Actualités robotique — page 6

7 308 articles au fil, du plus récent au plus ancien.

45

251arXiv cs.RO 

RoboPrompt : un pilotage intuitif des politiques robotiques à partir de peu d'interventions humaines

Des chercheurs présentent RoboPrompt, un système léger de pilotage de politiques robotiques qui permet à un opérateur de guider un robot par des entrées éparses : traces dessinées, points cibles ou instructions directionnelles grossières. Le principe consiste à découpler la traduction de l'intention humaine de la politique sous-jacente. Un module réutilisable convertit la consigne en « brouillons d'actions », ensuite raffinés par la dynamique de diffusion ou de flow-matching de la politique de base. Le contrôle s'exerce dans l'espace de bruit, ce qui équilibre l'intention de l'utilisateur et le prior appris, sans modifier l'architecture ni réentraîner la politique pour la rendre pilotable. Les tests couvrent trois politiques : Diffusion Policy, π0.5 et FastWAM. Les auteurs utilisent aussi les déroulés pilotés pour l'amélioration en ligne via DAgger. Après 2 à 3 itérations, le taux de succès moyen de π0.5 progresse de 15,5 % sur trois tâches, et de 21,3 % sur les trois politiques pour la tâche « Insert Bread ». Le nombre moyen d'interventions humaines baisse de 44,0 % (de 2,86 à 1,60) pour π0.5, et de 81,9 % (de 2,60 à 0,47) pour la tâche multi-politiques. L'enjeu est pratique. Les politiques de bout en bout entraînées par imitation restent limitées par la diversité de leurs données, ce qui rend le déploiement zero-shot peu fiable hors laboratoire. Les deux réponses habituelles ont chacune un coût : la téléopération en autonomie partagée exige du matériel spécialisé et des opérateurs formés, tandis que l'ajout de guidage comme entrée supplémentaire impose des changements d'architecture et un entraînement dédié, propre à chaque politique. Une approche qui s'applique telle quelle à des modèles aussi différents qu'un Diffusion Policy classique et un VLA comme π0.5 abaisse la barrière d'entrée pour des intégrateurs qui veulent corriger un robot en production sans passer par du hardware de téléopération. La boucle de correction vers DAgger est le point le plus intéressant pour un décideur : l'intervention humaine, moins coûteuse, devient une source de données d'amélioration, et la charge d'intervention diminue à mesure que la politique apprend. Il faut toutefois rester prudent : ce sont des résultats de recherche sur un nombre limité de tâches, sans information dans le résumé sur la nature des tâches, les volumes d'essais ni les conditions réelles de déploiement, et les gains en pourcentage ne disent rien des taux de succès absolus. Ce travail s'inscrit dans une tendance où les politiques génératives (diffusion, flow-matching) deviennent la base des modèles généralistes, et où la question centrale passe de « comment entraîner » à « comment superviser et corriger à moindre coût ». Il se positionne face aux méthodes de shared autonomy par téléopération et face aux politiques conditionnées sur des guidages spécifiques, qui demandent un réentraînement. Le papier, publié sur arXiv, est une préparation académique et non un produit livré : aucun pilote industriel ni calendrier de commercialisation n'est annoncé. La suite logique serait de valider l'approche sur des tâches plus longues et plus variées, en conditions réelles, et de mesurer la robustesse du module de traduction face à des consignes ambiguës ou bruitées.

Recherche❖Paper

1 source

45

252arXiv cs.RO 

Les modèles du monde rêvent de réussite : diagnostiquer et corriger leur insensibilité à l'échec en robotique

Des chercheurs publient CureWM, une méthode de réparation pour les modèles du monde robotiques (world models) qui échouent à distinguer une action réussie d'un échec. Le constat part de quatre checkpoints publics issus de deux familles d'architectures: tous réagissent faiblement aux changements d'action et prédisent des issues «proches du succès» pour des échecs pourtant vérifiés. CureWM génère des actions alternatives à partir de démonstrations réussies, sur une grille de sévérité. Il en vérifie ensuite le résultat par exécution, en simulation ou sur matériel réel. Enfin, il affine le modèle existant sur les échecs obtenus, sur les succès restants et sur les démonstrations nominales, sans toucher à l'architecture ni à l'objectif d'entraînement. Le code est disponible sur GitHub. Sur 484 contrefactuels d'échec réservés du benchmark LIBERO, l'optimisme excessif (la part d'échecs prédits comme des succès) tombe de 80 % après un affinage sur les données officielles à 30-43 % sur quatre modèles CureWM entraînés indépendamment, soit 38 % en moyenne. Sur un bras robotique physique, dans deux évaluations distinctes, les prédictions d'échec jugées «proches du succès» par un diagnostic de distance latente passent de 90 % (affinage sur succès seuls) à 33 % avec CureWM. À nombre d'échecs par tâche, données de rejeu de succès et budget d'entraînement égaux, les échecs contrefactuels donnent un écart de valeur succès-échec de 0,124, contre 0,014 pour des échecs «on-policy» collectés à neuf. Ces résultats comptent parce que les world models servent de plus en plus à évaluer des politiques, à planifier et à produire des données synthétiques. Un modèle qui «rêve» le succès quelle que soit l'action rend ces usages trompeurs: une politique défaillante paraîtrait performante, et des données générées seraient biaisées vers la réussite. Le travail remet aussi en cause l'idée que collecter davantage d'échecs réels suffit, puisque les échecs on-policy apportent ici douze fois moins de contraste que les contrefactuels construits depuis un même contexte initial. Les auteurs ajoutent un garde-fou méthodologique: réduire l'optimisme ne suffit pas, il faut le mesurer avec la capacité de discrimination entre succès et échec, faute de quoi un modèle pessimiste en tout passerait pour réparé. Les chiffres proviennent d'un seul groupe, sur LIBERO et un bras unique, sans validation indépendante à ce stade. Ce papier s'inscrit dans une littérature qui intègre déjà des échecs à l'entraînement des world models, mais en modifiant architecture ou objectif. CureWM vise au contraire la réparation a posteriori de checkpoints diffusés, ce qui le rend directement applicable aux modèles que les équipes utilisent déjà. Il s'adresse à ceux qui s'appuient sur des modèles du monde pour la validation de politiques VLA avant déploiement. Les prochaines étapes à surveiller sont la reproduction sur d'autres benchmarks et morphologies, ainsi que l'application à de plus grands modèles de fondation.

Recherche❖Paper

1 source

45

253arXiv cs.RO 

Pulvérisation adaptative de pesticides pour robots agricoles selon la météo et le terrain, grâce aux modèles vision-langage

Des chercheurs proposent, dans une préimpression arXiv (2610.08807), un cadre de pulvérisation adaptative pour robots agricoles fondé sur des modèles vision-langage (VLM). Le système fusionne plusieurs sources : le type de culture identifié par la caméra, le type de pesticide appliqué et les données météorologiques, notamment la température et la vitesse du vent. À partir de ces entrées, le VLM raisonne spatialement et décide du volume de produit à pulvériser et de la vitesse d'avance. L'exécution repose sur un contrôleur de suivi de trajectoire de type MPPI (Model Predictive Path Integral), qui assure la navigation le long des rangs et le déclenchement précis de la pulvérisation aux emplacements des plants. Les auteurs annoncent un gain de précision d'au moins 30 % dans la détection des rangs de culture par rapport aux méthodes comparées. Deux environnements d'essai ont montré que le robot ajuste son volume de pulvérisation et sa vitesse, avec une réduction de la dérive des pesticides. Le résumé ne donne ni le nom du robot, ni les modèles de VLM utilisés, ni les surfaces testées, ni les volumes économisés. L'intérêt tient au déplacement du problème. La plupart des robots de pulvérisation de précision se concentrent sur la détection des cultures et appliquent ensuite des paramètres fixes, définis à l'avance. Un opérateur humain, lui, module sa dose et son allure selon le vent, la chaleur, la parcelle et le produit, car ces variables déterminent la dérive, l'uniformité du dépôt et donc l'efficacité du traitement. Utiliser un VLM comme couche de décision contextuelle revient à tester si ce raisonnement de « bon sens agronomique » peut être confié à un modèle généraliste, sans règles codées à la main pour chaque combinaison culture, produit et météo. Pour les constructeurs et les exploitants, l'enjeu est double : moins de produit phytosanitaire gaspillé ou emporté hors parcelle, et une pression réglementaire à la baisse sur les intrants. Les limites sont à garder en tête. Le gain de 30 % porte sur la détection des rangs, pas sur la qualité agronomique du traitement. Les résultats de deux environnements d'essai ne disent rien de la robustesse en conditions réelles, ni de la latence d'inférence d'un VLM embarqué, ni de la fiabilité face à des erreurs de raisonnement du modèle sur des doses de produits chimiques. Ce travail s'inscrit dans la convergence entre robotique agricole et modèles fondationnels, déjà visible dans la manipulation avec les VLA (vision-language-action). Il côtoie des acteurs commerciaux de la pulvérisation ciblée, comme Carbon Robotics avec le désherbage laser, Blue River (John Deere) avec See & Spray, ou, en Europe, des acteurs comme Naïo Technologies ou FarmDroid, qui misent sur la détection plutôt que sur l'adaptation contextuelle. MPPI, méthode de contrôle par échantillonnage, est un choix répandu pour la navigation robuste en terrain irrégulier. Les prochaines étapes logiques seraient des essais en plein champ sur plusieurs saisons, une comparaison chiffrée avec des opérateurs humains et une mesure directe de la dérive et de la consommation de produit. À ce stade, il s'agit d'une démonstration académique, sans produit ni pilote annoncé.

Recherche❖Paper

1 source

45

254arXiv cs.RO 

RoboQuest : des agents physiques généralistes qui cherchent, inspectent et testent

RoboQuest, un nouveau benchmark publié sur arXiv (2610.10388), mesure la capacité d'agents physiques généralistes à explorer activement leur environnement avant d'agir. Il regroupe dix tâches de manipulation mobile construites autour de trois formes d'incertitude: la recherche d'un objet absent des observations, l'inspection par manipulation d'une propriété non visible, et le test interactif de l'effet d'un outil inconnu. L'agent doit acquérir l'information par interaction physique, adapter ses actions en conséquence et décider seul du moment où il considère la tâche terminée. Les auteurs ont évalué cinq agents multimodaux de pointe via une interface visuomotrice commune, ainsi qu'une politique π0.5 affinée sur les démonstrations d'épisodes complets qu'ils publient avec le benchmark. Le meilleur agent ne réussit que 23 % des épisodes, et la politique affinée ne réussit presque jamais. Ce résultat nuance l'idée selon laquelle les modèles de fondation multimodaux seraient déjà des agents physiques généralistes fiables. Des tests isolés, où l'information cachée est fournie à l'agent, montrent qu'il exécute correctement la plupart des gestes requis, et l'analyse des échecs n'attribue qu'une minorité d'entre eux à l'exécution. Le verrou se déplace donc de la dextérité vers la décision: les agents s'arrêtent trop tôt, avant d'avoir observé la preuve nécessaire pour conclure. Ils corrigent ou préviennent en outre rarement les perturbations causées par leur propre exploration, par exemple un objet déplacé ou un tiroir laissé ouvert. L'apprentissage par essais et erreurs reste difficile pour la plupart des modèles. Pour les intégrateurs et décideurs industriels, cela signifie que des démonstrations réussies en environnement connu ne garantissent rien dans un site non cartographié, où l'information utile manque souvent au départ. Le fait que la politique π0.5 échoue presque systématiquement suggère aussi que l'imitation sur des démonstrations seules ne suffit pas pour ce type de comportement. Le travail s'inscrit dans la course aux modèles vision-langage-action et aux agents généralistes, où les benchmarks existants testent surtout l'exécution de consignes avec des informations visibles, plutôt que la collecte active d'indices. RoboQuest comble en partie cet écart et fournit des données d'épisodes complets pour entraîner et comparer de futures approches. Les auteurs ne détaillent pas dans le résumé quels modèles de pointe ont été testés, ce qui limite la comparaison fine. Les suites probables sont des méthodes de raisonnement et de mémoire explicites sur l'incertitude, ainsi que des entraînements par renforcement ou par essais et erreurs. Il s'agit ici d'un travail de recherche et d'un jeu d'évaluation, sans produit ni déploiement associé.

Recherche❖Paper

1 source

45

255arXiv cs.RO 

FlashNeRD : une dynamique neuronale de robots avec contacts multiples, conçue pour la performance

FlashNeRD, un travail déposé sur arXiv (2610.09130v1), propose une nouvelle génération de modèles de dynamique neuronale pour la simulation robotique. Il s'appuie sur Neural Robot Dynamics (NeRD), qui garde la détection de collision analytique mais remplace la dynamique numérique du robot par un modèle appris. Les auteurs identifient trois limites de NeRD: un gain de vitesse quasi nul face au simulateur d'origine, des contacts acceptés uniquement en des points prédéfinis, et l'absence de couplage bidirectionnel avec les objets manipulés. FlashNeRD y répond par une architecture parallèle en flux continu (« streaming »), un encodeur qui accepte les contacts où qu'ils surviennent, et un couplage bidirectionnel avec des objets simulés par des solveurs analytiques. Sur trois robots, le modèle de dynamique est jusqu'à 55 fois plus rapide qu'un NeRD optimisé, et plus précis sur de longs rollouts. Une politique de locomotion ANYmal est entraînée par PPO en 34 secondes, soit 3,8 fois plus vite qu'avec le simulateur analytique et 2,7 fois plus vite qu'avec un NeRD optimisé. Avec DIAL-MPC, une commande prédictive par échantillonnage, le robot franchit les six plateformes de test là où NeRD à contacts fixes n'en passe qu'une, pour environ la moitié du temps de planification du simulateur analytique. Des politiques de réorientation de cube entraînées avec FlashNeRD atteignent un nombre de cibles à 2 % près de celui d'une politique entraînée dans le simulateur. Les expériences portent sur cinq robots. L'enjeu est de savoir si un simulateur appris peut devenir plus qu'une curiosité académique. Jusqu'ici, la promesse d'une simulation différentiable et adaptable à des données réelles se heurtait à un obstacle: si le modèle appris n'accélère pas l'entraînement, personne n'a de raison de quitter un simulateur analytique éprouvé. Un gain de 3,8 fois sur l'apprentissage de locomotion et une planification deux fois moins coûteuse changent ce calcul pour les équipes qui entraînent des politiques par apprentissage par renforcement ou par MPC. Le résultat sur le cube est aussi significatif: un transfert à 2 % près suggère que les politiques apprises dans un simulateur neuronal conservent leur performance en manipulation riche en contacts. Il faut toutefois rester prudent: ce sont des résultats de simulation sur cinq robots, sans validation sim-to-real annoncée, et le « jusqu'à 55 fois » est un maximum obtenu sur trois robots, pas une moyenne. Ce travail prolonge NeRD, qui avait posé le principe d'un modèle appris remplaçant uniquement la dynamique du robot. Il s'inscrit dans une course où les simulateurs analytiques accélérés par GPU, dont celui qui sert ici de référence, restent la norme industrielle, tandis que les approches neuronales cherchent à s'imposer par la différentiabilité et l'adaptation aux données réelles. La suite logique serait de valider ces modèles sur du matériel physique et sur des scènes plus complexes. À ce stade, il s'agit d'une préimpression non évaluée par les pairs, sans produit ni déploiement annoncé.

Recherche❖Paper

1 source

45

256arXiv cs.RO 

Assemblage robotique à la demande par réparation géométrique différentiable de pièces

Des chercheurs décrivent un pipeline autonome de bout en bout, de la conception numérique à la construction physique d'assemblages en bois sur mesure. Un agent d'IA générative convertit une requête en langage naturel en une géométrie 3D initiale, en arbitrant entre fidélité visuelle et quelques contraintes physiques. Une étape de réparation par descente de gradient ajuste ensuite les composants: elle rétropropage à travers un réseau d'attention sur graphe (graph attention network) qui sert de modèle de substitution différentiable de l'assemblabilité. Elle corrige les pièces disjointes ou qui se chevauchent, et intègre des corrections propres au matériel, ici la géométrie des pièces pour permettre le vissage robotisé. Sur 60 requêtes inédites, 86,7 % des conceptions deviennent vissables par robot, soit un facteur dix par rapport aux travaux antérieurs. Dix structures ont été assemblées physiquement avec deux bras UR5e. L'enjeu est le passage du modèle numérique à l'assemblage robotisé, qui exige aujourd'hui, selon les auteurs, des mois de réglage manuel par des experts pour réconcilier la géométrie des pièces avec les contraintes du robot. Intégrer ces contraintes dans la boucle d'optimisation, plutôt que de les traiter après coup, ouvre la voie à une production à la demande de biens personnalisés en petite série, là où l'automatisation classique n'est pas rentable. Pour les intégrateurs, l'intérêt tient à la réduction du travail d'ingénierie par pièce, qui freine les séries courtes. Il faut toutefois relativiser: 86,7 % porte sur la faisabilité du vissage dans une évaluation de conception, tandis que la preuve physique ne couvre que 10 structures sur 60, soit environ un sixième. L'article ne chiffre pas, dans ce résumé, les temps de cycle, les taux de réussite à l'assemblage réel ni les coûts. La complexité des pièces et la diversité des matériaux restent à démontrer. Ce travail, publié sur arXiv (2610.09777, v1), s'inscrit dans la convergence entre génération 3D par IA et fabrication robotisée. Les modèles génératifs produisent des formes visuellement plausibles mais rarement fabricables, et la littérature sur l'assemblage robotisé suppose généralement une conception déjà adaptée. Le recours à un substitut neuronal différentiable pour faire passer des contraintes de fabrication dans l'optimisation répond à ce décalage. Le choix de deux UR5e, bras collaboratifs répandus en laboratoire et en atelier, rend la configuration reproductible. Les prochaines étapes probables sont des assemblages plus complexes, des matériaux et fixations variés, une évaluation sur des cellules de production réelles et une mesure des temps et des coûts face à la fabrication manuelle. Il s'agit d'une preuve de concept académique, sans déploiement industriel annoncé.

Recherche❖Paper

1 source

45

257arXiv cs.RO 

HuMBLE : apprentissage de comportements guidé par le mouvement humain pour la locomotion incarnée

Des chercheurs ont publié sur arXiv (référence 2610.10489) HuMBLE, un cadre d'apprentissage qui produit des politiques de locomotion humanoïde pilotables en temps réel, robustes et fidèles à la démarche humaine. Les auteurs partent d'un jeu de données de locomotion humaine constitué en interne, couvrant plusieurs vitesses et directions. Ils entraînent d'abord par apprentissage par renforcement (RL) une politique « enseignante » conditionnée par une référence corps entier. Cette politique est ensuite distillée en une politique « a priori » légère, qui ne reçoit que la proprioception et une commande de pilotage plane (vitesse du torse). Une seconde phase affine cette politique par RL multi-tâches. Une tâche conditionnée par un objectif suit des commandes arbitraires, y compris hors de la distribution des données. Une tâche guidée par référence suit les mouvements humains et sert de régularisateur de style. Le cadre est validé sur trois robots : Atlas R1 et Atlas D1 de Boston Dynamics, et le Unitree G1. Les tests incluent le pilotage direct par un utilisateur en intérieur et en extérieur, ainsi que l'intégration comme couche de locomotion dans des architectures de contrôle hiérarchiques. L'article ne donne dans son résumé ni taux de réussite, ni vitesses maximales, ni durée de test. L'enjeu est un compromis connu en locomotion humanoïde. Les contrôleurs optimisés pour le suivi de commande et la robustesse produisent des démarches mécaniques, souvent peu naturelles et énergétiquement discutables. Ceux calés sur des données de mouvement humain se généralisent mal dès que la commande sort du domaine des données. HuMBLE vise à tenir les deux bouts avec une politique légère, déployable à bord, qui reconstruit un mouvement corps entier coordonné à partir d'une simple commande de direction et de vitesse. Pour les intégrateurs, cette interface compte. Une couche de locomotion pilotable par un planificateur de haut niveau, VLA ou téléopération, s'insère plus facilement dans une pile existante. Le test sur deux morphologies Atlas et sur le G1, un robot d'entrée de gamme très répandu en recherche, suggère aussi une certaine portabilité entre plateformes. Il faut toutefois rester prudent. Il s'agit d'un préprint non évalué par les pairs. Le jeu de données est interne et non décrit en détail, et les comparaisons annoncées portent sur des politiques RL « tabula rasa » plutôt que sur d'autres méthodes d'imitation de mouvement. Ce travail s'inscrit dans une série de méthodes qui injectent des données de mouvement humain dans l'apprentissage de la locomotion, des approches de type imitation adversariale (AMP) au suivi de mouvement par RL. Le retargeting de mouvements humains sur humanoïdes est devenu un levier courant, notamment pour rendre les démarches plus naturelles et plus lisibles pour les humains travaillant à proximité des robots. La présence d'Atlas, dont la version électrique est au cœur de la stratégie humanoïde de Boston Dynamics, indique un travail proche de l'industrie, sans que le résumé ne précise les auteurs ni leur affiliation. Côté concurrence, de nombreux laboratoires et entreprises, dont Unitree, Figure, Tesla et Agility, cherchent aussi à combiner naturel du mouvement et robustesse. La suite probable, sans calendrier annoncé, passe par des évaluations plus larges et par l'intégration avec des modèles de haut niveau.

Recherche❖Paper

1 source

45

258arXiv cs.RO 

Évaluation embarquée de la fusion d'admissions de tâches dans les systèmes multi-robots décentralisés

Une équipe de chercheurs a évalué l'« admission par coalescence » des tâches dans les systèmes multi-robots décentralisés, c'est-à-dire le fait de regrouper les nouvelles tâches avant de relancer l'allocateur, au lieu de lancer une allocation à chaque arrivée. L'étude s'appuie sur quatre algorithmes d'allocation (CBAA, ACBBA, PI et HIPC) et sur trois volets expérimentaux. Une campagne de 3 000 missions tourne sur un NVIDIA Jetson AGX Orin avec délai de calcul mesuré, complétée par 3 000 missions appariées sans coût de calcul. Une campagne de 96 missions en hardware-in-the-loop utilise un microcontrôleur RP2040 sur robot Pololu 3pi+. L'admission immédiate (Eager) est comparée à des seuils de 2, 4 et 8 tâches, et à une politique à 4 tâches assortie d'un délai d'attente maximal de 10 s, sous trois cadences d'arrivée. Sur l'AGX, la coalescence réduit à la fois le nombre d'appels à l'allocateur et la charge processeur dans 31 des 48 conditions évaluées, avec une ampleur variable selon l'algorithme. Le regroupement par lots de 4 tâches fait grimper la latence moyenne des cibles en ligne de 20,08 à 23,57 s en arrivées clairsemées, surtout à cause de l'attente avant admission. La variante bornée dans le temps réduit le travail moyen dans dix des douze combinaisons allocateur-charge. Pour HIPC en arrivées denses, elle le baisse de 19,35 % pour 1,40 s de latence moyenne en plus. Le résultat le plus parlant concerne le matériel contraint. Sur quatre scénarios HIPC à cadence moyenne appariés, le seuil de 4 tâches (Count b=4) réduit le travail moyen sur RP2040 de 59,85 % et la latence de service de 39,47 %. Les cas équivalents sur AGX voient au contraire la latence augmenter de 27,69 %. Le regroupement n'est donc pas une optimisation universelle. Son intérêt dépend de l'intensité des arrivées, du comportement propre à chaque allocateur et du coût relatif du calcul sur la plateforme d'exécution. Pour les intégrateurs de flottes hétérogènes, la conséquence est directe : la politique d'admission doit être réglée selon le calculateur embarqué, et non figée dans l'algorithme. Quand le processeur est le goulot, calculer moins souvent peut même raccourcir le service. Sur une machine puissante comme l'Orin, attendre coûte davantage que ce que l'on économise. Un bémol : il s'agit d'une évaluation de laboratoire, avec peu de scénarios matériels (96 missions) et des benchmarks d'allocateurs académiques, sans flotte industrielle réelle. Ce travail s'inscrit dans la littérature de l'allocation de tâches multi-robots (MRTA). CBAA et ACBBA relèvent de la famille des algorithmes à consensus basés sur les enchères, et PI (Performance Impact) et HIPC servent de références de comparaison. Cette littérature mesure souvent la qualité de l'affectation en négligeant le coût de calcul sur le robot, alors que les flottes réelles mêlent des calculateurs très inégaux, de la carte GPU embarquée au microcontrôleur à quelques euros. L'étude répond à cet écart en quantifiant l'arbitrage entre travail de l'allocateur et latence de service. Les suites logiques seraient des politiques d'admission adaptatives, ajustant seuil et délai à la charge et aux ressources disponibles, ainsi que des validations sur des flottes plus grandes et des missions en conditions réelles. L'article, publié sur arXiv (2610.09187), ne mentionne aucun pilote industriel ni calendrier de déploiement.

Recherche❖Paper

1 source

45

259arXiv cs.RO 

HULK : apprendre la locomanipulation de force du corps entier pour les robots humanoïdes

Des chercheurs ont publié sur arXiv (octobre 2026) HULK, un cadre de contrôle du corps entier destiné à la manipulation locomotrice « avec force » sur robots humanoïdes, c'est-à-dire le transport d'objets volumineux et lourds. Le principe repose sur une commande prédictive (MPC) qui guide l'apprentissage par renforcement grâce à des prédictions de la dynamique en charge. Deux politiques « enseignantes » sont entraînées : l'une suit des mouvements de bras sous forces appliquées aux poignets, l'autre marche en tenant un grand objet plaqué contre le corps. Une fonction barrière de contrôle fondée sur le « capture point » vient renforcer l'enseignante des poignets pendant l'entraînement pour préserver l'équilibre sous charge. Les deux enseignantes sont ensuite distillées en une seule politique. L'évaluation couvre la simulation et le Unitree G1. En simulation, l'enseignante dotée de la barrière affiche les erreurs de suivi de vitesse avant et latérale les plus faibles parmi les contrôleurs comparés, à 10 kg par bras, et réduit de 35,7 % l'excursion agrégée du mouvement divergent (DCM) par rapport au seul apprentissage guidé par MPC. Elle résiste à des poussées sur le torse allant jusqu'à 130 N. L'intérêt tient au problème ciblé. La plupart des politiques de locomotion apprises pour humanoïdes sont entraînées à vide ou avec des charges légères, alors que les usages logistiques et industriels impliquent des caisses, bacs ou cartons qui déplacent le centre de masse et imposent un effort soutenu sur tout le haut du corps. En injectant la dynamique chargée dans l'entraînement, HULK s'attaque à l'un des écarts entre démonstrations et exploitation réelle. Le chiffre de 10 kg par bras reste toutefois à relativiser : il est obtenu en simulation, sur une plateforme G1 de taille et de puissance modestes, et l'article ne fournit, dans ce résumé, ni temps de cycle, ni taux de réussite sur matériel, ni durée de port. La réduction de 35,7 % du DCM est un gain relatif entre variantes de la même méthode, pas une performance absolue. La preuve d'une robustesse en conditions réelles, avec des objets variés et des sols imparfaits, reste à faire. HULK s'inscrit dans la vague des approches « teacher-student » et de contrôle du corps entier par apprentissage, déjà largement testées sur le G1 pour la marche, le saut ou les mouvements expressifs, et dans la recherche de bases communes entre MPC, qui apporte des garanties physiques, et RL, qui apporte la robustesse. Les acteurs industriels, dont Figure, Tesla avec Optimus et Agility, visent des charges utiles plus élevées sur des machines propriétaires, sans publier leurs méthodes de contrôle. Ici, il s'agit d'une contribution académique, sans produit ni pilote annoncé. La suite logique serait un transfert sur des humanoïdes plus grands et des charges réelles plus lourdes, avec des mesures publiées sur matériel.

Recherche❖Paper

1 source

45

260arXiv cs.RO 

RoboRender : génération de vidéos orientée robot pour le transfert visuel simulation-réel

RoboRender, un framework décrit dans un preprint arXiv (2610.09254v1), convertit des trajectoires simulées en vidéos RGB photoréalistes afin d'entraîner des politiques robotiques déployables en zéro-shot dans le monde réel. Le cœur du système est un modèle de génération vidéo orienté robot, conditionné par trois entrées : des vidéos de profondeur issues du simulateur, des instructions en langage naturel et des vidéos de masques RGB du robot. La géométrie de la scène, les mouvements du robot et les étiquettes d'actions du simulateur restent intacts, tandis que le modèle synthétise textures, arrière-plans et objets distracteurs réalistes. Ces vidéos sont ensuite appariées aux états et actions fournis par le simulateur pour entraîner la politique. Sur des jeux de test vidéo robotiques, le modèle surpasse les références de génération conditionnée par la profondeur. En conditions réelles, sur des tâches de pick-and-place, de manipulation d'objets articulés et de manipulation mobile, les politiques entraînées sur ces données atteignent 71 % de réussite moyenne, soit environ 7,1 fois mieux que les rendus bruts du simulateur et 3,6 fois mieux que la randomisation de domaine visuelle classique. Pour les équipes qui produisent des données en simulation, ce travail attaque l'un des points de friction les plus coûteux : l'écart visuel sim-to-real. Les approches existantes passent souvent par des représentations intermédiaires (segmentations, profondeur seule), qui écartent une partie de l'information sémantique ou imposent des modules de perception supplémentaires au moment du déploiement. Ici, la politique consomme directement du RGB et aucun module additionnel n'est requis à l'inférence, ce qui simplifie la chaîne de production. Les auteurs montrent aussi que la performance croît avec le nombre de vidéos générées par trajectoire simulée : sur la tâche d'ouverture, le taux de succès gagne 65 points de pourcentage. La simulation devient ainsi un levier de multiplication des données, une trajectoire alimentant plusieurs rendus visuellement variés. Il faut toutefois rester prudent : les résultats viennent d'un preprint non évalué par les pairs, le nombre de tâches est limité, et le ratio de 7,1x s'appuie sur une base de rendu brut très faible, ce qui gonfle mécaniquement le gain relatif. Le coût de calcul de la génération vidéo à grande échelle n'est pas détaillé dans le résumé. Ce travail s'inscrit dans la recherche sur le sim-to-real visuel, historiquement dominée par la randomisation de domaine, qui varie textures et éclairages en espérant que le monde réel se retrouve dans la distribution couverte, et par les approches de traduction d'image à image de type GAN. L'arrivée de modèles vidéo génératifs de grande taille ouvre une troisième voie, où la cohérence temporelle et le conditionnement géométrique deviennent exploitables pour des trajectoires entières. Le projet dispose d'un site dédié (robo-render.github.io), mais aucune échéance de déploiement industriel ni pilote commercial n'est annoncé. Les prochaines étapes à surveiller sont la validation sur des tâches plus longues et plus dextres, la comparaison avec les approches de données réelles ou de modèles du monde, et la mesure du coût de génération par trajectoire, critère décisif pour les intégrateurs qui évalueraient cette brique.

Recherche❖Paper

1 source

45

261arXiv cs.RO 

Reconstruction tactile des repères de tâche de contact et des forces pour la commande hybride force/mouvement

Des chercheurs proposent une méthode pour estimer en ligne la force de contact et un repère de tâche (task frame) potentiellement variable dans le temps, uniquement à partir d'un capteur tactile optique souple, sans capteur force/couple monté sur le robot en fonctionnement. Le système associe une seule image de l'élastomère déformé à quatre grandeurs de contact observables : la profondeur d'indentation, deux angles d'inclinaison entre la surface et le capteur, et la force de contact 3D. Chaque échantillon s'accompagne d'une estimation d'incertitude. Cette correspondance est apprise par une procédure d'auto-étiquetage. Un manipulateur impose des contacts contrôlés, et un capteur force/couple auxiliaire fournit hors ligne les étiquettes de référence. La mesure tactile est ensuite fusionnée avec les données proprioceptives du robot dans un filtre de Kalman étendu (EKF), qui met à jour en continu le repère de contact et la force d'interaction. Les essais utilisent un capteur DigiTac monté sur un bras UR10. Ils montrent une régulation de force en boucle fermée contre une planche rigide plane, pendant que l'opérateur humain la déplace en translation et en rotation. Le toucher est alors la seule rétroaction extéroceptive. L'intérêt tient à la commande hybride force/mouvement, qui exige de connaître à la fois la force d'interaction et le repère définissant les directions asservies en force et celles asservies en mouvement. Ces grandeurs viennent aujourd'hui d'un capteur force/couple ou de résidus issus d'un modèle, avec souvent un modèle nominal de l'environnement. Ce dernier suppose une surface connue et fixe. Ici, le repère est reconstruit en direct, y compris quand la surface bouge, ce qui rapproche la méthode des tâches de contact réelles : polissage, ponçage, insertion ou assemblage sur des pièces mal positionnées. Le capteur force/couple n'intervient que pendant l'apprentissage, ce qui pourrait alléger le coût et l'encombrement d'un déploiement. L'incertitude par échantillon est un point utile pour la sûreté, car elle permet de pondérer la mesure dans le filtre. Il faut toutefois rester prudent. La validation porte sur un seul capteur, un seul bras et une cible plane et rigide, et rien n'indique de résultats sur des surfaces courbes, déformables ou fortement frottantes. Ce travail s'inscrit dans la montée des capteurs tactiles optiques souples de type GelSight, dont DigiTac est une variante dérivée de la famille DIGIT, qui remplacent peu à peu les mesures de force classiques en manipulation de précision. Il repose sur l'hypothèse d'un contact localement plan avec moment de contact négligeable, ce qui limite son domaine d'application. Il s'agit d'une prépublication arXiv (v1), sans évaluation par les pairs, et sans partenaire industriel ni calendrier de transfert annoncés. Les suites naturelles seraient des surfaces non planes, des contacts avec frottement et glissement, et une comparaison avec des approches de politiques apprises de type VLA intégrant le tactile.

Recherche❖Paper

1 source

45

262arXiv cs.RO 

Robot humanoïde tractant un pousse-pousse : locomotion corps entier sous charges à roues couplées

Des chercheurs proposent un cadre de contrôle du corps entier permettant à un humanoïde Unitree G1 de tirer un pousse-pousse, c'est-à-dire un véhicule à roues passif, plutôt que de porter sa charge. Le travail, publié sur arXiv (révision v2), vise des charges nettement plus lourdes que le robot lui-même. Sur matériel réel, une politique unique réalise le démarrage, la traction soutenue, les virages et l'arrêt, avec des charges rigides comme avec des passagers humains. Elle gère une masse totale de pousse-pousse chargé pouvant atteindre 115 kg, sans réglage propre à chaque charge. L'entraînement repose sur un enseignant privilégié qui accède aux états du véhicule, aux forces d'interaction et aux propriétés de la charge. Ses actions et son espace latent sont distillés dans un étudiant conditionné par l'historique, qui infère la dynamique couplée à partir de ses seules réponses proprioceptives, puis un affinage par apprentissage par renforcement complète la chaîne. Les comparaisons avec deux variantes de référence, « No History » et « Only History », indiquent que la politique complète suit plus précisément la trajectoire du véhicule tout en réduisant ses oscillations, l'inclinaison du torse et le coût d'actuation. L'analyse comportementale montre que le G1 propulse le véhicule et génère des réactions de tout le corps synchronisées avec la marche, qui stabilisent ses mouvements latéraux et de roulis. La traction redistribue l'effort entre les articulations et donne un proxy de coût de transport normalisé par robot inférieur à celui de la marche à vide dans la plupart des combinaisons charge-vitesse testées. Il s'agit d'un proxy et non d'une mesure énergétique absolue, et les auteurs ne détaillent pas dans ce résumé les conditions de terrain ni la durée des essais. L'intérêt pour l'industrie tient au déplacement du problème. Les démonstrations de manutention humanoïde se concentrent surtout sur le portage, limité par le couple des bras et la charge utile, souvent de quelques kilos à quelques dizaines de kilos. Tirer un véhicule à roues exploite le faible frottement de roulement pour transporter plus de 100 kg avec une plateforme d'environ 35 kg, en contrepartie d'un contact persistant avec des forces inconnues, dépendantes de la configuration. Le résultat suggère qu'une politique apprise, distillée à partir d'un enseignant privilégié, peut généraliser à des charges variables sans recalibrage, ce qui compte pour des intégrateurs cherchant à réutiliser des chariots, remorques ou plateformes existants plutôt qu'à concevoir des préhenseurs de charges lourdes. Il reste un travail académique sur une plateforme de recherche bon marché, sans cadence ni fiabilité sur longue durée démontrées. Ce travail s'inscrit dans la lignée de la locomotion humanoïde par distillation enseignant-étudiant et de l'apprentissage à partir de l'historique proprioceptif, déjà utilisés pour la marche robuste. Il étend ces méthodes à la locomotion couplée à un objet externe, un cas moins traité que le portage ou la poussée de caisses. Côté industrie, Figure, Agility Robotics et Apptronik visent surtout la manutention de bacs et de colis, tandis que la traction de chariots reste largement dans le domaine des AMR. Aucun pilote ni calendrier de transfert vers un produit n'est annoncé. Les prochaines étapes probables concernent le terrain irrégulier, les pentes et le test sur des humanoïdes de taille adulte.

Recherche❖Paper

1 source

45

263arXiv cs.RO 

Video2World : un banc d'essai d'agents de code pour la modélisation interactive du monde à partir de vidéos incarnées

Une équipe de chercheurs publie Video2World, un benchmark qui teste si des agents de code adossés à des modèles de fondation peuvent transformer une vidéo embodied en simulateur interactif, sans intervention humaine. La tâche, baptisée « vidéo-to-simulation autonome », est posée comme un problème d'ingénierie logicielle. L'agent observe une vidéo de démonstration (robot ou humain), construit l'environnement simulé et le comportement du robot correspondants, puis affine le résultat grâce au retour d'exécution. Le benchmark compte 222 instances de reconstruction issues de 189 vidéos. Il note les mondes reconstruits selon trois axes : la fidélité géométrique (perception spatiale), la fidélité dynamique (raisonnement physique) et la justesse fonctionnelle (capacité à exécuter une interaction). Neuf systèmes d'agents de code de pointe ont été évalués. Le taux de réussite de la tâche passe de moins de 5 % à plus de 15 % à partir de Claude Opus 5. L'écart avec une reconstruction assistée par des humains reste important. L'enjeu est direct pour quiconque produit des données d'entraînement pour la robotique. Aujourd'hui, construire un environnement de simulation à partir d'observations réelles demande beaucoup de travail manuel, de modélisation de scène et de calibration. C'est un goulot d'étranglement pour passer à l'échelle des données embodied, par exemple pour entraîner des politiques VLA (vision-langage-action) ou générer des jeux de test reproductibles. Le saut observé suggère que les capacités de génie logiciel agentique commencent à toucher ce problème, mais un taux de succès d'environ 15 % reste très loin d'un pipeline industriel fiable. Le résultat le plus instructif est ailleurs : les mondes qui paraissent meilleurs ne fonctionnent pas forcément mieux, et une fidélité visuelle accrue ne garantit pas un meilleur taux de réussite. Cela rappelle l'écart, déjà connu avec les modèles génératifs, entre réalisme perceptif et exactitude factuelle. Pour les équipes qui évaluent des « world models » ou des simulateurs générés, juger sur le rendu est donc un mauvais indicateur, et il faut mesurer la dynamique et l'exécution. Ce travail s'inscrit dans la course à l'automatisation de la création de simulateurs, où se croisent les modèles de monde génératifs vidéo, les pipelines de reconstruction 3D et les approches « real-to-sim » encore très manuelles. Le choix de cadrer le problème comme une tâche d'agent de code, avec boucle d'exécution et correction, déplace la question de la génération de pixels vers la production de code de simulation exécutable. Il s'agit d'une publication académique sur arXiv (v2) et non d'un produit livré : aucun déploiement industriel ni acteur européen n'est mentionné dans le résumé. Les suites probables sont l'évaluation de nouveaux agents sur le benchmark, la mesure de l'écart restant avec les humains et, à terme, l'usage de ces mondes reconstruits pour générer des données d'entraînement. La preuve que ces mondes améliorent réellement des politiques robotiques reste à apporter.

Recherche❖Paper

1 source

44

264arXiv cs.RO 

CAP : prédiction alignée sur le codebook pour les politiques robotiques tokenisées

Des chercheurs ont publié sur arXiv (identifiant 2610.09178) une méthode baptisée CAP, pour Codebook-Aligned Prediction, destinée aux politiques robotiques fondées sur la tokenisation d'actions. Cette tokenisation convertit des actions continues en symboles discrets, qu'un modèle prédit ensuite de façon autorégressive, à la manière d'un modèle de langage. Dans les approches actuelles, une fois les actions tokenisées, la politique traite les tokens comme des indices de classes sans lien entre eux et entraîne à partir de zéro un classifieur dédié. CAP change ce point précis : la tête de prédiction réutilise directement les vecteurs du codebook du tokenizer comme prototypes de classes. Le tokenizer et le backbone de la politique restent inchangés, tout comme la qualité de reconstruction. Les auteurs ont testé la méthode sur quatre familles de quantificateurs, trois benchmarks en simulation et deux tâches sur robot réel. Ils rapportent une amélioration constante du taux de réussite par rapport aux têtes de classification standard. Le résumé ne donne ni gain chiffré ni nom de modèle ou de robot. L'intérêt tient à l'explication avancée par les auteurs. Selon leur analyse, le gain ne vient ni d'une meilleure précision de prédiction des tokens, ni d'un simple changement de tête. Il vient de l'information de structure latente que le codebook transmet à la politique. Deux effets sont décrits. Les erreurs de prédiction deviennent plus bénignes dans l'espace des actions, car un token voisin dans le codebook correspond à une action voisine. Les représentations apprises par le backbone s'améliorent aussi. Pour un ingénieur ou un intégrateur, le message est pratique : la précision top-1 sur les tokens est une mesure trompeuse de la qualité d'une politique, et le tokenizer mérite d'être traité comme un composant qui structure l'apprentissage, pas comme une simple étape de prétraitement. Le coût d'adoption paraît faible, puisque la modification ne touche que la tête de sortie. Il faut toutefois rester prudent : il s'agit d'un preprint, sans revue par les pairs. Les deux tâches réelles ne disent rien de la tenue de la méthode à l'échelle des grands modèles généralistes, et l'ampleur des gains reste à vérifier dans le texte complet. Ce travail s'inscrit dans le courant des modèles vision-langage-action (VLA) qui discrétisent les actions. Cette ligne de recherche s'est popularisée avec des approches comme RT-2 et OpenVLA, puis avec les tokenizers d'actions compressés de type FAST, chez Physical Intelligence, qui concurrencent les politiques à diffusion ou à flow matching, comme Pi-0. Ces dernières génèrent des actions continues. Les tokenizers reposent sur divers quantificateurs, notamment la quantification vectorielle et la quantification scalaire finie, ce qui explique le choix de tester quatre familles. CAP défend l'idée que l'approche discrète peut gagner en efficacité sans repenser les tokenizers existants, ce qui pourrait réduire l'écart de performance avec les têtes continues. Les prochaines étapes à surveiller sont une validation sur des VLA de grande taille, des comparaisons directes avec les têtes à diffusion, et une éventuelle publication du code permettant une reproduction indépendante.

Recherche❖Paper

1 source

44

265arXiv cs.RO 

RSR à base d'agents : du réel au simulé au réel par reconstruction de scène et politiques robotiques ancrées dans l'exécution

Des chercheurs présentent Agentic Real-to-Sim-to-Real (Agentic RSR), un cadre qui relie dans une même boucle la reconstruction de scène, le développement de politique et l'exécution sur robot réel, à partir d'une seule tâche de manipulation. L'entrée se limite à une vidéo de l'espace de travail, une description de la tâche et le modèle connu du robot. Un agent récupère l'échelle métrique, affine la scène par retours visuels successifs et vérifie dans MuJoCo que les interactions pertinentes pour la tâche sont bien préservées. Un agent de codage écrit ensuite une politique exécutable, en progressant des poses d'objets privilégiées vers des observations visuelles, puis vers une simulation randomisée. La politique peut enchaîner plusieurs observations et actions au sein d'un même appel, et l'agent exploite les retours d'exécution pour poursuivre, réessayer ou revoir son approche. Sur 18 scènes reconstruites impliquant deux robots, l'erreur absolue moyenne de profondeur sur quatre vues, mesurée par rapport à des estimations de référence, atteint 0,1057 m. Le ΔE76 moyen en espace Lab est de 11,04 et le SSIM moyen en niveaux de gris de 0,6990. Sur robot réel, le taux de réussite agrégé atteint 80 % de celui obtenu en simulation. Le point notable tient à l'architecture plus qu'à une performance isolée. La reconstruction de scène et le développement de politique sont habituellement traités séparément, ce qui produit des jumeaux numériques jolis mais inutiles pour la tâche, ou des politiques entraînées sur des observations que le robot réel ne verra jamais. Ici, la scène est jugée sur sa capacité à préserver les interactions utiles, et la politique n'utilise que des observations disponibles sur le matériel. Un taux de rétention de 80 % suggère que le fossé sim-to-real peut se réduire sans entraînement massif par apprentissage par renforcement, en s'appuyant sur du code généré par un agent et corrigé par ses retours d'exécution. Pour les intégrateurs, la perspective est de déployer plus vite sur une cellule inédite à partir d'une simple vidéo. Les métriques de reconstruction restent toutefois modestes : une erreur de profondeur d'environ 10 cm et un SSIM proche de 0,70 indiquent une fidélité visuelle limitée. Le ratio de 80 % est relatif à la simulation, et le taux de réussite absolu, la diversité des tâches et le nombre d'essais ne sont pas précisés dans le résumé. Ces travaux s'inscrivent dans la montée des approches « real-to-sim » et des agents de codage appliqués à la robotique, qui concurrencent les VLA entraînés de bout en bout, plus gourmands en données de téléopération. Ils reposent sur MuJoCo, simulateur désormais standard, et sur des modèles de perception pour la profondeur et la géométrie. L'article, publié sur arXiv (2610.10479v1), annonce que le code et les données de scènes reconstruites seront rendus publics, sans calendrier précisé. Leur diffusion permettra de vérifier si la méthode tient hors du cadre de laboratoire, sur des tâches plus longues et des environnements encombrés, ainsi que de la comparer aux politiques apprises de bout en bout.

Recherche❖Paper

1 source

44

266arXiv cs.RO 

NAViLoss : un objectif à double résidu tenant compte de la navigation sous-marine pour un apprentissage cohérent avec la physique

Les véhicules sous-marins autonomes (AUV) s'appuient généralement sur une navigation inertielle (INS) recalée par un loch Doppler (DVL), de sorte que la qualité de l'estimation de vitesse fournie par ce dernier conditionne directement la réussite des missions. Une équipe de chercheurs propose NAViLoss, une nouvelle fonction de perte pour l'apprentissage de cette estimation, intégrée à une architecture DeepONet pour former le modèle NAVi-DeepONet. La fonction pénalise simultanément deux résidus: l'écart d'estimation de vitesse dans l'espace d'état de navigation, et l'incohérence entre les faisceaux dans l'espace de mesure du DVL. Sa formulation bornée limite l'influence des grands résidus, tandis qu'un mécanisme adaptatif ajuste l'incertitude liée à la géométrie des faisceaux. L'évaluation porte sur environ 10 000 m de données expérimentales semi-synthétiques, issues de plusieurs campagnes en mer réelles. Les auteurs annoncent un gain de 44 % de précision d'estimation de vitesse par rapport aux méthodes de référence, classiques comme basées sur l'apprentissage. L'intérêt tient moins à l'architecture qu'à la manière d'entraîner. Les méthodes d'apprentissage récentes améliorent l'estimation de vitesse du DVL quand les mesures sont dégradées (fond mal réfléchissant, perte de faisceaux, bruit), mais elles reposent sur des pertes de régression standard, sensibles aux valeurs aberrantes et aveugles à la physique du capteur. Intégrer la cohérence entre faisceaux directement dans l'objectif revient à injecter une contrainte physique là où elle compte, sans alourdir le modèle. Pour les intégrateurs d'AUV, d'engins d'inspection ou de véhicules d'exploration, c'est une piste pour réduire la dérive de navigation lors des pertes de fond ou de qualité de mesure, sans matériel supplémentaire. La robustesse aux observations corrompues est aussi un point de passage obligé pour sortir ces approches du laboratoire. Le chiffre de 44 % demande toutefois à être lu avec prudence. Il provient de données qualifiées de semi-synthétiques, probablement des mesures réelles auxquelles des dégradations ont été ajoutées, et d'un parcours d'environ 10 000 m seulement, ce qui reste modeste. Le résumé ne précise ni les baselines exactes, ni la métrique, ni les conditions de fonds marins testées, et rien n'indique un déploiement embarqué en temps réel. Il s'agit d'un travail de recherche publié sur arXiv, pas d'un produit livré. Il prolonge une série de travaux sur l'estimation de vitesse DVL par réseaux de neurones, qui visent à compenser les faiblesses d'une navigation inertielle dont l'erreur dérive avec le temps. La suite logique est une validation sur d'autres plateformes, d'autres types de fonds et en boucle fermée avec un filtre de navigation.

Recherche❖Paper

1 source

44

267arXiv cs.RO 

Revue des modèles du monde robotiques pour environnements dynamiques, fondés sur les graphes de facteurs et de scènes

Les modèles de monde fondés sur des graphes se sont imposés en robotique comme représentations internes de l'environnement, avec deux familles dominantes : les graphes de facteurs et les graphes de scène. Une revue de littérature publiée sur arXiv (2610.08800v1) fait le point sur la manière dont ces modèles prennent en compte la dynamique du monde réel. Les graphes de facteurs fournissent surtout des estimations géométriques sensibles à l'incertitude, par exemple pour la localisation et la cartographie. Les graphes de scène apportent une abstraction sémantique structurée des objets et de leurs relations. Beaucoup de ces modèles ont d'abord supposé un environnement statique, par simplification. Les auteurs organisent leur analyse autour de trois axes : les représentations adaptées, les pipelines de construction et de mise à jour, et l'exploitation de ces représentations pour des tâches aval. Ils couvrent les approches fondées sur l'un ou l'autre type de graphe. Ils insistent sur les modèles hybrides qui combinent les deux, et classent les schémas d'architecture récurrents ainsi que les types de dynamique modélisés. L'enjeu est pratique. Un robot en entrepôt, en usine ou en environnement domestique évolue parmi des personnes, des chariots et des objets déplacés. Une carte figée devient alors vite fausse, et le robot peut planifier à partir d'une scène qui n'existe plus. La revue montre que l'écart entre une représentation statique et la réalité reste un verrou structurel, y compris pour les systèmes qui s'appuient sur des modèles appris de perception. Elle met aussi en évidence un manque de méthode dans le domaine. Il n'existe pas de jeux de données ni de protocoles d'évaluation qui relient la qualité d'un modèle de monde à la performance de la tâche finale en environnement dynamique. Les comparaisons entre approches restent donc difficiles à interpréter pour un intégrateur qui doit choisir une pile logicielle. Il s'agit d'une revue de la littérature, sans produit ni déploiement annoncé, et elle ne fournit pas de chiffres de performance propres. Ce travail s'inscrit dans l'évolution de la robotique mobile. On est passé de la cartographie géométrique (SLAM) à des cartes enrichies de sémantique, puis à des graphes de scène hiérarchiques, avant que la dynamique ne devienne une préoccupation centrale. Les auteurs identifient quatre chantiers ouverts. Le premier est la propagation de l'incertitude de la perception apprise à travers les couches de la représentation. Le deuxième est l'observabilité du mouvement et de l'échelle des entités dynamiques avec un minimum de capteurs. Le troisième est la maintenance du modèle à grande échelle sur de longues durées d'exploitation. Le quatrième est la création de jeux de données et de protocoles d'évaluation adaptés. Ces pistes concurrencent d'autres approches de modèles de monde, notamment les modèles appris de bout en bout et les architectures VLA, qui encodent l'état du monde de façon implicite. La revue défend l'intérêt des représentations explicites et hybrides pour leur interprétabilité et leur gestion de l'incertitude. Aucune échéance n'est avancée, et les suites dépendront de la communauté de recherche.

Recherche❖Paper

1 source

44

268arXiv cs.RO 

Co-évolution d'orchestrateurs de robots et de politiques grâce au déploiement

Des chercheurs proposent Robo-COP, un cadre où un orchestrateur de robot (un modèle vision-langage, ou VLM, qui décide quand appeler la politique, comment la guider par instructions et quand lui préférer des compétences scriptées) et la politique VLA (vision-language-action) qu'il pilote évoluent ensemble pendant le déploiement. Le système extrait des démonstrations de compétences à partir de ses propres exécutions, affine la politique lorsque ces données répondent à des échecs récurrents, et n'adopte la nouvelle version qu'après avoir vérifié qu'elle améliore les compétences pour lesquelles elle a été entraînée. Sur dix tâches simulées RoboLab, le succès moyen sur tâches tenues à l'écart passe de 64,8 % à 73,8 % par rapport au même dispositif avec une politique figée. Un affinage à calendrier fixe, sans vérification, plafonne à 65,8 %. Sur trois tâches réelles, le succès grimpe de 38,3 % à 50,0 %. Les vidéos et le code sont publiés sur robo-cop.pages.dev (travail de recherche, arXiv 2610.09228). L'intérêt tient à un goulot d'étranglement connu des systèmes robotiques « agentiques ». Quand l'orchestrateur est bâti autour d'une politique figée, peu pilotable par le langage, il apprend à contourner ses échecs sans jamais les corriger : la politique plafonne les performances de l'ensemble. Affiner la politique seule ne règle rien, car elle se désaccorde alors d'un orchestrateur calibré sur son ancien comportement. Les résultats donnent un ordre de grandeur utile : la vérification avant adoption pèse autant que l'affinage lui-même, puisque l'affinage aveugle n'apporte qu'un point (65,8 % contre 64,8 %), alors que la version contrôlée en apporte neuf. Pour un intégrateur, cela plaide pour traiter les données de production comme un actif d'apprentissage, à condition de disposer d'un garde-fou de non-régression avant toute mise à jour sur le terrain. Il faut toutefois lire ces chiffres avec prudence. Le gain réel (+11,7 points) repose sur seulement trois tâches, et un taux de 50 % reste très éloigné d'un seuil industriel. Les auteurs ne précisent pas, dans le résumé, le nombre d'essais, la nature des robots ni le coût en données et en calcul. Ce travail s'inscrit dans la montée des architectures où un VLM supervise une politique VLA généraliste, après la vague de modèles comme Pi-0 ou GR00T, dont la généralisation hors domaine d'entraînement reste le point faible en déploiement. La suite logique serait un test sur des flottes réelles, sur la durée, et face à d'autres approches d'apprentissage continu. Aucun pilote commercial ni calendrier n'est annoncé : il s'agit à ce stade d'une démonstration académique.

Recherche❖Paper

1 source

44

269arXiv cs.RO 

SiGNgapore : un jeu de données interactif pour la navigation visuelle fondée sur les panneaux

Des chercheurs ont publié sur arXiv (v1, octobre 2026) SiGNgapore, un jeu de données destiné à la navigation visuelle fondée sur les panneaux de signalisation. Les données ont été collectées avec un dispositif tenu à la main dans plusieurs espaces publics de Singapour, des lieux que les humains fréquentent au quotidien. Chaque séquence contient des images RGB, de la profondeur éparse (sparse depth), de l'odométrie et des mesures d'IMU, centrées sur des panneaux de navigation et sur les environnements complexes qui les entourent. Le jeu comprend 56 missions de navigation longue portée et plus de 450 scénarios centrés sur les panneaux. Les données sont livrées dans un format lisible par l'humain, avec des scripts utilitaires de conversion vers ROS 2. Les auteurs fournissent aussi les plans des sites et des graphes de scène alignés sur le GPS pour les environnements de test. Il s'agit d'une ressource de recherche : aucun robot n'a été déployé et aucun résultat de navigation n'est annoncé dans le résumé. L'intérêt tient au problème visé. Un robot qui évolue dans un aéroport, une gare, un centre commercial ou un hôpital ne peut pas toujours compter sur une carte préétablie, dont la création et la maintenance coûtent cher aux intégrateurs. Les humains s'orientent pourtant sans carte grâce à la signalétique. Lui faire lire et interpréter ces panneaux pourrait réduire la cartographie préalable, un poste de coût réel pour les déploiements en espaces publics. Le jeu de données traite aussi un manque : les benchmarks de navigation se concentrent surtout sur la géométrie et la perception de l'espace libre, rarement sur la décision fondée sur le sens d'un panneau, c'est-à-dire le raisonnement sémantique de bout en bout. Les capteurs utilisés (caméra, profondeur éparse, IMU) restent peu coûteux et proches de ce que portent des robots commerciaux. Il faut toutefois rester prudent. La collecte à la main ne reproduit ni la dynamique d'un robot ni ses contraintes de sécurité. Le volume, 56 missions et environ 450 scénarios, est modeste pour entraîner de gros modèles. Il convient donc mieux à l'évaluation qu'à l'apprentissage massif. Ce travail s'inscrit dans le mouvement de la navigation sans carte (mapless) portée par les modèles vision-langage et les VLA (vision-language-action), qui cherchent à comprendre des instructions et des indices sémantiques plutôt qu'à localiser le robot dans une carte métrique. Les graphes de scène alignés sur le GPS permettent de relier perception, sémantique et topologie du lieu. Singapour offre un terrain d'étude dense, multilingue et très signalisé, ce qui en fait un banc d'essai exigeant mais peu représentatif d'autres contextes, notamment européens, où la signalétique varie. Les suites probables sont des benchmarks et des comparaisons de méthodes sur ce jeu de données, puis des essais sur robots réels. Aucun calendrier, pilote industriel ni acteur commercial n'est mentionné dans l'annonce.

Recherche❖Paper

1 source

44

270arXiv cs.RO 

Une représentation cinématique unifiée permet d'estimer des moments articulaires biologiques réutilisables

Une équipe de chercheurs propose, dans un preprint arXiv (2610.09150), d'utiliser la cinématique articulaire (angles et vitesses angulaires des articulations) comme représentation intermédiaire pour estimer les moments articulaires biologiques, c'est-à-dire les couples réellement produits par les muscles humains. Un estimateur a été entraîné exclusivement sur des jeux de données biomécaniques open source, puis testé sans réentraînement sur trois sources de mesure distinctes: un exosquelette de hanche, un exosquelette de genou et une centrale inertielle (IMU) répartie sur les hanches, genoux et chevilles des deux côtés. Les essais couvrent la marche en terrain plat, en montée et en descente de rampe. Avec l'exosquelette de hanche, l'erreur quadratique moyenne (RMSE) atteint 0,17 Nm/kg pour un R² de 0,79. Elle est de 0,19 Nm/kg et 0,62 avec l'exosquelette de genou, et de 0,15 Nm/kg et 0,85 avec les IMU. L'enjeu est très concret pour les concepteurs d'exosquelettes et de dispositifs portables. Aujourd'hui, la plupart des estimateurs de moments sont couplés à la configuration de capteurs d'un appareil précis, ce qui oblige à recollecter des données sur chaque nouvelle plateforme et empêche de réutiliser les grandes bases de données de biomécanique publiques. Découpler le capteur matériel de l'estimation du moment réduirait ce coût de collecte, et permettrait de transférer un contrôleur d'un dispositif à l'autre. Les résultats restent toutefois nuancés: le R² de 0,62 obtenu avec l'exosquelette de genou montre que la qualité dépend nettement de la richesse de l'information cinématique disponible, et les essais se limitent à la marche sur sol plat et sur rampes, sans course, escaliers ni population pathologique. Il s'agit d'une démonstration de recherche, pas d'un produit ni d'un déploiement. Ce travail s'inscrit dans l'effort de la communauté des exosquelettes et de la biomécanique portable pour sortir des contrôleurs spécifiques à chaque appareil, alors que les jeux de données ouverts de locomotion se multiplient. Il rejoint les approches d'assistance pilotée par apprentissage, où l'estimation de l'état physiologique de l'utilisateur sert à ajuster le couple fourni en temps réel. Les auteurs affirment que le cadre pourrait réduire la collecte de données sur l'appareil cible et faciliter le transfert entre plateformes, sans annoncer de calendrier d'essais ni de partenaire industriel. Les prochaines étapes logiques seraient une validation sur d'autres activités et d'autres profils d'utilisateurs, puis une intégration dans une boucle de commande en temps réel, étape qui conditionnera la valeur réelle de l'approche pour les fabricants.

Exosquelettes❖Paper

1 source

44

271arXiv cs.RO 

FoldBack : politique générative masquée auto-correctrice pour le pliage de vêtements à long horizon

FoldBack, une politique générative masquée à auto-correction dédiée au pliage de vêtements sur de longs horizons, est décrite dans un preprint arXiv (2610.10462). Les auteurs partent d'un défaut courant des politiques à longue trajectoire : après une saisie manquée ou un glissement, elles poursuivent la séquence même si le vêtement n'a pas atteint la configuration voulue. FoldBack structure sa récupération autour de trois décisions prises à l'inférence : quand raffiner et vérifier, comment revenir en arrière, et où et comment réessayer. Le raffinement et la vérification de saisie sont alignés sur les événements de pick-and-place. Le robot revient à une configuration de pré-saisie permettant un nouvel essai, en conservant les saisies réussies. Le segment défaillant et une sélection d'actions futures sont ensuite régénérés, en évitant les emplacements de saisie déjà en échec. Selon les auteurs, c'est la première politique de trajectoire complète éditable à unifier ces décisions. Elle n'exige ni démonstrations de récupération ni réentraînement de la politique de base. Sur 33 vêtements réels répartis en six catégories, FoldBack atteint 75,2 % de réussite finale de pliage et un IoU de masque final de 0,837, contre 45,7 % et 0,689 pour la meilleure référence antérieure. L'intérêt tient à la méthode. La majorité des politiques de manipulation déformable actuelles, y compris les VLA, fonctionnent en boucle quasi ouverte sur les longues séquences : une erreur précoce, comme un pli mal saisi, se propage et ruine le résultat final. Obtenir près de 30 points de réussite supplémentaires sans nouvelle donnée de récupération ni réentraînement suggère qu'une part importante de l'écart entre démonstration et fiabilité se joue dans la logique d'inférence (détection, annulation, nouvel essai) plutôt que dans la quantité de données. Pour un intégrateur visant la logistique textile, la blanchisserie industrielle ou le tri de retours e-commerce, c'est un argument en faveur de couches de supervision ajoutées à une politique existante. Des réserves s'imposent toutefois : 75,2 % reste loin des taux exigés en production, le protocole ne précise pas dans l'extrait la durée des essais ni le nombre de répétitions par vêtement, et le résultat provient d'un laboratoire, non d'un déploiement. Le pliage de linge est devenu un banc d'essai emblématique de la manipulation déformable, popularisé par les démonstrations de politiques par diffusion et de modèles VLA généralistes comme Pi-0, capables de plier des vêtements mais sans garantie de récupération sur échec. Les approches génératives masquées, qui permettent de réécrire une partie seulement d'une trajectoire, offrent ici le levier technique de l'édition ciblée. Le texte disponible ne nomme ni la plateforme robotique ni les baselines précises, ce qui limite la comparaison directe avec d'autres travaux. La suite probable est une validation sur davantage de catégories et de conditions, puis une intégration à des modèles fondation. Il s'agit pour l'instant d'une recherche académique, sans produit ni calendrier commercial annoncé.

Recherche❖Paper

1 source

44

272arXiv cs.RO 

LACE-CRAFT : co-conception de robots par héritage d'acteurs et collaboration par tableau noir

Des chercheurs proposent LACE-CRAFT, un cadre de co-conception de robots qui couple la recherche de morphologie et l'apprentissage de politique de contrôle, publié sur arXiv (2610.09283). Le point de départ est que la plupart des méthodes entraînent chaque nouvelle conception depuis zéro, ce qui jette l'expérience de contrôle déjà acquise. LACE (héritage d'acteur) reprend l'état d'apprentissage complet du robot en place et initialise les candidats compatibles avec ses paramètres d'acteur et ses statistiques d'observation. Il compare ensuite deux branches : poursuivre l'apprentissage sur le robot actuel, ou adapter la politique à de nouveaux couples morphologie-récompense. Une métrique de tâche fixe tranche entre ces deux branches et le robot titulaire figé. CRAFT organise quatre rôles (Feedback, Morphologie, Récompense, Intégration) autour d'un tableau noir : dossiers d'expériences partagés et replays comportementaux. Ces rôles génèrent des propositions appariées et les relisent entre eux. Une extension générative convertit des maillages produits par IA en modèles articulés éditables, avec articulations configurées, interfaces d'actionneurs et ressources de simulation mises à jour de façon cohérente. Sur cinq benchmarks de locomotion, les scores moyens sur trois graines d'évaluation dépassent ceux de D2C, la référence, de 6,4 à 91,9 %. Cet écart est large, ce qui suggère un gain très inégal selon les tâches. La comparaison est équitable sur le budget principal : les deux méthodes entraînent 30 nouveaux couples morphologie-récompense en cinq tours. LACE ajoute toutefois quatre unités d'entraînement de continuation, un surcoût modeste mais réel. Des ablations sur cinq tâches isolent l'apport de l'héritage de politique et du retour dérivé des replays. Pour les équipes de R&D, l'intérêt est de réduire le coût de calcul de l'exploration de morphologies, souvent le goulot d'étranglement de la co-conception, et d'automatiser la boucle entre idée de conception, simulation et matériel. Les résultats restent obtenus en simulation, sur des benchmarks de locomotion et avec seulement trois graines, ce qui limite la portée statistique. Un prototype fabriqué démontre une marche en intérieur et illustre le passage de la géométrie au matériel. Aucun chiffre de performance physique (vitesse, robustesse, taux de réussite) n'est donné, et il s'agit d'une démonstration de faisabilité, pas d'un produit ni d'un déploiement. Ces travaux s'inscrivent dans la lignée de D2C et des approches de co-conception pilotées par des modèles de langage et de génération 3D, qui peinent à transférer l'expérience de contrôle d'une conception à l'autre. Les rôles coordonnés autour d'un espace de travail partagé suivent la tendance des systèmes multi-agents appliqués à l'ingénierie. Les prochaines étapes à surveiller sont la validation sur des morphologies plus complexes (manipulation, humanoïdes), des mesures de transfert sim-to-real quantifiées et une éventuelle publication du code, qui permettrait à des intégrateurs ou des laboratoires de tester la méthode sur leurs propres plateformes.

Recherche❖Paper

1 source

44

273arXiv cs.RO 

Replanification adaptative à déclenchement par événements, certifiée par le risque, pour la navigation dynamique

Des chercheurs proposent CERT-Replan (Conformal Event-Triggered Risk-Certified Replanning), un cadre de navigation sûre pour robots mobiles évoluant parmi des obstacles dynamiques, décrit dans une prépublication arXiv. Le système calibre en ligne les résidus de prédiction des trajectoires d'obstacles, indexés par horizon temporel, par méthode conforme. Il en déduit des rayons d'incertitude qui servent à évaluer les marges de sécurité. Un filtre de sécurité à un pas, fondé sur les fonctions de barrière de contrôle (CBF), protège la prochaine commande appliquée. Un moniteur de risque évalue en parallèle la CVaR de queue haute des pertes de violation de barrière prévues le long de la trajectoire MPC en cours. Dans un benchmark non stationnaire, les auteurs annoncent 83,3 % de collisions en moins que la base de référence limitée au filtre de sécurité, et 77,8 % de moins que des déclencheurs de replanification simples. L'intervention moyenne du filtre baisse de 32,4 %. Avec le prédicteur Trajectron++, le taux de fonctionnement sans collision atteint 96 %. Des essais matériels et un profilage du temps de calcul embarqué sont mentionnés pour établir la faisabilité. L'apport tient à un changement de question. Les filtres CBF classiques rejettent une commande immédiatement dangereuse, mais ne disent rien sur la dégradation progressive du mode de planification lui-même quand l'incertitude de prédiction évolue. Ici, le risque barrière calibré sert de signal d'alerte précoce. Lorsqu'il dépasse un budget alloué, le système ne corrige pas indéfiniment le même plan nominal : il abandonne ce mode et en choisit un moins risqué, par exemple un autre profil de vitesse, un autre corridor ou une autre classe d'homotopie. Pour les intégrateurs de robots mobiles (AMR, robots de service) évoluant parmi des piétons ou des chariots, cela vise les rares défaillances critiques qui apparaissent quand les prédictions se dégradent hors distribution. La baisse de sollicitation du filtre suggère aussi des mouvements plus fluides. Ces chiffres restent toutefois ceux d'un benchmark choisi par les auteurs. Le résumé ne précise ni le nombre d'essais, ni la nature des obstacles, ni la configuration matérielle. Le taux de 96 % laisse en outre 4 % d'épisodes avec collision, ce qui reste loin d'un niveau de sécurité certifiable en environnement industriel. Ce travail s'inscrit dans la lignée des méthodes de prédiction conforme appliquées à la planification sous incertitude et des MPC à contraintes de risque. Il prolonge aussi les filtres CBF devenus courants pour garantir la sécurité autour d'une politique nominale. Trajectron++ reste un prédicteur de référence en prévision de trajectoires multi-agents, ce qui facilite la comparaison avec d'autres approches. Le résumé ne cite ni concurrents directs, ni partenaire industriel, ni calendrier de déploiement. On ignore donc encore si la méthode sera testée sur des flottes réelles. Les prochaines étapes à surveiller sont la publication des détails expérimentaux, la robustesse face à des changements de distribution plus brutaux, et l'évaluation en environnement dense.

Recherche❖Paper

1 source

44

274arXiv cs.RO 

MagCilia : un capteur tactile magnétociliaire compact à détection de force 3D pour la perception du contact et le retour de préhension

Des chercheurs ont présenté sur arXiv MagCilia, un capteur tactile magnétociliaire compact qui associe une structure flexible de cils magnétiques à un capteur à effet Hall pour mesurer les forces en trois dimensions (normale et tangentielles). Le dispositif a été analysé par éléments finis quasi statiques, afin de comprendre la déformation de la structure et la réponse magnétique sous charges multidirectionnelles. Comme les canaux magnétiques sont couplés, l'équipe propose une méthode de reconstruction appelée CHFR (causal history fusion regression), qui combine la mesure instantanée du champ magnétique et ses variations récentes. En validation croisée à cinq plis, groupée par enregistrement de calibration, l'erreur quadratique moyenne atteint 0,40 N sur Fx, 0,57 N sur Fy et 0,69 N sur Fz, pour des coefficients de détermination de 0,93, 0,90 et 0,92. Les tests robotiques montrent un ajustement de la pince guidé par la force tangentielle et un suivi de charge multiaxe sous perturbations extérieures. Les caractéristiques fréquentielles des forces reconstruites permettent de distinguer six catégories de surfaces avec 99,39 % de précision en validation croisée à trois plis, groupée par session d'acquisition. Une démonstration robotique en ligne a identifié les six surfaces testées. L'intérêt tient à la combinaison de trois fonctions dans une seule unité compacte : mesure de force 3D, retour de préhension et reconnaissance de texture. Pour un intégrateur, la capacité à détecter un glissement naissant via la force tangentielle, sans caméra, est utile dès que l'occlusion visuelle ou les reflets gênent la préhension. Le principe magnétique, avec un seul capteur Hall, laisse aussi espérer une électronique simple et un encombrement réduit par rapport aux capteurs optiques de type GelSight. Les chiffres demandent toutefois de la prudence. Une erreur de 0,4 à 0,7 N est correcte pour de la manipulation générale, mais elle reste élevée pour des objets fragiles ou des assemblages fins. Les 99,39 % portent sur seulement six surfaces, validées par sessions mais en conditions de laboratoire. Rien n'indique non plus la dérive dans le temps, l'hystérésis ni la durabilité des cils après de nombreux cycles de contact. Ce travail s'inscrit dans la course au toucher des mains robotiques, où le manque de perception tactile fiable freine encore le passage des démonstrations de VLA et de manipulation dextre à un déploiement réel. Les capteurs magnétiques (de type uSkin) et optiques (GelSight, DIGIT) occupent déjà ce terrain. MagCilia propose une alternative inspirée des cils biologiques. Il s'agit d'une prépublication v1, sans financement, partenaire industriel, prix ni calendrier de commercialisation annoncé, donc d'un résultat de recherche et non d'un produit. Les prochaines étapes à surveiller sont l'intégration sur des mains multidoigts, des essais sur des objets variés et déformables, la robustesse en cycles longs et une évaluation par des pairs.

Recherche❖Paper

1 source

44

275arXiv cs.RO 

Long-WAM : étendre le contexte des modèles monde-action

Des chercheurs publient Long-WAM, un cadre modèle-système conçu pour étendre le contexte visuel des world-action models (WAM) causaux, ces architectures qui prédisent à la fois les futures images et les actions d'un robot. Le travail, déposé sur arXiv, repose sur un constat central : disposer d'un historique n'implique pas de s'en servir. Les historiques longs ne rapportent beaucoup que si le modèle vidéo de base a été préentraîné de façon autorégressive (AR). Les auteurs apprennent d'abord la prédiction causale sur des vidéos de robots et des vidéos égocentriques sans étiquettes d'action, puis préservent cette structure historique-futur lors de l'adaptation aux actions. Sur RoboCasa GR-1, passer de 0,0 à 19,2 secondes de contexte fait grimper le taux de succès de 63,3 % à 78,7 %. Une initialisation préentraînée de manière bidirectionnelle n'en tire aucun gain net. Long-WAM affiche aussi les meilleurs résultats parmi les méthodes comparées sur LIBERO-Long, RoboTwin 2.0 et DOMINO. L'intérêt tient à deux points. D'abord, le résultat contredit l'idée répandue qu'il suffit d'allonger la fenêtre de contexte pour obtenir de la mémoire utile : le mode de préentraînement vidéo pèse davantage que la longueur brute de l'historique. Ensuite, la contrainte temps réel est traitée de front. L'encodage des observations en flux continu, l'exécution asynchrone et l'accélération spécifique à chaque matériel permettent un déploiement sur RTX 5090, DGX Spark et Jetson AGX Thor, sans supprimer la prédiction du futur. Sur RTX 5090, chaque bloc d'actions, prédiction du latent vidéo futur comprise, demande 107,4 ms. Sur robots réels, Unitree G1 et YAM, le système gère des tâches dynamiques et à long horizon. Il atteint 95 % de réussite à l'empilement dynamique de gobelets, là où Pi0.5 et Fast-WAM échouent sur les 20 essais. Ces chiffres viennent des auteurs, sur un jeu de 20 essais et une tâche choisie par eux. Ils méritent donc une réplication indépendante avant d'être généralisés. Ce travail s'inscrit dans la montée des WAM, qui concurrencent les politiques vision-langage-action (VLA) comme Pi0.5 en exploitant la vidéo comme signal d'apprentissage dense. Fast-WAM, l'autre référence directe de l'article, cherchait déjà à rendre ces modèles assez rapides pour le contrôle. Long-WAM ajoute la mémoire à cette équation, avec des benchmarks surtout simulés, et le pilotage de robots d'Unitree et de YAM, plateformes accessibles aux laboratoires. Les auteurs indiquent que le modèle sert aussi d'exécuteur doté de mémoire, complémentaire d'une planification de plus haut niveau dans des tâches composites. Il s'agit d'une publication de recherche, sans produit ni déploiement industriel annoncé. La suite dépendra de la publication éventuelle du code et des poids, et de la tenue des résultats hors des tâches de démonstration.

Recherche❖Paper

1 source

44

276arXiv cs.RO 

Les futurs prédits ne suffisent pas : apprendre des objectifs exécutables pour la manipulation robotique

Des chercheurs proposent une méthode baptisée Entity-Level Goal Readout, décrite dans un preprint arXiv (2610.09309), qui fait de l'objectif terminal exécutable une sortie explicite d'un modèle du monde fondé sur des traces 3D. Le système combine une prédiction de pose centrée sur les objets avec une translation ancrée dans la profondeur observée, ce qui produit un but compact dans SE(3), c'est-à-dire une position et une orientation 3D. Un exécuteur commun, le Pose-Native Executor, consomme ce but fixe avec un retour de pose d'objet en ligne pour piloter le robot en boucle fermée, sans relancer le modèle du monde. Sur cinq tâches de manipulation, le pipeline atteint un taux de succès moyen de 79,69 %. En déploiement zero-shot sur un bras Franka, il obtient 73,33 % de réussite sur StackCube nominal, 66,67 % avec des objets distracteurs et 75,00 % sur PickPlate, avec une cible absente de l'entraînement de la politique. Les auteurs ajoutent des diagnostics qui mesurent directement la précision du but terminal, ainsi que des perturbations contrôlées de translation qui caractérisent la dégradation de l'exécution quand le but est erroné. L'enjeu tient à une hypothèse implicite de nombreux travaux sur les modèles du monde génératifs : si le modèle prédit un futur plausible, le contrôle saura l'exploiter. Or ces futurs, souvent des images ou des traces, n'exposent pas directement les variables compactes dont un contrôleur a besoin. Lorsque l'entraînement supervise uniquement la prédiction du futur, la précision du but final n'est pas un objectif d'apprentissage, même quand une reconstruction géométrique reste possible. Les auteurs soutiennent donc que l'interface entre prédiction et exécution doit être un composant appris à part entière, et non un post-traitement accessoire. Pour un intégrateur ou un ingénieur, l'intérêt pratique est double : un but figé et mesurable permet de diagnostiquer séparément l'erreur de planification et l'erreur d'exécution, et l'absence de nouvelle inférence du modèle du monde à chaque pas allège le calcul embarqué. Il faut toutefois rester prudent : les chiffres portent sur des tâches de laboratoire simples (empilement de cubes, dépose d'une assiette), avec des taux autour de 67 à 80 %, loin des seuils de fiabilité exigés en production, et le document ne détaille pas le nombre d'essais réels. Ce travail s'inscrit dans la montée des approches « world model + planification » face aux politiques VLA de bout en bout, qui prédisent directement des actions. Il s'appuie sur des représentations de trajectoires 3D et sur le retour de pose d'objet, un choix qui suppose une estimation de pose fiable en cours de tâche, ce qui reste une limite en environnement encombré ou avec des objets inconnus. Le résultat sur une cible non vue à l'entraînement suggère une certaine généralisation, sans pour autant la démontrer à grande échelle. Il s'agit d'une publication de recherche, sans produit, client ni calendrier de déploiement annoncé. Une page de projet est disponible, et les prochaines étapes naturelles seraient des tests sur des tâches plus longues, des scènes plus variées et des comparaisons directes avec des politiques VLA de référence.

Recherche❖Paper

1 source

44

277arXiv cs.RO 

Vers une collaboration humain-agent-robot fondée sur les preuves pour le tri des anomalies sans dépendance à la Terre

Des chercheurs proposent, dans un preprint arXiv (2610.08933), une architecture de triage d'anomalies pour équipages en espace lointain, fondée sur une équipe humain, agent IA et robot. Le système repose sur un gestionnaire d'état de triage qui conserve les hypothèses en cours, la provenance des preuves, l'incertitude, le contexte opérationnel et l'état des outils. Un agent incarné, tourné vers l'équipage, recueille les observations des astronautes et explique pourquoi l'évaluation change. Un robot mobile va chercher des preuves ciblées et localisées. Des interfaces typées séparent le dialogue et l'orchestration du monitoring, des commandes robot, de la récupération de contexte et du contrôle critique pour la sécurité. L'IA agentique y joue le rôle de coordinateur à état au-dessus de services bornés et inspectables, et non celui de pilote autonome d'un véhicule. Le prototype d'intégration en boucle matérielle (hardware-in-the-loop) combine un Reachy Mini comme agent incarné et un robot mobile Innate MARS. Deux scénarios l'illustrent. Le premier s'inspire d'une vraie fausse alerte à l'ammoniac sur l'ISS, où une contamination suspectée restreint l'accès de l'équipage. Le second concerne une anomalie d'interface d'alimentation dans une base lunaire habitée, où l'inspection robotisée distingue un défaut local de connecteur d'autres causes que la télémétrie à distance ne permet pas de départager. L'intérêt du travail tient au problème qu'il cible. Lors des missions lointaines, le délai de communication interdit de compter sur un support sol en temps réel. Les alertes initiales sous-déterminent souvent la cause, et les indices décisifs se trouvent soit dans les observations de l'équipage, soit dans des zones dangereuses, coûteuses ou inaccessibles pour un humain. La contribution revendiquée est une boucle de preuves fermée, à autorité bornée : l'IA propose et explique, mais ne détient pas la commande des fonctions critiques. Cette posture contraste avec le discours dominant sur les agents entièrement autonomes, et elle intéresse tout décideur confronté à des environnements où la traçabilité et la responsabilité priment sur la performance brute. Il faut toutefois rester prudent. Il s'agit d'une architecture démontrée sur deux scénarios illustratifs, sans évaluation quantitative annoncée dans le résumé : ni taux de réussite, ni temps de triage, ni comparaison avec une procédure de référence. Le prototype relève de la preuve de concept en laboratoire, loin d'un système qualifié pour le vol. Le travail s'inscrit dans la montée de l'autonomie à bord requise par les programmes d'exploration habitée, notamment les projets de présence lunaire durable, où les opérations dépendront moins du centre de contrôle terrestre. Le choix du matériel est révélateur : Reachy Mini est un petit robot de bureau open source de l'écosystème Hugging Face, et Innate MARS une plateforme mobile accessible. Cela montre que l'on peut prototyper ce type de coordination avec des composants du commerce, loin des robots spatiaux dédiés. Le résumé ne cite ni agence spatiale partenaire, ni calendrier de test en conditions représentatives, ni acteur européen. Les suites naturelles seraient des essais en analogue de mission, des mesures de charge cognitive de l'équipage et une validation des garde-fous face à des pannes de communication ou de capteurs.

Recherche❖Paper

1 source

44

278arXiv cs.RO 

Politique de diffusion immiscible : préserver la multimodalité des actions du robot grâce à une affectation du bruit sans étiquettes

Des chercheurs publient sur arXiv (2610.09369, première version) Immiscible Diffusion Policy, un complément d'entraînement pour les politiques de diffusion en robotique. Ils constatent que ces politiques s'effondrent souvent sur une seule modalité d'action, même quand le jeu de données est équilibré entre modalités et que le lot d'entraînement est parfaitement symétrique. Leur analyse désigne l'appariement indépendant entre actions et bruit. Il multiplie les croisements et mélanges entre trajectoires de diffusion, ce qui produit des réponses de débruitage moyennées qui effacent les comportements propres à chaque modalité. La méthode remplace cet appariement par une affectation action-bruit sans étiquette, qui préserve des routes bruit-vers-action relativement distinctes. Elle ne modifie ni l'architecture de la politique ni l'inférence. Les tests couvrent cinq tâches simulées et deux tâches réelles de manipulation humanoïde, avec observations d'état, RGB et nuages de points. La part de la modalité non dominante est multipliée par 6,0 à 14,6 sur trois tâches à deux modalités. Sur les deux tâches à quatre modalités, des modalités totalement absentes des déploiements de la politique de base réapparaissent. Ce travail s'attaque à une promesse jamais tenue des politiques de diffusion : représenter des distributions d'actions multimodales, par exemple contourner un obstacle par la gauche ou par la droite. Si l'effondrement vers un mode unique est systématique, la diversité des démonstrations humaines est en partie perdue à l'entraînement. C'est un point de vigilance pour les intégrateurs qui collectent des données de téléopération hétérogènes. L'argument d'une correction sans coût à l'inférence est séduisant, car elle s'ajoute à des pipelines existants. Les limites sont claires : le résumé ne donne ni taux de succès absolus, ni nombre d'essais, ni identité des robots, et seules deux tâches sont réelles. Préserver une modalité ne garantit pas non plus que la politique choisisse la bonne. Les politiques de diffusion se sont imposées comme base de l'apprentissage par imitation depuis 2023, et les modèles généralistes récents (VLA à flow matching comme Pi-0, par exemple) reposent sur des principes voisins. Le nom de la méthode rappelle une technique d'affectation de bruit introduite pour accélérer l'entraînement en génération d'images, ici reprise pour un autre problème. Aucun déploiement industriel ni calendrier n'est annoncé. La suite logique serait une validation sur des politiques à grande échelle et des benchmarks indépendants.

Recherche❖Paper

1 source

44

279arXiv cs.RO 

R²-WAM : post-entraînement par réparation et rejet pour les modèles d'action du monde

Des chercheurs proposent R²-WAM, un cadre de post-entraînement en deux étapes, « réparer puis rejeter », destiné aux World Action Models (WAM). Ces modèles prédisent, sous forme de vidéo, les conséquences d'actions robotiques échantillonnées, afin d'affiner une politique de contrôle. Le système atteint 93,8 % de succès moyen sur le benchmark de simulation RoboTwin 2.0, en moyenne sur les configurations « clean » et randomisées. Sur une tâche réelle de longue durée, le pliage de chemise (Fold Shirt), il obtient 87,5 % de succès moyen, contre 0 % pour Fast-WAM, la base de comparaison. Le gain est obtenu sans interaction supplémentaire avec l'environnement et sans modification de la procédure d'inférence. Le code et les démonstrations sont annoncés sur une page projet dédiée. Le mécanisme tient en deux temps. L'étape de réparation corrige un défaut connu des WAM : une vidéo prédite visuellement plausible peut ne pas refléter l'action fournie en entrée, ce qui fausse tout raffinement de politique fondé sur elle. Les auteurs introduisent un score d'alignement cinématique, qui mesure l'écart entre le mouvement prédit et le mouvement démontré, pour ancrer l'imagination du modèle dans le comportement réel du robot. L'étape de rejet utilise ensuite ce modèle vidéo réparé pour comparer les résultats imaginés des actions échantillonnées à ceux des démonstrations. Les échantillons dont la progression de tâche prédite tombe sous la référence démontrée d'une marge prescrite servent d'exemples négatifs pour un fine-tuning négatif. L'intérêt dépasse le score de benchmark. Le résultat suggère que la prédiction vidéo peut passer du statut de simple apprentissage de représentations à celui de critique de conséquences, capable de trier les mauvaises actions hors ligne. Cela réduit le besoin de rollouts physiques coûteux, un point clé pour les intégrateurs confrontés au coût de collecte de données. Le contraste sur Fold Shirt est frappant : 0 % pour la base de comparaison indique que la cohérence action-vidéo est un goulot d'étranglement réel sur les tâches déformables à long horizon. Il faut toutefois rester prudent : il s'agit d'un travail académique, la tâche réelle est unique, le nombre d'essais n'est pas précisé dans le résumé, et aucun déploiement industriel ni temps de cycle n'est évoqué. Ce travail s'inscrit dans la montée des modèles du monde appliqués au contrôle, où la vidéo prédictive sert de fondation aux politiques, en parallèle des approches VLA (vision-langage-action) classiques. RoboTwin 2.0, benchmark bimanuel en simulation, est devenu un terrain de comparaison courant, et Fast-WAM représente ici l'état de l'art immédiat auquel les auteurs se mesurent. La suite logique serait une validation sur davantage de tâches réelles, d'autres plateformes et des volumes d'essais plus larges, ainsi qu'une comparaison avec les politiques VLA déployées commercialement. Aucun acteur européen ni calendrier de pilote n'est mentionné dans cette version de l'article, publiée sur arXiv en révision (v2).

Recherche❖Paper

1 source

44

280arXiv cs.RO 

AeroEval : validation par étapes du programme et de l'exécution pour les missions de drones générées par IA

Des chercheurs présentent AeroEval, un intergiciel (middleware) assisté par agents, conçu pour valider par étapes les missions de drone générées par des grands modèles de langage (LLM). Le système combine une analyse déterministe des programmes avec des agents LLM ancrés dans le contexte. Un premier étage vérifie la syntaxe, l'usage de l'API de la plateforme et la conformité à l'intention de la mission. Un second étage évalue le comportement réel à partir des trajectoires d'exécution, des exigences de mission et de l'environnement. Chaque étage renvoie des informations d'échec structurées, qui alimentent une régénération itérative du code. L'évaluation porte sur 20 tâches de navigation et cinq types de missions analytiques, dans les simulateurs AirSim et Gazebo. Le taux de réussite en navigation passe de 55 % à 95 %. Pris isolément, le validateur de code et le validateur de trajectoire atteignent respectivement 44 % et 56 % de réussite moyenne par exécution, contre 88 % pour la chaîne complète. Sur les missions d'analyse principales, le taux agrégé passe de 34 % pour AeroGen en une seule passe à 88 % dans le budget de régénération. L'intérêt de ces résultats tient à l'écart qu'ils chiffrent entre un code qui compile et une mission qui fait ce que l'utilisateur voulait. Un programme syntaxiquement valide peut enfreindre une contrainte d'altitude, mal couvrir une zone, percuter un obstacle ou rater une transition événementielle. Les garde-fous par prompt ou les simples verdicts de simulateur localisent mal ces défauts. Le gain vient surtout de la complémentarité des deux étages, car aucun ne suffit seul : chacun reste sous 60 %, et leur combinaison dépasse 85 %. Pour les intégrateurs de drones autonomes, c'est un argument en faveur de validateurs structurés placés avant tout déploiement physique, avec des retours exploitables par le générateur. Les réserves sont nettes. Les résultats viennent uniquement de simulation, sur un nombre limité de tâches, avec un budget de régénération dont le coût en appels LLM n'est pas détaillé. Les auteurs eux-mêmes restreignent leurs conclusions à « l'environnement évalué ». Rien ne prouve donc encore que ces performances résistent au vent, au bruit de capteurs ou aux latences d'un vol réel. Ce travail prolonge la ligne des systèmes de génération de code pour drones à partir de langage naturel, dont AeroGen sert ici de référence de base. Ces systèmes reposent surtout sur des consignes de sécurité dans le prompt ou sur le simple résultat d'une simulation, sans localisation fine de la défaillance. AeroEval s'inscrit dans le courant plus large de la vérification de code généré pour les systèmes cyber-physiques, où la boucle de rétroaction entre génération et exécution simulée devient un composant à part entière. Il s'agit d'une préimpression arXiv (v1), sans pilote industriel ni calendrier de déploiement annoncé. Les prochaines étapes logiques sont des essais en vol réel, une évaluation sur des plateformes et des scénarios plus variés, et une mesure du surcoût de calcul de la régénération guidée.

Recherche❖Paper

1 source

44

281arXiv cs.RO 

LASER : appariement adjoint dans l'espace latent pour l'apprentissage par renforcement hors ligne à entropie régularisée et support contraint

Des chercheurs du laboratoire REALM du MIT publient sur arXiv (2610.08989) LASER, un algorithme d'apprentissage par renforcement hors ligne (offline RL). Il vise à optimiser une politique à partir de jeux de données statiques, sans interaction coûteuse avec un robot ou un environnement réel. Le travail s'appuie sur une approche récente: apprendre d'abord une politique de clonage de comportement par flow matching, puis faire l'apprentissage par renforcement dans son espace latent contraint, afin que les actions restent proches de celles du jeu de données. LASER ajoute une régularisation par l'entropie, mise en œuvre par un « latent-space adjoint matching ». Cette technique permet d'entraîner des politiques de flux expressives sans rétropropagation à travers le temps. L'évaluation porte sur 40 tâches de l'OGBench, avec des jeux de données de qualité variable. LASER y atteint l'état de l'art, avec un jeu d'hyperparamètres unique et fixe pour toutes les tâches. Les références comparées, dont certaines sont réglées tâche par tâche et jeu de données par jeu de données, sont dépassées. Un site de projet et le code associé sont annoncés. Cette avancée touche un point bloquant pour le déploiement de politiques robotiques apprises: le risque d'exécuter des actions hors distribution (OOD) que le jeu de données n'a jamais couvertes. Les auteurs observent qu'optimiser naïvement la politique latente la fait s'effondrer sur un mode fragile, ou lui fait exploiter les artefacts abrupts du critique appris. Pour un robot physique, cela se traduit par des comportements instables ou dangereux. Le résultat sur les hyperparamètres compte presque autant que le score. Dans l'industrie, le réglage par tâche mobilise des ingénieurs et des essais coûteux, et il complique le passage du laboratoire à plusieurs sites clients. Une méthode qui tient sans réglage spécifique réduit ce coût. Il faut toutefois rester prudent: OGBench est un banc d'essai en simulation, centré sur des tâches de navigation et de manipulation à objectif. Rien n'est démontré ici sur du matériel réel, ni sur des modèles VLA de grande taille comme Pi-0 ou GR00T N2. Le transfert simulation vers réel reste une hypothèse non testée. Cette publication s'inscrit dans un courant qui combine politiques génératives (diffusion, flow matching) et RL hors ligne. Il répond à une limite connue: ces politiques imitent bien mais ne dépassent pas la qualité de leurs démonstrations. Les méthodes concurrentes contraignent généralement le support de la politique ou distillent un modèle de flux en une politique à une étape, ce qui impose souvent un réglage fin par tâche. LASER propose de rester dans l'espace latent du modèle de flux et d'y maintenir de l'entropie. La suite logique sera de tester la méthode sur des données robotiques réelles et sur des modèles de fondation plus larges. Aucun pilote industriel ni calendrier de déploiement n'est annoncé à ce stade. Il s'agit d'un résultat de recherche à l'état de préprint, non évalué par les pairs.

Recherche❖Paper

1 source

44

282arXiv cs.RO 

SurGE : évolution guidée par gradient de substitution pour la co-conception de robots à pattes avec élasticité parallèle

Des chercheurs proposent SurGE (Surrogate Gradient-guided Evolution), un cadre de co-conception pour robots à pattes équipés d'éléments élastiques en parallèle, décrit dans l'article arXiv 2606.21866 (version 2). Le système calcule des gradients de substitution de l'objectif de conception à travers un pipeline différentiable. Ce pipeline combine un modèle cinodynamique de corps rigide unique (Kino-SRB) et une politique de contrôle qui tient compte de la conception. Ces gradients sont ensuite injectés dans l'algorithme évolutionnaire CMA-ES, par un décalage de la moyenne de la distribution et une décroissance du pas de type cosinus. Les tests portent sur un robot sauteur à 4 degrés de liberté de conception, équipé d'un ressort parallèle unidirectionnel. Face à un CMA-ES standard, SurGE divise par six l'écart-type entre graines aléatoires et resserre la population de 18 %, tout en égalant ou améliorant le meilleur objectif. Sur matériel, dans un sous-espace de conception à deux dimensions, la méthode réduit l'objectif de 37,65 % par rapport à une conception initiale réglée à la main. Le problème visé est un point dur de la robotique à pattes. Les ressorts parallèles peuvent réduire la consommation des actionneurs et augmenter les performances en saut ou en course. Mais le choix de leur raideur, de leur course et de leur point d'engagement reste largement empirique. Les contacts sont discontinus et le ressort unidirectionnel ne s'engage qu'à partir d'un certain seuil. Ces non-différentiabilités rendent les gradients analytiques inutilisables, d'où le recours habituel à des méthodes sans gradient, coûteuses en simulation et sensibles à la graine. SurGE propose un compromis. Un modèle simplifié fournit une direction de descente approximative, et l'évolution corrige les erreurs de ce modèle. Le gain de robustesse (six fois moins de variance entre exécutions) compte davantage pour un ingénieur que le meilleur score, car il réduit le nombre de relances nécessaires. Le transfert de la tendance de la simulation vers le matériel est aussi un résultat utile face au fossé sim-to-real. Les limites sont nettes : un seul robot sauteur, un espace de conception réduit à 4 dimensions en simulation et 2 sur matériel, et une amélioration mesurée contre une conception manuelle dont la qualité n'est pas précisée. On ne sait pas si la méthode passe à l'échelle d'un robot bipède ou quadrupède complet. Ces travaux s'inscrivent dans un courant plus large de co-conception morphologie-contrôle, qui va de l'optimisation évolutionnaire classique aux simulateurs différentiables et à l'apprentissage par renforcement. Les pattes élastiques en parallèle se retrouvent dans plusieurs plateformes de recherche et industrielles, ce qui donne un cadre d'application plausible. Le papier est un résultat académique, sans produit ni calendrier de déploiement. La suite logique consiste à étendre la méthode à des espaces de conception plus riches, à d'autres types de mécanismes élastiques et à des robots plus complexes. Le code et les conditions de reproduction détermineront son adoption.

Recherche❖Paper

1 source

44

283arXiv cs.RO 

RobotWorld : un banc d'essai pour agents multimodaux pilotant des robots, sur des tâches et des morphologies variées

RobotWorld, un banc d'essai en simulation publié sur arXiv (2610.10409), cherche à mesurer jusqu'où les agents généralistes, déjà capables d'écrire du code, d'utiliser des outils et de mener des tâches numériques complexes, savent piloter un robot. Il regroupe 84 tâches couvrant la manipulation, la manipulation mobile, la locomotion, la conduite et le contrôle aérien. Chaque tâche impose un budget d'interactions explicite et une vérification de succès exécutable. Les chercheurs analysent les résultats en parallèle des traces d'exécution, afin de distinguer ce qui se transfère du numérique vers le physique et ce qui bloque. Deux modèles ressortent de la comparaison : Astra et Opus 5.5. Les agents testés savent monter des chaînes de perception et de contrôle élaborées : segmentation d'images, calibration de caméra, estimation spatiale, calculs fondés sur la dynamique. Ces briques ne se composent pourtant pas de façon fiable en comportement abouti. Les agents perdent l'état des objets pertinents alors même que le robot atteint les poses commandées, ne corrigent pas les actions inefficaces, réagissent trop tard ou prennent une tâche inachevée pour une tâche terminée. Les profils divergent selon le modèle : Astra réussit plus souvent les objectifs spatiaux et ceux à contact contraint, tandis qu'Opus 5.5 l'emporte sur l'équilibre continu et les interactions chronométrées. Il s'agit d'une évaluation en simulation. Le résumé ne fournit ni taux de réussite globaux ni chiffres par modèle, ce qui limite la lecture quantitative. L'intérêt pour l'industrie tient au diagnostic. Le goulot d'étranglement ne semble plus se situer dans la génération de code de perception ou de contrôle, que les agents maîtrisent déjà, mais dans le suivi d'état, l'auto-vérification et la détection d'échec en boucle fermée. Pour les intégrateurs qui envisagent d'appuyer des robots sur des modèles généralistes plutôt que sur des politiques VLA spécialisées, cela signifie qu'un agent capable de produire un pipeline convaincant ne garantit pas une exécution fiable, et que la confirmation de fin de tâche ne peut pas lui être déléguée sans contrôle externe. Les profils complémentaires d'Astra et d'Opus 5.5 montrent aussi qu'aucun modèle ne domine sur l'ensemble des embodiments, ce qui pèse sur le choix d'un modèle selon l'application. RobotWorld s'inscrit dans la série de bancs d'essai qui évaluent les agents hors du texte, après les tests de code, de navigation web et d'usage d'ordinateur. Il se distingue en couvrant des morphologies très différentes dans un même cadre, avec des critères de succès exécutables plutôt que des jugements subjectifs. Il complète les évaluations de politiques robotiques entraînées de bout en bout, comme les approches VLA, en mesurant la voie concurrente : l'agent généraliste qui pilote un robot via ses interfaces. Les auteurs le présentent comme une cible concrète pour l'entraînement d'agents physiques plus fiables. La suite dépendra de la publication du jeu de tâches et de l'évaluation sur robots réels, qui dira si ces écarts survivent au passage de la simulation au monde physique.

Recherche❖Paper

1 source

44

284arXiv cs.RO 

ECHO : observations par caméra incarnée du portage d'objets par des humains

Des chercheurs publient ECHO (Embodied Camera observations of Human Object carrying), un jeu de données synthétique de grande taille, associé à une nouvelle tâche de référence baptisée « contextual object placement » : prédire la destination d'un objet à partir d'un épisode observé où un humain le transporte. Le corpus compte 3 805 épisodes annotés manuellement, répartis sur 159 étages de 115 scènes HM3D et impliquant 198 objets distincts. Chaque étage fournit un scan RGB-D complet, avec étiquettes de pièces et liste des surfaces annotées par des humains. Chaque épisode contient des extraits RGB-D synchronisés, des trajectoires 6-DoF de la caméra, de l'humain et de l'objet, les surfaces de départ et d'arrivée, une légende de l'action et une phrase de contexte écrite par un annotateur. Cette phrase décrit la routine de l'habitant et fait deviner la destination sans la nommer. Les auteurs évaluent la tâche avec des sondes à entrées masquées et un modèle de référence de bout en bout. Aucune modalité prise isolément ne suffit. Pour la robotique domestique et l'assistance, ce travail cible un angle mort. Reconnaître un objet ne suffit pas : un robot doit savoir où le ranger selon l'agencement du logement et les habitudes de ses occupants. Les résultats des sondes indiquent que la structure de la scène, l'activité humaine et la connaissance contextuelle doivent être raisonnées ensemble. Cela rejoint les limites des pipelines modulaires actuels et des modèles vision-langage-action (VLA) évalués sur des tâches de manipulation sans contexte d'usage. Pour un intégrateur ou un décideur B2B, le message est mesuré. Le jeu de données est synthétique, et le texte ne chiffre aucun score, donc rien ne prouve à ce stade un transfert vers des foyers réels. Le benchmark sert surtout à mesurer un problème jusque-là non évalué, pas à annoncer une capacité livrée. Les auteurs positionnent ECHO face à deux familles de jeux de données qui laissaient la tâche sans évaluation. Les scans RGB-D d'intérieurs reconstruisent des pièces statiques, sans activité humaine. Les jeux d'interaction humain-objet capturent le mouvement, mais sans scène navigable entièrement reconstruite ni destination naturelle de référence. ECHO se présente comme le premier jeu public combinant scènes reconstruites, activité humaine, langage naturel et annotations de placement contextuel. Il s'appuie sur HM3D, une base de scènes largement utilisée pour la navigation embarquée. Le travail est publié sur arXiv (2610.10438) et aucun calendrier de suite n'est annoncé. La prochaine étape logique est l'évaluation de modèles multimodaux plus récents sur ce benchmark, puis une validation en environnements réels. Aucun acteur européen n'est cité dans la publication.

Recherche❖Paper

1 source

44

285arXiv cs.RO 

Raisonnement visuel sur les actions aligné sur les événements pour les modèles monde-action

Des chercheurs proposent un cadre de « raisonnement visuel-action aligné sur les événements » pour les World-Action Models (WAMs), ces politiques robotiques qui génèrent une prédiction visuelle du futur comme étape intermédiaire avant de produire des actions. Le travail, publié sur arXiv sous la référence 2610.09427, part d'un constat: les WAMs actuels découpent leur « imagination » visuelle selon des intervalles temporels prédéfinis, sans distinguer les interactions décisives (saisie, insertion, relâchement) des phases de transition qui les relient. La méthode organise au contraire la prédiction autour des événements d'interaction. Grâce à une supervision visuelle et motrice alignée sur ces événements, le modèle apprend à produire, dans chaque déroulé imaginé, un contexte visuel détaillé autour des changements d'état critiques et plus grossier pendant les transitions. Les auteurs ajoutent une « execution validity head », un module qui identifie la portion valide de chaque séquence d'actions prédite, afin d'éviter les actions redondantes lors de l'inférence par blocs (action chunking). Sur le benchmark DOMINO, le taux de succès progresse de 10,26 points de pourcentage par rapport à la référence. Les résultats sont qualifiés de compétitifs sur RoboTwin 2.0, sans gain net revendiqué. Le transfert du niveau 1 de DOMINO vers les niveaux 2 et 3 se fait sans adaptation propre à chaque niveau. L'intérêt tient à la granularité de la prévision visuelle, un paramètre souvent traité comme un détail d'ingénierie. Si la précision doit se concentrer là où la tâche se joue, les modèles qui génèrent des images futures à pas fixe dépensent une part de leur capacité sur des phases peu informatives, ce qui peut dégrader la qualité des actions. La tête de validité d'exécution répond à un problème pratique de l'action chunking: exécuter un bloc entier d'actions prédites alors que seule une partie reste pertinente produit des mouvements parasites, au détriment du temps de cycle et de la fiabilité. Le transfert entre niveaux de DOMINO suggère aussi une certaine robustesse face à des variations de difficulté. Il faut toutefois rester prudent: les résultats sont obtenus en simulation, où l'écart entre démonstration et déploiement réel reste le principal point d'interrogation. Aucun test sur robot physique, aucune mesure de latence d'inférence ni de coût de calcul n'est mentionné, alors que générer des images futures alourdit sensiblement les modèles. Un gain de 10 points face à une référence dont la solidité n'est pas précisée demande aussi à être confirmé par des reproductions indépendantes. Ce travail s'inscrit dans la montée des politiques « world model + action », qui cherchent à dépasser les VLA (vision-langage-action) classiques en leur donnant une capacité de prévision explicite. Il se mesure à des approches de génération vidéo conditionnée par l'action et à des politiques de type Pi-0 ou GR00T, qui prédisent des actions sans passer par une imagination visuelle structurée. RoboTwin 2.0 est devenu un banc d'essai courant pour la manipulation bimanuelle en simulation, et DOMINO fournit des niveaux de difficulté croissants qui servent ici à tester la généralisation. La suite logique serait une validation sur matériel réel et une mesure du compromis entre qualité de prédiction et vitesse d'exécution, deux critères déterminants pour les intégrateurs qui envisagent ce type de politique en production.

Recherche❖Paper

1 source

44

286arXiv cs.RO 

MeshSIPP : planification efficace sur treillis en environnement dynamique

Des chercheurs publient sur arXiv (2610.09652) MeshSIPP, un planificateur de trajectoire pour la navigation autonome en environnement dynamique. Il vise le cas où les trajectoires des obstacles mobiles sont connues ou prévisibles, avec des contraintes non holonomes (un véhicule qui ne peut pas se déplacer latéralement). L'approche combine un treillis d'états construit à partir de primitives de mouvement faisables précalculées, et le Safe Interval Path Planning (SIPP), un algorithme de recherche à garanties théoriques solides. Les auteurs annoncent une accélération allant jusqu'à 3 fois par rapport aux planificateurs spatio-temporels de l'état de l'art. Les tests portent sur plus de 6 000 instances de référence et sur des simulations temps réel sous ROS 2. Il s'agit d'un travail de recherche validé en simulation, sans déploiement sur robot réel ni produit annoncé. Le goulot d'étranglement visé est bien connu. Pour obtenir des mouvements fluides, il faut un grand nombre de primitives, ce qui donne un facteur de branchement élevé. Ce coût devient lourd quand il s'ajoute aux intervalles de temps d'occupation des obstacles. MeshSIPP exploite le fait que de nombreuses primitives balayent les mêmes zones et peuvent donc être validées ensemble. Il les propage sous forme de faisceaux spatiaux et les filtre par de simples tests sur des intervalles englobants. La recherche exacte de l'heure de départ, la partie coûteuse, n'est effectuée que lorsqu'une primitive atteint son état terminal. Une règle d'élagage tenant compte du temps écarte en plus, très tôt, les branches espace-temps redondantes. Les auteurs démontrent que la recherche reste complète et optimale, donc que le gain de vitesse ne sacrifie ni la solution ni sa qualité. Pour les intégrateurs de flottes d'AMR et les équipes qui planifient des mouvements dans des entrepôts denses, l'intérêt est pratique. Réduire le temps de calcul sans perdre la garantie d'optimalité permet de replanifier plus souvent ou de gérer plus de robots avec le même processeur. Ce résultat reste prudent à interpréter. Le facteur 3 est un maximum et non une moyenne. Il dépend des instances de référence choisies, et l'hypothèse de trajectoires d'obstacles connues à l'avance est restrictive face à des piétons ou à des chariots imprévisibles. Aucun chiffre de temps de cycle absolu n'est donné dans le résumé. Le travail s'inscrit dans la lignée du SIPP, introduit pour la planification en présence d'obstacles dynamiques, et des treillis d'états déjà courants en conduite autonome et en robotique mobile. Il se positionne face aux autres planificateurs spatio-temporels de type A* ou SIPP sur treillis. La disponibilité d'une validation sous ROS 2 laisse envisager une intégration dans des piles de navigation existantes, mais aucune date de publication de code, de pilote industriel ou de comparaison sur matériel réel n'est annoncée.

Recherche❖Paper

1 source

44

287arXiv cs.RO 

Planification rapide pour le lancer d'objets multiples vers des cibles multiples

Des chercheurs proposent un cadre de planification pour le lancer simultané de plusieurs objets vers plusieurs cibles (MOMT, pour multi-object multi-target throwing), publié sur arXiv sous la référence 2610.09224. Le système a été validé sur un manipulateur à 7 degrés de liberté équipé d'une main multi-doigts anthropomorphe. La méthode fonctionne en deux temps. Hors ligne, les auteurs construisent un modèle de l'ensemble des lancers réalisables, en combinant la dynamique de vol inversée de l'objet avec la cinématique et la dynamique du robot. En ligne, le système met en correspondance des solutions rapides et filtre les états de détachement valides de l'objet et les états faisables du robot, ce qui permet de composer des séquences de lancers en moins de 5 ms. En simulation, le lancer coordonné de deux objets réduit le temps d'exécution jusqu'à 46 % par rapport à une planification indépendante objet par objet, et ce gain se maintient avec trois objets. En conditions réelles, avec deux objets, la réduction mesurée est de 29 %. Si les cibles changent aléatoirement en cours d'exécution, le système replanifie et atteint les nouvelles positions avec une latence inférieure à 100 ms, sans arrêter le robot. L'intérêt pour la logistique tient au débit. Le lancer élargit déjà l'espace de travail utile d'un bras, puisque le robot n'a plus à se déplacer vers chaque point de dépose. Ici, le travail s'attaque à un autre goulot : le nombre d'objets traités par geste. Le gain mesuré en réel (29 %) reste nettement sous le plafond théorique de 50 % pour deux objets, et les auteurs l'attribuent au surcoût de transition entre les lancers. C'est un chiffre honnête, mais qui montre que le gain simulé de 46 % ne se transpose pas intégralement au matériel. La planification en moins de 5 ms et la replanification sous 100 ms sont les résultats les plus exploitables : ils suggèrent qu'un tel système pourrait absorber des changements de cible, par exemple une réaffectation de bac sur un convoyeur de tri. À l'inverse, la validation reste limitée : trois objets uniquement en simulation, deux en réel, sans précision sur la nature des objets, leur variabilité ou le taux de réussite des lancers. Aucun test en environnement d'entrepôt n'est rapporté. Ce travail s'inscrit dans la montée du lancer robotique en automatisation d'entrepôt, un domaine où la recherche académique cherche à dépasser le cycle classique de saisie puis de dépose. Les auteurs revendiquent le premier cadre de planification unifié pour le MOMT, une affirmation de priorité à nuancer tant qu'elle n'a pas été confrontée à une évaluation par les pairs, l'article étant un preprint. L'approche dépend de mains multi-doigts, matériel plus complexe, plus coûteux et moins robuste que les préhenseurs à ventouses dominants en logistique, ce qui pèsera sur toute industrialisation. Les prochaines étapes naturelles seraient le passage à trois objets ou plus sur matériel réel, la réduction du surcoût de transition entre lancers et des essais sur des objets hétérogènes. Une vidéo de démonstration est publiée par les auteurs, mais elle reste, comme toute vidéo de laboratoire, une sélection d'essais réussis.

Recherche❖Paper

1 source

44

288arXiv cs.RO 

CMP-IRRT* : un planificateur à hauteur adaptative assisté par la perception pour robots quadrupèdes

Des chercheurs proposent CMP-IRRT, un planificateur de trajectoire 2D pour robots quadrupèdes qui tient compte de la hauteur des obstacles, décrit dans une prépublication arXiv (v1, octobre 2026). Le système part d'une seule image RGB calibrée, prise en vue de dessus. Un module de perception estime les zones occupées, puis convertit des prédictions de profondeur en carte de hauteur relative au sol. Le planificateur effectue ensuite une vérification de collision conditionnée par la hauteur: les obstacles hauts sont bloqués, les obstacles bas restent franchissables. L'échantillonnage est guidé par un module nommé CMP (Channel Mamba PointNet), qui oriente la recherche vers les régions prometteuses tout en conservant, en secours, l'échantillonnage classique dans l'espace libre et l'échantillonnage informé de Informed RRT. Sur des benchmarks de planification 2D, CMP-IRRT* réduit le nombre de nœuds explorés et d'itérations par rapport à des méthodes classiques et à des méthodes guidées par réseau de neurones. Une ablation contrôlée attribue une partie du gain au guide basé sur Mamba. Dans des scénarios construits où les obstacles bas sont franchissables, la longueur du chemin diminue jusqu'à 16,3 %. Une démonstration sur un Unitree Go2 montre des comportements de contournement et de franchissement exécutables. Le code est publié sur GitHub. L'intérêt tient à un défaut courant des chaînes de navigation: beaucoup modélisent encore l'environnement en cases libres ou occupées. Pour un quadrupède capable d'enjamber un câble, une bordure ou un petit objet, ce choix produit des détours inutiles, donc des trajets plus longs et plus coûteux en énergie et en temps. Intégrer la hauteur dans le test de collision rapproche la planification des capacités réelles de la locomotion, ce qui compte pour l'inspection industrielle, la logistique ou la sécurité sur site. Le gain de planification, lui, vise un budget de calcul limité, utile sur du matériel embarqué. Les résultats appellent toutefois de la prudence: le gain maximal de 16,3 % vient de scénarios construits pour ce besoin, non d'environnements industriels réels, et la validation matérielle se limite à une démonstration sur un seul robot. L'article ne donne pas, dans son résumé, de taux de réussite ni de temps de calcul sur le robot, ni de mesure de la robustesse de l'estimation de hauteur monoculaire. Ce travail s'inscrit dans la lignée des planificateurs à échantillonnage guidés par apprentissage, qui prolongent RRT et Informed RRT avec des réseaux comme PointNet, ici combiné à Mamba, une architecture à espace d'états. Il s'adresse à une plateforme très répandue en recherche, le Go2 d'Unitree, ce qui facilite la reproduction grâce au code ouvert. Ses principales limites sont la dépendance à une vue de dessus calibrée, peu réaliste hors laboratoire ou sans caméra fixe ou drone, et une planification restée en 2D. Les suites logiques seraient une perception embarquée, une extension à la 3D et des essais sur des terrains plus variés, face à des approches de locomotion perceptive apprises de bout en bout qui évitent la planification explicite.

Recherche❖Paper

1 source

44

289arXiv cs.RO 

Politiques de scène à base d'agents

Des chercheurs du laboratoire Robotics and Embodied AI de Montréal (Mila, page projet montrealrobotics.ca) publient la deuxième version d'Agentic Scene Policies (ASP), un cadre de contrôle robotique qui vise la généralisation zéro-shot, c'est-à-dire l'exécution d'instructions en langage naturel sur des objets jamais vus, sans entraînement spécifique. ASP unifie, dans un seul espace d'actions « agentique », la localisation des objets et les compétences du robot, via une interface d'outils exposée à un agent. La représentation de la scène en 3D repose sur un modèle vision-langage (VLM), et les compétences s'appuient sur des affordances au niveau des parties d'objets, comme la poignée d'un tiroir ou la fiche d'un chargeur. Cela permet des interactions zéro-shot telles que débrancher un chargeur ou ouvrir un tiroir. Les auteurs affirment que ASP surpasse systématiquement les principaux modèles VLA (vision-langage-action) en zéro-shot lors d'expériences réelles, et présentent une version mobile du cadre pour répondre à des requêtes à l'échelle d'une pièce. Le résumé ne donne ni chiffres de taux de réussite, ni noms des VLA comparés, ni détails sur le robot utilisé. Ces éléments sont à chercher dans le papier complet. L'intérêt tient au débat entre deux architectures. Les VLA détournent un VLM pour produire des actions de bout en bout, mais leur généralisation à de nouvelles instructions et à de nouveaux objets reste fragile. Les politiques modulaires, qui combinent représentation de scène, planification de mouvement et VLM, sont plus interprétables et donnent de bons résultats zéro-shot. Elles souffrent toutefois de deux faiblesses : une recherche d'objets purement sémantique, sans raisonnement spatial explicite, et des compétences limitées à la saisie et à la navigation de base. ASP s'attaque aux deux. Si l'avantage sur les VLA se confirme sur des protocoles indépendants, cela plaide pour des architectures hybrides, où un agent de langage orchestre des primitives géométriques robustes plutôt que de tout apprendre de bout en bout. Pour les intégrateurs, l'attrait est concret : un système modulaire se diagnostique, se corrige et s'étend en ajoutant des outils, sans réentraîner un modèle de plusieurs milliards de paramètres. Il faut cependant rester prudent. Il s'agit d'un travail académique, non d'un produit, et la comparaison dépend du choix des VLA de référence, de leur réglage et des tâches retenues. Les cadences, la fiabilité sur de longues séries et les modes de défaillance ne sont pas documentés dans le résumé. Ce travail s'inscrit dans la lignée des approches qui font piloter des robots par des VLM et des LLM, avec des cartes sémantiques 3D et des outils de saisie issus de la vision. En face, les VLA généralistes tels que Pi-0 de Physical Intelligence, GR00T de NVIDIA ou Helix de Figure ont gagné en visibilité, avec une promesse de généralisation encore peu vérifiée hors des environnements d'entraînement. La publication de cette version 2 (une révision d'un papier d'abord soumis en septembre 2025) suggère un travail affiné après relecture. Les prochaines étapes probables sont des tests sur davantage d'objets et de scènes, des comparaisons plus larges avec les VLA récents et une extension de la version mobile à des tâches de longue durée.

Recherche❖Paper

1 source

43

290arXiv cs.RO 

CIRRA : réconciliation continue des instructions à deux niveaux pendant l'exécution, pour des robots agents incarnés dans des tâches domestiques interactives

Des chercheurs proposent CIRRA (Continual Instruction Reconciliation for Robot Agents), un cadre destiné aux robots domestiques qui doivent intégrer une nouvelle consigne utilisateur pendant qu'une tâche est déjà en cours. Le travail, publié sur arXiv (2610.08862v1), introduit aussi CHIRP (Continual Household Instruction Reconciliation and Planning), un benchmark textuel de 120 épisodes couvrant huit environnements domestiques et six catégories d'activités quotidiennes. Sur CHIRP, CIRRA atteint 74,2 % d'accord de décision, soit 30 points de pourcentage de plus que la meilleure méthode de replanification testée. Selon les auteurs, chaque décision de fusion correcte produit un planning bien placé et sans conflit. Sur un humanoïde Unitree G1, le système interrompt la compétence en cours au bon moment dans tous les essais et surpasse toutes les références sur chaque métrique. Le nombre d'essais réels et les valeurs absolues ne figurent pas dans le résumé. CIRRA repose sur deux niveaux. Un raisonneur sémantique à base de LLM ancre d'abord la consigne entrante sur une compétence exécutable unique et lève les ambiguïtés sur l'action et le lieu. Un niveau structurel, piloté par des règles, conserve la séquence de sous-tâches en cours comme « colonne vertébrale » d'exécution. Il génère des candidats d'intégration en insérant les nouvelles sous-tâches dans les segments correspondant au même lieu. Le LLM n'évalue alors que les segments modifiés, pour repérer dépendances et conflits et retenir l'insertion la plus cohérente. Les sous-tâches communes sont réutilisées afin d'éviter les exécutions redondantes. L'intérêt est pratique. La plupart des agents embarqués pilotés par LLM régénèrent ou révisent en profondeur le reste du plan à chaque nouvelle consigne, ce qui crée de l'ambiguïté, des incohérences logiques et des gestes inutiles. Restreindre le raisonnement à des segments locaux réduit ce risque et limite aussi le coût d'inférence. Cela illustre une tendance du secteur : combiner un LLM avec des contraintes symboliques plutôt que de s'en remettre à une planification entièrement générative. Les réserves sont claires. Le benchmark est textuel, donc l'incertitude de perception et les échecs de manipulation n'y apparaissent pas. Un taux de 74,2 % laisse aussi un quart des décisions erronées, ce qui reste loin de ce qu'exige un robot qui évolue chez des particuliers. La démonstration sur G1 valide la ponctualité de l'interruption, mais pas la robustesse sur de longues séquences. Le travail s'inscrit dans la lignée des planificateurs LLM pour robots d'intérieur, de type SayCan et de ses successeurs, qui supposent généralement une consigne unique et un plan fixe. La gestion d'instructions arrivant en cours d'exécution, avec reconfiguration continue, reste peu traitée dans la littérature. L'Unitree G1, humanoïde accessible largement répandu dans les laboratoires, sert de plateforme de validation courante. Aucun pilote commercial ni calendrier de déploiement n'est annoncé. Les prochaines étapes probables sont une extension du benchmark à des environnements simulés ou réels avec perception, et la mesure du coût de calcul face aux approches de replanification complète.

Recherche❖Paper

1 source

43

291arXiv cs.RO 

Évaluer la pilotabilité comportementale des modèles fondation de comportement

Une équipe de chercheurs publie sur arXiv RoboSteer, présenté comme le premier benchmark dédié à la « steerabilité comportementale » des Behavior Foundation Models (BFM). Ces modèles servent à convertir des intentions humaines en comportements exécutables par des humanoïdes. Les auteurs définissent la steerabilité comme la capacité d'un BFM à produire fidèlement des comportements qui respectent les intentions de l'utilisateur. Le benchmark la décompose en trois niveaux hiérarchiques : le pilotage conditionnel (Conditional Steering), le pilotage sous contraintes (Constraint Steering) et le pilotage compositionnel (Compositional Steering). Il s'appuie sur un cadre d'évaluation unifié et sur un vaste corpus de mouvements multimodaux. Les auteurs ont mené avec cet outil ce qu'ils décrivent comme la première étude empirique à grande échelle de la steerabilité, sur 9 BFM existants. Le résumé publié ne donne ni la taille du corpus, ni les scores, ni le classement des modèles évalués. L'enjeu est de déplacer l'évaluation des BFM. Jusqu'ici, la qualité de la génération de mouvement (réalisme, fluidité, suivi de trajectoire) tenait lieu de mesure de progrès. RoboSteer pose une autre question, plus proche des besoins d'un intégrateur ou d'un responsable d'exploitation : le robot fait-il ce qu'on lui demande, y compris sous contraintes, et en enchaînant plusieurs consignes ? Un humanoïde capable de gestes fluides mais incapable de respecter une contrainte ou de composer deux instructions reste difficile à déployer hors démonstration. Un benchmark standardisé offre aussi un terrain commun pour comparer des modèles aujourd'hui évalués avec des protocoles hétérogènes, et pour repérer les écarts entre ce que montrent les vidéos de démonstration et la fiabilité mesurée. Il faut toutefois rester prudent. Il s'agit d'un preprint, sans relecture par les pairs, et la valeur du benchmark dépendra de la diversité de son corpus, de la robustesse de ses métriques et de leur adoption par d'autres équipes. Ce travail s'inscrit dans la montée en puissance des modèles fondation pour le contrôle d'humanoïdes. Les approches de génération de mouvement conditionnées par le texte ou par des signaux multimodaux se sont multipliées, parallèlement aux modèles vision-langage-action (VLA) généralistes. Les benchmarks existants portent surtout sur la qualité du mouvement ou sur le suivi de tâches, rarement sur la fidélité à l'intention. RoboSteer vise cette lacune et intéresse autant les laboratoires académiques que les industriels qui développent des humanoïdes. Les auteurs présentent l'ensemble comme une base pour la « réalisation d'intention » au service d'une intelligence incarnée généraliste. La suite dépendra de la publication du code, des données et d'un classement public. La question à suivre est de savoir si les modèles récents résistent au niveau compositionnel, le plus exigeant des trois.

Recherche❖Paper

1 source

43

292arXiv cs.RO 

{\Delta}WAM : distiller des champs tangents d'action dans des modèles du monde et d'action

Des chercheurs proposent ΔWAM, une méthode d'entraînement qui distille des « Action Tangent Fields » dans des World Action Models (WAM), publiée sur arXiv (2610.09734). Les WAM sont des politiques robotiques qui complètent la supervision d'actions, rare, par la prédiction dense du futur. Le principe de ΔWAM est de représenter la dynamique future dans un espace Residual-VAE, où le latent futur se retrouve à partir du latent courant et de son résidu. Un modèle du monde conditionné par l'action (ACWM) sert ensuite de sonde. Il mesure, par un développement de Taylor local au premier ordre, comment une variation d'action modifie ce résidu. Cette structure est distillée dans le WAM pour orienter sa supervision par débruitage vers les dynamiques liées à l'action. Les auteurs distillent aussi le débruitage multi-étapes du VideoDiT en une seule étape, afin d'accélérer l'inférence. Les tests portent sur LIBERO-Plus, RoboTwin et RoboTwin2.0-Plus. La méthode améliore de façon constante la robustesse face aux variations d'éclairage, d'arrière-plan, de caméra et d'agencement de scène. Le résumé ne donne aucun chiffre de gain. Cette approche s'attaque à un défaut des WAM actuels. L'essentiel du futur prédictible est de l'apparence et de la persistance de scène, pas de la dynamique causée par l'action. Une grande part de la capacité de prédiction est donc consacrée à des pixels sans rapport avec la commande. Les auteurs proposent une lecture unifiée. Le flux optique, les représentations centrées sur le mouvement et les actions latentes seraient des variantes d'une même idée : plus la supervision contient de variation pertinente pour l'action, plus elle est efficace. Pour les intégrateurs, le point notable est la robustesse aux perturbations d'environnement, qui est souvent ce qui sépare une démo de laboratoire d'un déploiement en atelier. Les auteurs affirment que, sans pré-entraînement embodied à grande échelle, ΔWAM résiste mieux à plusieurs décalages de distribution que des politiques pré-entraînées. Cela suggère que la qualité du signal de supervision peut compenser en partie le volume de données. La distillation en une étape vise aussi la latence d'inférence, un frein pour les modèles vidéo en boucle de contrôle. Ces résultats viennent d'une préprint et de benchmarks de simulation. Ils n'ont été validés ni sur robot réel ni en production, et leur ampleur reste inconnue sans les tableaux. Ces travaux s'inscrivent dans la montée des politiques à modèle du monde et des architectures vision-langage-action (VLA). Les approches fondées sur des modèles vidéo y sont en concurrence avec les VLA purement réactifs. Le benchmark LIBERO-Plus et la variante RoboTwin2.0-Plus relèvent d'une tendance récente à tester les politiques sous perturbations systématiques, car les scores sur benchmarks standards masquaient une fragilité réelle. Les auteurs concluent que la supervision d'un WAM doit rester riche en information tout en concentrant sa capacité prédictive sur les directions où l'action modifie le futur. Aucune date de code, de publication des poids ni de test sur matériel n'est annoncée. La suite logique serait une validation sur robots physiques et une comparaison directe avec les grands modèles pré-entraînés.

Recherche❖Paper

1 source

43

293arXiv cs.RO 

LLA-MPPI : contrôle adaptatif rapide du corps entier de robots à pattes grâce à des simulations parallèles accélérées sur GPU

Des chercheurs présentent LLA-MPPI (Look-back and Look-ahead Adaptive Model Predictive Path Integral control), une méthode de commande corps entier pour robots à pattes qui s'adapte en temps réel aux changements de dynamique, sans entraînement hors ligne. Le principe consiste à maintenir une banque de simulateurs de contact exécutés par lots sur GPU, chacun avec des paramètres physiques ou structurels différents. Les erreurs de prédiction, calculées sur une fenêtre glissante, désignent le simulateur qui explique le mieux le mouvement récent. Un planificateur MPPI corps entier optimise ensuite les commandes à travers ce modèle sélectionné. Sur quatre tâches en simulation, la méthode atteint 97,5 % de succès, contre 74 % pour la meilleure base de comparaison et 98,5 % pour un oracle qui connaît le vrai modèle. Côté matériel, un Unitree Go2 marche avec une charge ajoutée en cours d'exécution, continue de marcher avec une patte désactivée, et pousse une boîte jusqu'à son objectif alors que sa masse augmente en cours de route. Le code et les vidéos sont publiés sur lla-control.github.io. L'enjeu est de lever une limite connue du contrôle prédictif sur robots à pattes : les contrôleurs temps réel planifient avec un modèle nominal fixe et se dégradent dès que la dynamique réelle s'en écarte (charge inattendue, panne d'actionneur, objet manipulé plus lourd que prévu). Les approches adaptatives existantes supposent une structure de modèle que la dynamique de contact n'offre pas, ou exigent un entraînement hors ligne pour chaque condition anticipée. Ici, l'adaptation devient un problème de sélection parmi des hypothèses explicites, ce qui rend le comportement interprétable : on peut lire quelle masse ou quelle défaillance le robot « croit » subir. Le fait que l'écart avec l'oracle ne soit que d'un point suggère que, dans ce cadre, l'identification du modèle n'est plus le facteur limitant. Pour un intégrateur, c'est un argument en faveur de la robustesse sans réentraînement de politique, par exemple pour des robots d'inspection qui transportent des charges variables ou doivent survivre à une panne partielle. Il faut toutefois relativiser. Les 97,5 % proviennent de quatre tâches simulées, et la validation matérielle se limite à un quadrupède de gamme recherche, le Go2, sans chiffres publiés dans le résumé sur les taux de succès réels ni sur la latence. La performance dépend aussi de la couverture de la banque : une perturbation hors de la gamme de paramètres prévue n'est pas garantie d'être bien expliquée, et le coût de calcul croît avec le nombre d'hypothèses, ce qui suppose un GPU embarqué ou déporté. La méthode s'inscrit dans la lignée des contrôleurs MPPI échantillonnés et de la simulation GPU massivement parallèle, en concurrence avec les politiques apprises par apprentissage par renforcement et randomisation de domaine, plus rapides à l'exécution mais figées après l'entraînement. Les prochaines étapes naturelles sont l'extension aux humanoïdes et aux robots à pattes plus lourds, ainsi qu'une évaluation sur des perturbations non anticipées.

Recherche❖Paper

1 source

43

294arXiv cs.RO 

RobotAPO : optimisation adversariale des préférences physiques pour la génération de vidéos de manipulation robotique

Des chercheurs proposent RobotAPO, un cadre d'optimisation par préférences physiques adversariales destiné aux modèles de génération vidéo de manipulation robotique, accompagné d'un jeu de données baptisé AgiBot-PhysPref (preprint arXiv 2610.09454, première version). Ce jeu compte 10 000 échantillons de préférences soigneusement sélectionnés. Il isole des violations physiques à conditions égales, comme l'interpénétration d'objets ou le mouvement prématuré d'un objet à la frontière d'interaction. RobotAPO opère directement dans l'espace de débruitage continu du flow-matching. Un « proposeur contrefactuel » adversarial léger apprend, pour chaque condition, une direction de l'espace de débruitage biaisée vers l'échec physique. Le modèle est ainsi poussé à explorer cette frontière et à la respecter, au lieu de mémoriser des échecs statiques. À l'inférence, l'interface reste un simple couple prompt et image de référence, sans conditionnement structurel externe. Sur des conditions AgiBot mises de côté pour le test, RobotAPO dépasse la meilleure base de comparaison interne contrôlée de 6,8 % en score de cohérence physique « dur » et de 10,0 % en score « souple ». En rejeu sur robot réel, le taux de réussite des tâches progresse de 37,4 % en relatif face à cette même référence. Ces résultats visent un point faible des vidéos utilisées comme plans visuels pour des agents incarnés. Une vidéo qui paraît plausible peut contenir une erreur de contact de quelques images, et cette erreur fausse le timing et la pose que l'on déduit ensuite pour l'exécution. Le fine-tuning supervisé classique n'exerce aucune pression directe sur ces défauts localisés. Les auteurs montrent qu'une correction ciblée de la physique d'interaction se traduit en gain mesurable sur matériel, ce qui est l'argument le plus utile pour les équipes qui misent sur des modèles du monde génératifs comme couche de planification. Il faut toutefois lire les chiffres avec prudence. La référence est interne, et le gain de 37,4 % est relatif : sans le taux de réussite absolu, le nombre d'essais et la diversité des tâches, on ne peut pas juger de sa portée pratique. Le « rejeu » sur robot réel d'une vidéo générée ne dit rien non plus de la robustesse hors distribution. Ce n'est pas un produit, mais un résultat de recherche. Le travail s'inscrit dans la montée des approches « vidéo comme politique » ou « vidéo comme plan », où un générateur produit la trajectoire visuelle et un module d'inversion la convertit en actions. L'alignement par préférences, déjà courant pour les LLM et la génération d'images, est ici transposé à la physique du contact. Le choix d'AgiBot comme base de données montre que les grands corpus de manipulation issus des acteurs chinois servent désormais de terrain d'évaluation central. Ces travaux concurrencent des pistes voisines, comme les modèles de monde conditionnés par la structure, ou les politiques VLA directes de type Pi-0 et GR00T, qui évitent l'étape vidéo. Les auteurs ne mentionnent ni code ni modèle publiés dans ce résumé. La suite logique serait une validation sur d'autres plateformes et sur des tâches plus longues, avec des taux de réussite absolus publiés.

Recherche❖Paper

1 source

43

295arXiv cs.RO 

Apprentissage visuo-tactile temporel pour la stabilité de la saisie dextérique

Des chercheurs du laboratoire LASR ont publié sur arXiv (2610.10283) une étude sur la prédiction de la stabilité de préhension avec une main robotique multi-doigts équipée de quatre capteurs tactiles Digit 360. Le jeu de données couvre 10 000 essais de préhension sur 200 objets. Chaque essai enregistre en continu la vision externe, la proprioception et les flux tactiles. Sur cette base, l'équipe a entraîné des modèles multimodaux temporels de bout en bout. Ils prédisent si l'objet reste stable après le levage, à partir des seules observations précédant le levage. Plusieurs modalités et plusieurs architectures d'encodage ont été comparées. Le prédicteur a ensuite servi de filtre de stabilité en ligne sur le robot réel : il autorise ou refuse le levage, et déclenche une nouvelle préhension si besoin. Avec ce filtre visuo-tactile, le taux de réussite parmi les levages exécutés progresse de 10,5 points de pourcentage par rapport à un filtre sans toucher. Le jeu de données est publié en accès libre. Ce travail documente quantitativement un point que le secteur admet souvent sans le mesurer : pour les mains dextres, la vision seule ne suffit pas à juger une prise. Les ablations contrôlées indiquent que le gain vient surtout de la haute résolution et de la dynamique du signal tactile, et pas seulement de la présence d'un capteur. Les modèles n'utilisent aucune modélisation explicite des contacts ni des forces. Cela suggère une voie pilotée par les données, plus simple à étendre que les approches analytiques, y compris pour les intégrateurs qui doivent manipuler des objets variés. Il faut toutefois relativiser. Le gain de 10,5 points est mesuré parmi les levages effectivement exécutés, donc après filtrage, ce qui n'est pas équivalent à un taux de réussite global. L'expérience est menée en laboratoire, sur un seul type de main et de capteur, sans temps de cycle ni coût communiqués. Les capteurs Digit 360 restent des dispositifs de recherche, loin d'une industrialisation. Un jeu de données de 10 000 essais reste modeste face aux corpus des modèles VLA généralistes. Le contexte est celui d'une littérature de préhension dominée par la sélection de prises par vision avec des pinces parallèles, alors que l'humain atteint des taux de réussite proches de 100 % grâce au toucher des bouts de doigts. Le Digit 360 est un capteur tactile à haute résolution issu de l'écosystème de recherche de Meta, dans la lignée des capteurs optiques de type GelSight. Il est ici testé sur une main multi-doigts. La suite logique serait d'intégrer ces signaux tactiles temporels dans des politiques de manipulation complètes, y compris des modèles VLA, et pas seulement dans un filtre de stabilité. L'ouverture du jeu de données devrait permettre à d'autres équipes de comparer leurs architectures et leurs capteurs. Aucun pilote industriel ni calendrier de transfert n'est annoncé.

Recherche❖Paper

1 source

43

296arXiv cs.RO 

Abandon ciblé de modalités pour une manipulation robotique réelle robuste aux pertes intermittentes de vision

Des chercheurs proposent le Targeted Modality Dropout (TMD), une méthode d'entraînement pour politiques d'apprentissage par imitation multimodales (vision et autres capteurs). Elle cible un défaut connu: pendant l'entraînement, la politique s'appuie de façon excessive sur la modalité dominante, généralement la vision, et son exécution se dégrade quand cette modalité disparaît à l'inférence. Le TMD estime la dépendance à chaque modalité grâce aux poids d'attention, puis supprime sélectivement la plus dominante. Ce mécanisme est associé à une régularisation par entropie sur la distribution de dépendance, qui empêche la politique de reporter toute sa confiance sur une seule source. Les tests ont été menés sur un robot réel, un manipulateur bimanuel. Lors d'une perte de vision, le taux de réussite de la politique de référence chute nettement, tandis que la politique entraînée avec TMD continue d'exécuter les tâches. Le résumé de l'article ne fournit ni taux de réussite chiffrés, ni nombre de tâches, ni précision sur les modalités testées, ni identité du robot. Pour les intégrateurs et les responsables d'exploitation, l'enjeu est la robustesse en conditions réelles. Les caméras s'occultent, s'éblouissent, se salissent ou se déconnectent, notamment quand un bras ou un objet bloque le champ de vision en pleine manipulation. Une politique qui n'a appris qu'à "regarder" échoue alors précisément quand la tâche exige de la précision, alors qu'une politique capable de se rabattre sur d'autres signaux, comme la proprioception ou le tactile, tolère mieux ces pannes intermittentes. Le résultat sur le dropout conventionnel est aussi instructif. Un dropout tiré au hasard, sans régularisation par entropie, échoue sur de nombreuses tâches même sans perte de vision. La robustesse n'est donc pas gratuite: un masquage mal conçu dégrade la performance nominale. Il faut toutefois rester prudent, car il s'agit d'un préprint (arXiv, v1) sans relecture par les pairs, avec une évaluation qui semble limitée à une plateforme et dont l'ampleur reste à vérifier dans le texte complet. Ce travail s'inscrit dans la montée des politiques multimodales entraînées par imitation, qu'il s'agisse de modèles vision-langage-action (VLA) ou de politiques de diffusion enrichies de signaux de force et de toucher. Ces approches se heurtent au même problème de modalité dominante, déjà traité par des techniques de dropout de modalités, de masquage aléatoire ou d'équilibrage des gradients. La nouveauté revendiquée ici est de remplacer le tirage aléatoire par un ciblage guidé par l'attention de la modalité sur laquelle la politique s'appuie le plus. Les prochaines étapes à surveiller sont la comparaison sur des politiques généralistes à grande échelle, la validation sur plusieurs robots, et la publication du code et des chiffres détaillés. Aucun déploiement industriel ni calendrier de commercialisation n'est annoncé: il s'agit d'une contribution de recherche.

Recherche❖Paper

1 source

43

297arXiv cs.RO 

RoboPilot : manipulation robotique dynamique généralisable grâce à un double mode de raisonnement

Des chercheurs publient RoboPilot, un cadre agentique en boucle fermée pour la manipulation robotique, présenté dans la version 2 d'un article déposé sur arXiv (2510.00154). Le système s'appuie sur des actions primitives, c'est-à-dire des briques de mouvement prédéfinies, pour structurer la planification des tâches et générer des actions de manière flexible. Il intègre un retour d'information qui permet de replanifier lorsque l'environnement change ou qu'une erreur d'exécution survient. Un raisonnement par chaîne de pensée (Chain-of-Thought) guide à la fois la planification de haut niveau et la génération d'actions de bas niveau. Le système bascule dynamiquement entre une pensée rapide, plus économe, et une pensée lente, plus précise. Les auteurs introduisent aussi RoboPilot-Bench, un banc d'essai de 21 tâches réparties en 10 catégories, qui inclut la reconnaissance de tâches infaisables et la récupération dynamique après incident. Selon eux, RoboPilot dépasse les meilleures méthodes de référence de 11 % en taux de réussite, et un déploiement réel sur un robot industriel confirme sa robustesse. L'intérêt tient au problème visé. Les tâches longues ou complexes restent un point faible de la manipulation robotique, car la plupart des approches fonctionnent en boucle ouverte, avec peu de raisonnement et aucun retour. Une erreur s'accumule alors d'étape en étape et la moindre perturbation de l'environnement fait échouer la séquence. Pour un intégrateur ou un responsable d'atelier, la capacité à détecter qu'une tâche est infaisable, plutôt que de s'y acharner, et à se rattraper après un incident compte autant que le taux de réussite nominal. Le mécanisme de bascule entre modes rapide et lent répond aussi à une contrainte pratique, car un raisonnement approfondi à chaque pas coûterait trop en latence pour une cellule de production. Des réserves s'imposent toutefois : le gain de 11 % est mesuré sur un banc d'essai conçu par les mêmes auteurs, le résumé ne précise ni les baselines ni le robot industriel utilisé, et ne donne ni temps de cycle ni volume d'essais réels. Il s'agit d'un travail de recherche, sans produit ni déploiement commercial annoncé. Ce travail s'inscrit dans le mouvement des architectures agentiques qui placent un modèle de langage ou de vision-langage en orchestrateur au-dessus de primitives de contrôle. Il se pose en alternative aux modèles vision-langage-action (VLA) de bout en bout, qui produisent directement des actions mais offrent moins de structure et de contrôle sur la replanification. Cette approche modulaire et interprétable séduit les environnements industriels, où la traçabilité des décisions pèse lourd. Le dépôt d'une version révisée suggère un travail encore en cours de consolidation, sans calendrier de pilote ni de transfert vers l'industrie. La suite dépendra de la publication du code et du benchmark, qui permettrait à d'autres équipes de reproduire les résultats et de comparer RoboPilot aux approches concurrentes sur les mêmes tâches.

Recherche❖Paper

1 source

43

298arXiv cs.RO 

Là où le succès échoue : apprentissage aux frontières d'échec pour des modèles vision-langage-action (VLA) robustes

Des chercheurs proposent DLS (Discovering, Localizing, Shaping), une méthode d'adaptation de modèles vision-langage-action (VLA) qui vise à rendre ces politiques plus robustes après un fine-tuning supervisé (SFT). Le point de départ est une asymétrie structurelle: les démonstrations d'experts indiquent où se situe le comportement réussi, mais ne disent rien de la zone où il cesse d'être fiable. DLS s'appuie sur un a priori comportemental ancré dans le réel, obtenu à partir de quelques démonstrations réelles et d'un co-entraînement en simulation. La méthode explore ensuite à grande échelle les frontières d'échec grâce à des déploiements « on-policy » dans un jumeau numérique de l'environnement. Les auteurs annoncent une amélioration de la robustesse par rapport au SFT et à des baselines d'apprentissage par renforcement en ligne, sur des tâches de manipulation avec robot réel. Le gain est surtout marqué avec des états initiaux aléatoires et des conditions visuelles inédites. L'article, en version 2 sur arXiv, ne fournit dans ce résumé ni taux de réussite chiffrés, ni nombre de démonstrations, ni modèle de base nommé. Le principal apport est conceptuel: au lieu de traiter chaque rollout comme un simple succès ou échec, DLS exploite les états privilégiés du simulateur, inaccessibles en conditions réelles, pour mesurer où la trajectoire franchit la frontière de l'échec. Cette « localisation sémantique de la progression » produit un signal plus riche qu'un label binaire. Ce signal sert à façonner la dynamique de flux de la politique, c'est-à-dire le débruitage des actions: les directions qui mènent au succès sont renforcées, celles qui mènent à l'échec sont supprimées. Cela se fait sans calcul de vraisemblance des actions et sans critique auxiliaire, deux composants qui compliquent souvent le RL appliqué aux politiques à diffusion ou à flow matching. Pour les intégrateurs, l'enjeu est la fragilité bien connue des VLA hors de la distribution des démonstrations (positions initiales variées, éclairage, textures). Si les résultats se confirment, le jumeau numérique servirait moins à générer des démonstrations qu'à cartographier les zones de rupture, ce qui réduirait le besoin de collecte réelle coûteuse. Les résultats restent toutefois ceux d'un préprint, sans comparaison indépendante, et leur portée dépend du nombre de tâches, de la fidélité du jumeau numérique et de l'écart sim-to-real réellement couvert. Ce travail s'inscrit dans la montée du post-entraînement des VLA après le SFT, où le RL en ligne et le co-entraînement simulation-réel sont devenus les pistes dominantes pour dépasser le plafond de l'imitation. Les modèles à flux ou à diffusion, comme la famille Pi-0 ou GR00T, rendent cette adaptation plus délicate, car leurs vraisemblances d'action sont difficiles à calculer, d'où l'intérêt d'une approche qui les évite. DLS se positionne face aux méthodes de RL en ligne qui récompensent uniquement le succès final, avec un signal de progression plus dense. Les prochaines étapes à surveiller sont la publication du code et des chiffres détaillés, le test sur des modèles de base variés et la validation sur des tâches plus longues ou plus contraintes en précision, qui diront si la cartographie des frontières d'échec passe à l'échelle industrielle.

Recherche❖Paper

1 source

43

299arXiv cs.RO 

Planification de trajectoire sans données de trajectoire : une approche guidée par les variétés

Une équipe de chercheurs propose Ariadne, une méthode de planification de trajectoire qui se passe entièrement de données de trajectoires d'experts. L'approche habituelle consiste à entraîner un modèle génératif sur de grandes collections de trajectoires, puis à lui demander, à l'inférence, de produire un chemin exécutable à partir des contraintes de la tâche (point de départ, objectif). Ariadne apprend à la place la variété (manifold) sous-jacente de l'espace d'états, puis construit les trajectoires en exploitant la géométrie de cette variété. L'entraînement ne requiert que des observations d'états, sans séquences d'actions ni chemins complets. Les expériences portent sur Maze2D et sur des benchmarks de planification de mouvement robotique. Selon les auteurs, Ariadne produit des chemins faisables à partir d'une supervision limitée aux états et généralise à des paires départ-objectif jamais vues. Sur une tâche de planification à deux bras en haute dimension, la méthode reste "compétitive" face à des approches supervisées par trajectoires et à des planificateurs classiques, sans aucune donnée de trajectoire. Le résumé ne donne aucun chiffre précis (taux de réussite, temps de calcul, nombre de DOF). L'enjeu est d'abord économique. Les méthodes génératives par trajectoires dépendent d'une supervision coûteuse : il faut collecter ou synthétiser des démonstrations expertes, ce qui pèse sur le passage à l'échelle. Les auteurs soulignent aussi deux faiblesses connues de ces méthodes : elles se dégradent avec la longueur des séquences et généralisent mal aux contraintes nouvelles, comme un couple départ-objectif absent des données d'entraînement. Si le résultat tient, il réduirait la dépendance à des jeux de démonstrations propriétaires, un goulot d'étranglement pour les intégrateurs qui veulent adapter un planificateur à une nouvelle cellule robotisée. À nuancer : "compétitif" n'est pas "supérieur", et la plupart des évaluations se font en simulation. Maze2D est un banc d'essai de faible dimension, et la tâche à deux bras n'est décrite que de façon qualitative. Les performances en temps de calcul, face à des planificateurs par échantillonnage éprouvés, restent à établir. La robustesse face à des obstacles dynamiques ou à du bruit de perception n'est pas non plus documentée. Ce travail s'inscrit dans un débat plus large sur le coût des données en robotique. D'un côté, les approches par diffusion et les politiques apprises à partir de démonstrations (imitation learning) ont fait progresser la planification et la manipulation. De l'autre, les planificateurs classiques à base d'échantillonnage, de type RRT ou PRM, n'ont besoin d'aucune donnée mais peinent en haute dimension et dans les espaces contraints. Ariadne se place entre les deux : un apprentissage non supervisé de la géométrie de l'espace d'états, suivi d'une planification qui exploite cette structure. Le papier, publié sur arXiv (2610.08863, version 1), n'annonce ni code ni déploiement industriel. Les prochaines étapes à surveiller sont la validation sur robot réel, des comparaisons chiffrées sur des bras à 7 DOF ou plus, et le test sur des scènes encombrées avec des contraintes de collision changeantes.

Recherche❖Paper

1 source

43

300arXiv cs.RO 

Planification de mouvement distribuée pour systèmes multi-robots sous contraintes topologiques

Des chercheurs proposent, dans un preprint arXiv (2610.10065), un contrôleur distribué fondé sur la commande prédictive (MPC, Model Predictive Control) pour exécuter des consignes de coordination multi-robots exprimées sous forme de tresses topologiques. Ces tresses décrivent de façon compacte et abstraite la relation qualitative souhaitée entre les trajectoires spatio-temporelles de plusieurs robots mobiles, par exemple qui passe devant ou derrière qui. Plutôt que de suivre directement la tresse, le contrôleur s'appuie sur les nombres d'enroulement (winding numbers), des invariants topologiques des tresses, comme variable de substitution. Cela transforme la spécification en fonction continue, facile à injecter comme terme du coût dans un MPC, et la décompose en spécifications par paires, traitables par de simples problèmes MPC locaux. Pour garder une cohérence globale, les robots estiment leur progression par consensus et synchronisent ainsi leurs mouvements. La validation porte sur des simulations et des expériences réelles. Le résumé annonce des gains en vitesse d'exécution et en effort de commande, sans fournir de chiffres. L'intérêt tient à un verrou concret de la robotique de flotte. Les approches existantes exécutent un générateur de tresse à la fois, ce qui ralentit les trajectoires et les rend sous-optimales. Pour un intégrateur qui gère des AMR dans un entrepôt, des convoyeurs mobiles ou des essaims de drones, cela se traduit par des croisements séquentiels, des temps d'attente et des consommations d'énergie évitables. Le caractère distribué compte tout autant: chaque robot ne résout qu'un problème local, sans planificateur central ni point de défaillance unique, ce qui favorise le passage à l'échelle. La méthode ne dit en revanche rien sur la taille des flottes testées, les latences de communication tolérées ni la robustesse aux pertes de liaison, des critères décisifs pour un déploiement industriel. Il s'agit de recherche académique, sans produit ni pilote annoncé, et les gains revendiqués ne sont pas chiffrés dans le résumé. Ce travail s'inscrit dans une lignée où la topologie sert à structurer la coordination multi-agents, par opposition aux planificateurs purement géométriques ou aux méthodes d'optimisation centralisées coûteuses quand le nombre de robots augmente. Les tresses offrent un langage de haut niveau pour spécifier des chorégraphies de robots, mais leur exécution distribuée restait le maillon faible. Cette proposition cherche à combler cet écart entre spécification abstraite et contrôle temps réel. Les suites logiques seraient des essais à plus grande échelle, avec des robots hétérogènes et des environnements encombrés, puis une comparaison directe avec les méthodes de planification multi-robots utilisées en logistique. Aucune échéance n'est communiquée.

Recherche❖Paper

1 source