèles réalistes de capteurs de gaz, sans déploiement physique annoncé à ce stade. Pour l'industrie robotique, ce travail s'attaque à un verrou concret de l'exploitation multi-robots en environnement industriel ou de sécurité civile : la nécessité, aujourd'hui, de calibrer précisément chaque capteur de gaz avant déploiement, une contrainte coûteuse et fragile dès qu'on mélange du matériel hétérogène ou vieillissant. Une méthode calibration-free change la logique de déploiement de flottes low-cost ou mixtes, pour des applications comme la détection de fuites industrielles, la surveillance environnementale ou les interventions après accident chimique, où l'homogénéité des capteurs n'est jamais garantie. Les résultats en simulation montrent une amélioration significative de la précision de localisation par rapport à une méthode de référence agrégeant les mesures brutes, ce qui valide l'intuition que les représentations invariantes au capteur généralisent mieux que la fusion de données calibrées classique, sans toutefois prouver la robustesse en conditions réelles. Ce travail s'inscrit dans le champ plus large de la localisation de sources (gaz, radiations, odeurs) par essaims robotiques, un domaine où la robustesse aux capteurs bon marché et hétérogènes reste un obstacle récurrent face aux capteurs de laboratoire calibrés utilisés en recherche. Les auteurs positionnent explicitement leur contribution comme une brique générique de "sensing invariant au capteur" potentiellement transférable à d'autres tâches d'estimation distribuée au-delà du gaz, comme la cartographie thermique ou radiologique. Les prochaines étapes attendues, non détaillées dans l'abstract, porteraient logiquement sur une validation en conditions réelles avec des capteurs physiques hétérogènes, seule étape capable de confirmer que le gain observé en simulation se maintient face au bruit et aux dérives des dispositifs réels.

Recherche❖Paper

1 source

33

2446arXiv cs.RO 

Planification de mouvement coordonnée pour systèmes multi-bras via jeux LQ itératifs

Un preprint publie le 31 aout 2026 sur arXiv (2608.27726) présente un cadre de planification de mouvement pour plusieurs bras robotiques a haut nombre de degrés de liberté partageant un même espace de travail. Baptise "itérative LQ game", il modelise chaque manipulateur comme un agent indépendant optimisant son propre objectif tout en tenant compte de l'état global et des contraintes de collision imposées par les autres bras. L'algorithme résout une succession de jeux linéaires-quadratiques locaux, linéarisé la dynamique autour d'une trajectoire nominale et utilise des récursions de Riccati pour produire des stratégies de "feedback Nash equilibrium", en intégrant des pénalités différentiables contre l'auto-collision et les collisions inter-bras. Les auteurs rapportent des trajectoires plus lisses, plus sures et plus efficaces que les méthodes classiques en haute dimension, sans préciser de chiffres de temps de cycle, de charge utile ni de plateforme testée. Cette approche s'attaque a un compromis classique de la robotique industrielle multi-bras: les planificateurs centralises restent cohérents mais passent mal a l'échelle, tandis que les approches décentralisées peinent a garantir sécurité et robustesse en temps réel. En traitant chaque bras comme un joueur dans un jeu différentiel plutôt qu'un sous-système isole, le framework vise une coordination calculable en haute dimension, un enjeu pour les intégrateurs qui font travailler plusieurs manipulateurs sur une même cellule. Si ces résultats résistent au-delà des simulations des auteurs, ils confirmeraient que la théorie des jeux peut aussi s'appliquer aux bras articules, une piste jusqu'ici surtout explorée pour la conduite autonome multi-véhicules. Le travail prolonge une lignée de recherches sur les jeux LQ itératifs déjà utilises pour modéliser les interactions entre véhicules autonomes, en l'adaptant pour la première fois de façon explicite aux systèmes multi-bras, ou l'auto-collision et l'encombrement partage compliquent le problème. Aucun laboratoire ni industriel n'est identifie dans le preprint, qui reste un travail purement algorithmique sans affiliation commerciale revendiquée. Simple preprint de recherche sans validation matérielle annoncée, il s'agit d'une avancée méthodologique et non d'un produit: la suite logique serait un test sur des bras collaboratifs réels pour vérifier si les gains observes en simulation résistent au bruit du monde physique.

Recherche❖Paper

1 source

33

2447arXiv cs.RO 

Exploration coopérative des risques dans des systèmes multi-robots hétérogènes par altruisme algorithmique

Publié fin août 2026 sur arXiv (référence 2608.28409), un article propose un cadre de théorie des jeux pour l'exploration coopérative de zones dangereuses par des équipes hétérogènes de robots : chaque agent planifie, sur un horizon fini, une trajectoire qui maximise le gain d'information tout en pénalisant la redondance et l'exposition au danger. Des paramètres de valeur propres à chaque robot et des poids de « parenté » inspirés de la règle de Hamilton définissent un équilibre social qui pousse les robots de moindre valeur à accepter plus de risque au bénéfice des robots plus critiques pour l'équipe. En simulation, cette planification altruiste réduit l'exploration redondante, améliore la séparation entre robots et réalloue le risque sans perte notable de couverture, un résultat confirmé sur du matériel réel avec des robots à roues guidés par des contrôleurs à simple intégrateur et des certificats de barrière. Le travail s'attaque à une question peu formalisée dans les systèmes multi-robots : répartir le risque, et pas seulement les tâches, entre agents de valeur inégale, alors que la plupart des algorithmes d'exploration de flotte optimisent la couverture sans distinguer les robots entre eux. Formaliser l'altruisme comme une fonction d'utilité calculable ouvre une piste pour des flottes hétérogènes en environnements dangereux (recherche et sauvetage, inspection de sites contaminés, exploration minière), où sacrifier délibérément une unité bon marché pour protéger un robot plus coûteux a un sens opérationnel direct. La validation reste toutefois limitée à la simulation et à une démonstration matérielle restreinte à des robots à roues, sans exposition à un danger réel ni test de passage à l'échelle. Ce travail s'inscrit dans un champ où l'exploration multi-robots traite généralement chaque robot comme interchangeable dans une fonction de coût de couverture homogène. En important des concepts issus de la biologie évolutive (sélection de parentèle, altruisme réciproque) et de la théorie des jeux coopératifs, les auteurs proposent une alternative structurée à la pondération manuelle des priorités entre robots. Il s'agit pour l'instant d'un preprint arXiv non encore relu par les pairs, sans calendrier de déploiement annoncé, et les prochaines étapes attendues porteraient sur l'extension à des flottes aériennes ou à pattes et sur des scénarios de danger plus réalistes qu'en laboratoire.

Recherche❖Paper

1 source

27

2448arXiv cs.RO 

Traduction du langage temporel linéaire par raisonnement auto-contraint inspiré de l'humain pour la spécification de tâches robotiques

Une équipe de recherche présente Self-Constrained Reasoning (SCR), un framework destiné à traduire des instructions en langage naturel vers la Logique Temporelle Linéaire (LTL), le formalisme utilisé pour spécifier de manière vérifiable les sous-objectifs, contraintes et séquencements temporels des tâches robotiques. L'article, publié sur arXiv sous la référence 2608.28435v1, décrit une architecture qui combine une représentation structurelle des contraintes avec une formulation de décision hiérarchique, permettant au modèle d'intégrer les règles du domaine directement dans son processus de raisonnement plutôt que de les appliquer après coup comme un filtre externe. Les auteurs rapportent, via des expériences, une amélioration simultanée du respect des contraintes du domaine et de la capacité de généralisation à des instructions inédites, sans préciser dans le résumé les jeux de données, les taux de réussite chiffrés ni les architectures de modèles de langage utilisées comme base. Pour les intégrateurs et concepteurs de systèmes robotiques, ce travail cible un problème concret : les opérateurs humains formulent des tâches en langage ambigu et sous-spécifié, alors que l'exécution sûre et vérifiable exige des spécifications formelles précises. Les traducteurs existants basés sur des grands modèles de langage souffrent d'un compromis connu, un raisonnement ouvert peut enfreindre les contraintes du domaine, tandis qu'un filtrage strict après génération peut casser la capacité du modèle à traiter des instructions nouvelles. SCR se positionne comme une réponse à ce dilemme précis, ce qui, si les résultats se confirment à plus grande échelle, intéresserait directement les architectes de piles logicielles robotiques cherchant à garantir formellement le comportement d'un robot tout en conservant la flexibilité du langage naturel en entrée. Ce travail s'inscrit dans un courant de recherche plus large sur l'usage des LLM comme interface entre commande humaine et exécution robotique vérifiable, un axe distinct des approches VLA (Vision-Language-Action) de bout en bout comme Pi-0 ou GR00T N2, puisqu'il vise la génération de spécifications formelles plutôt que le contrôle moteur direct. L'abstract ne mentionne ni laboratoire, ni affiliation institutionnelle, ni plateforme robotique de validation, ni calendrier de publication du code ou de suites expérimentales, ce qui limite à ce stade la portée de l'annonce à une contribution méthodologique publiée en prépublication, sans déploiement ni pilote industriel associé.

Recherche❖Paper

1 source

44

2449Pandaily 

Les fabricants chinois de robots s'attaquent à la pénurie de main-d'œuvre au Japon

Lors de la fête d'anniversaire d'un octogénaire au Japon, deux robots humanoïdes chinois ont dansé sur scène avant que l'un d'eux ne tende un bras pour remettre un cadeau à l'invité, une scène devenue emblématique de l'offensive des fabricants chinois sur l'un des marchés robotiques les plus matures au monde. Unitree compte désormais parmi les marques humanoïdes chinoises les plus reconnues au Japon, selon un ingénieur d'une société japonaise de logiciels pour humanoïdes, les clients locaux venant de plus en plus spontanément vers l'entreprise. D'après Smart Analytics Global, les fabricants chinois ont représenté 97 % des livraisons mondiales d'humanoïdes au premier semestre 2026, soit environ 18 500 unités, avec le Japon vieillissant comme destination clé pour l'entreposage, la restauration, le domicile, l'automobile et les aéroports. Le Japon reste pourtant une puissance industrielle: ses fabricants dominaient le classique "big four" et fournissaient environ 45 % des exportations mondiales de robots industriels en 2020. McKinsey prévoit une baisse de 1,5 million de personnes de la main-d'œuvre disponible d'ici vingt ans, et une enquête Reuters-Nikkei montre que 34 % de 220 entreprises interrogées utilisent, prévoient ou envisagent des robots dotés d'IA. Ce mouvement teste une hypothèse centrale du secteur: la percée chinoise sur les prix et les volumes suffit-elle à s'imposer face à des clients industriels exigeants. Au Japon, les acheteurs récompensent l'automatisation qui s'intègre aux process existants, bénéficie d'une maintenance locale et démontre un retour sur investissement clair, pas seulement une démonstration spectaculaire d'humanoïde. Pour les intégrateurs et décideurs B2B, le signal est que la robotique de service chinoise progresse moins par la performance brute que par la capacité à construire une distribution locale crédible, un enjeu direct pour les acteurs occidentaux et japonais qui misaient sur leur avance technologique comme rempart. Cette avancée s'appuie sur des précédents: Geek+, spécialiste de l'entreposage, a lancé son premier projet à l'étranger au Japon dès 2017; le robot de livraison BellaBot de Pudu a été adopté par des chaînes de restaurants; SwitchBot, marque domotique, équipe plus de deux millions de foyers japonais. Les partenariats s'accélèrent: Hitachi s'est associé à UBTECH en mai 2026, et Unitree a signé un accord de distribution avec GMO AIR en juin 2026. Keenon a ouvert une filiale japonaise en 2022 avec plus de 200 points de support, Dobot un bureau à Tokyo en 2023. Les ventes passent par des maisons de commerce et intégrateurs, avec des cycles souvent longs de plusieurs années. Le secteur robotique japonais a enregistré 1,0456 trillion de yens de commandes en 2025, en hausse de 25,7 %, confirmant que la patience reste la condition d'entrée sur ce marché.

Chine/Asie❧Opinion

1 source

44

2450Pandaily 

Les fabricants chinois de robots répondent à la pénurie de main-d'œuvre au Japon

Lors de l'anniversaire d'un homme de 80 ans au Japon, deux robots humanoïdes chinois ont dansé sur scène avant que l'un d'eux ne tende un cadeau à l'invité, une image devenue emblématique de l'entrée massive des fabricants chinois sur le marché robotique japonais. Unitree compte désormais parmi les marques d'humanoïdes chinoises les plus connues au Japon, selon un ingénieur d'une société japonaise de logiciels pour humanoïdes, les clients trouvant de plus en plus l'entreprise plutôt que l'inverse. Selon Smart Analytics Global, les fabricants chinois ont représenté 97% des livraisons mondiales d'humanoïdes, soit environ 18 500 unités, au premier semestre 2026. Geek+ a lancé son premier projet à l'étranger au Japon dès 2017, le robot livreur BellaBot de Pudu a intégré des chaînes de restaurants, et la marque domotique SwitchBot équipe désormais plus de deux millions de foyers japonais. Hitachi s'est associé à UBTECH en mai 2026, et Unitree a signé un accord d'agence avec GMO AIR en juin 2026. Keenon a ouvert une filiale japonaise en 2022, avec plus de 200 points de support, et Dobot un bureau à Tokyo en 2023. Cette expansion survient alors que le Japon, confronté à un vieillissement démographique marqué, cherche des solutions d'automatisation en entrepôt, restauration, domicile, automobile et aéroports. McKinsey projette une baisse d'environ 1,5 million de travailleurs disponibles sur les vingt prochaines années, et une enquête Reuters-Nikkei menée auprès de 220 entreprises montre que 34% d'entre elles utilisent déjà des robots dotés d'IA, prévoient de le faire, ou l'envisagent. Pour les fournisseurs chinois, réussir au Japon vaudrait démonstration que leurs plateformes de robots humanoïdes et de service passent de la vitrine médiatique au déploiement industriel réel, dans une économie réputée exigeante en intégration. Mais le marché n'est pas un raccourci facile: les clients japonais privilégient une automatisation compatible avec leurs processus existants, maintenue par des équipes locales et au retour sur investissement démontré, plutôt qu'un humanoïde spectaculaire mais isolé. Le Japon reste une puissance industrielle de la robotique: ses fabricants ont dominé le groupe historique des "quatre grands" et fourni environ 45% des exportations mondiales de robots industriels en 2020. Les commandes de l'industrie robotique japonaise ont atteint 1,0456 trillion de yens en 2025, en hausse de 25,7%. Mais les usages récents en logistique et services exigent des équipements plus simples à déployer et adapter que les robots industriels classiques, une brèche que les acteurs chinois exploitent. Leur distribution passe par des maisons de commerce et des intégrateurs système, avec des cycles de vente souvent longs de plusieurs années. Pour les fabricants chinois, s'implanter durablement au Japon reste avant tout un test de patience et d'engagement à long terme, plus qu'une conquête de marché rapide.

Chine/Asie⚡Actu

1 source