Actualités robotique — page 60

7 521 articles au fil, du plus récent au plus ancien.

42

2951arXiv cs.RO 

H2R-Bench : évaluation de la génération vidéo de manipulation humain-robot dans les modèles du monde

Des chercheurs ont publié le 14 août 2026 sur arXiv (2608.13049) un nouveau benchmark baptisé H2R-Bench, conçu pour évaluer la capacité des modèles de génération vidéo à transformer des démonstrations de manipulation humaines filmées à la première personne en vidéos de manipulation robotique correspondant à un embodiment cible. Chaque instance du benchmark associe une vidéo de démonstration humaine, des contraintes d'embodiment robotique, et des annotations ancrées dans la source couvrant les objectifs de tâche, les événements d'action, les contacts fonctionnels et les réactions des objets manipulés. L'évaluation repose sur cinq dimensions : l'atteinte de l'état final visé, la complétude des événements d'action, le transfert des contacts fonctionnels, la cohérence de l'embodiment et la qualité vidéo générale. Les auteurs ont testé onze modèles de génération vidéo de pointe sur six familles de tâches de manipulation et deux embodiments robotiques distincts. Résultat principal : même les modèles les plus performants échouent souvent sur la cohérence d'embodiment, l'interaction fonctionnelle avec les objets et l'exécution correcte de la tâche. Ce constat touche un point sensible de l'apprentissage robotique : la collecte de démonstrations réelles sur robot reste coûteuse et difficile à faire monter en échelle, alors que les vidéos humaines égocentriques sont abondantes et bon marché. Convertir ces vidéos humaines en données d'entraînement robot-centriques via des modèles de monde vidéo est envisagé depuis plusieurs mois comme une voie pour contourner ce goulot d'étranglement, notamment pour entraîner des politiques VLA. H2R-Bench montre que cette promesse reste largement non tenue en pratique : la différence morphologique entre mains humaines et effecteurs robotiques continue de casser la cohérence physique des vidéos générées. Pour les intégrateurs et laboratoires qui envisagent la génération vidéo synthétique comme substitut à la téléopération, ce résultat invite à la prudence sur la maturité réelle de cette approche. Le travail s'inscrit dans la vague plus large des modèles de monde vidéo appliqués à la robotique, où la génération vidéo sert de plus en plus de brique de simulation ou de source de données synthétiques. Jusqu'ici, l'évaluation de ces modèles se limitait souvent à la qualité visuelle brute, sans mesurer si la vidéo générée respecte les contraintes physiques et fonctionnelles d'un robot donné. H2R-Bench comble ce vide avec un cadre diagnostique systématique et réutilisable pour les futurs modèles. Il ne s'agit pas d'une annonce produit ni d'un partenariat industriel, mais d'un travail de recherche évaluative destiné à orienter la prochaine génération de modèles capables de combler l'écart d'embodiment entre humains et robots.

Recherche❖Paper

1 source

41

2952arXiv cs.RO 

Fabrication d'actionneurs pneumatiques souples et étanches complexes pour la robotique souple : évaluation et optimisation du procédé

Une équipe de recherche publie sur arXiv (arXiv:2608.13233v1) une évaluation comparative des procédés de fabrication pour actionneurs pneumatiques souples à géométrie complexe, un défi identifié pour la robotique souple car il faut concilier simultanément fidélité géométrique, compliance mécanique, intégrité structurelle et étanchéité à l'air. Cinq voies ont été testées : le thermoformage par rétreint thermique, le moulage silicone, la fabrication additive à base de poudre, la fabrication additive liquide par photopolymérisation (DLP), et le dépôt de fil fondu (FDM). La méthodologie suit quatre étapes : sélection des procédés, fabrication de référence, analyse des défaillances, puis optimisation, afin de distinguer les limites intrinsèques d'un procédé des défauts corrigibles. Résultats : le rétreint thermique bute sur la conformité géométrique, le moulage sur l'accessibilité des moules et la fragilité des interfaces collées, les procédés à base de poudre sur la matière résiduelle piégée dans les canaux internes fermés, et le DLP sur les propriétés du matériau photopolymère et un post-traitement lourd. Le FDM ressort comme la voie la plus adaptable, ses défauts dominants pouvant être réduits progressivement par optimisation du procédé. Ce travail comble un point de blocage concret pour la robotique souple : au-delà des pinces et doigts pneumatiques simples largement démontrés en laboratoire, la fabrication d'actionneurs à géométrie complexe et multi-chambres reste largement empirique. En établissant qu'un procédé bas coût comme le FDM, souvent considéré comme une solution d'appoint, peut égaler voire dépasser des méthodes plus sophistiquées comme le DLP une fois les paramètres d'extrusion optimisés, l'étude bouscule l'hypothèse selon laquelle la sophistication du procédé de fabrication additive garantit la meilleure qualité. Elle montre aussi que l'étanchéité ne dépend pas seulement de l'épaisseur nominale des parois mais de l'architecture du chemin d'extrusion, une donnée directement exploitable par les concepteurs. Le moulage silicone domine historiquement la fabrication d'actionneurs souples depuis les premières générations de pinces pneumatiques de type PneuNets, mais la complexification des géométries (canaux internes, structures multi-chambres) a poussé les laboratoires vers l'impression 3D. Cette étude, de nature académique et sans acteur industriel nommé, propose un cadre de conception pour la fabrication (design-for-manufacturing) destiné à guider le choix de procédé selon l'architecture de l'actionneur visé, une base méthodologique susceptible d'orienter les développements futurs de pinces, exosquelettes ou dispositifs médicaux souples.

Recherche❖Paper

1 source

41

2953arXiv cs.RO 

Can Vision-Language Models évaluer le risque proxémique à partir d'images robotiques égocentriques ?

Trois modèles de langage-vision open source, InternVL, Qwen-VL et SmolVLM, ont été évalués sur leur capacité à juger le danger proxémique à partir d'images égocentriques captées par un robot naviguant en environnement humain. L'étude, publiée sur arXiv (2608.12515), teste la classification en quatre niveaux de danger selon trois stratégies de prompting différentes, comparées à une base aléatoire stratifiée, puis affine les modèles via deux cycles de fine-tuning QLoRA. Résultat principal: sans fine-tuning, les trois modèles restent proches de la performance de référence aléatoire, ce qui signifie qu'ils ne font pas mieux qu'un tirage stratifié pour repérer une situation dangereuse. Le fine-tuning n'apporte que des gains globaux modestes. Seul Qwen-VL, associé à un prompt élaboré, se distingue avec un rappel nettement supérieur sur les cas de danger élevé, c'est-à-dire qu'il rate moins de situations réellement critiques. Une analyse complémentaire de localisation des personnes dans l'image montre qu'une classification correcte du danger ne s'accompagne pas forcément d'un meilleur ancrage spatial du modèle sur la zone pertinente de la scène. Ce travail est significatif pour tout intégrateur ou concepteur de robots mobiles destinés à cohabiter avec des humains, car il questionne directement la fiabilité des VLM comme couche de sécurité perceptive. Le résultat le plus inconfortable pour le secteur est méthodologique: un modèle peut produire une étiquette de sécurité correcte sans réellement "regarder" la bonne zone de l'image, ce qui invalide l'idée qu'une bonne accuracy garantit un raisonnement spatial fiable. Cela nuance l'enthousiasme actuel autour des VLA et VLM appliqués à la navigation sûre, en montrant que la performance en classification et la compréhension spatiale fine restent deux capacités distinctes, non corrélées. Cette recherche s'inscrit dans un effort plus large d'évaluation empirique des modèles de fondation appliqués à la robotique, où la promesse de généralisation zero-shot se heurte souvent à des tâches de perception fine comme la proxémie. Les auteurs positionnent leurs résultats comme un signal d'alerte méthodologique plutôt qu'une solution, appelant à des benchmarks dédiés au raisonnement spatial de sécurité avant tout déploiement réel de VLM comme composant de navigation sociale.

Recherche❖Paper

1 source

40

2954arXiv cs.RO 

L'optimisation évolutive cerveau-corps échoue systématiquement à sélectionner le potentiel morphologique

Une équipe de recherche publie sur arXiv, sous la référence 2508.17464 (version 2, qui remplace une préprint antérieure), une étude qui cartographie de façon exhaustive un espace de conception de robots mous à base de voxels. Les chercheurs ont entraîné un contrôleur pour chacune des 1 305 840 morphologies possibles de cet espace, obtenant ainsi une carte quasi complète du paysage reliant forme du robot et performance. Cette connaissance exhaustive du paysage leur permet d'observer en détail comment se comportent réellement les algorithmes évolutionnaires chargés de faire évoluer conjointement le corps et le contrôleur d'un robot, plutôt que de déduire leur fonctionnement à partir de résultats finaux agrégés sur un échantillon partiel. Le constat central est que les algorithmes de co-optimisation cerveau-corps testés ne parviennent pas, de manière fiable, à converger vers des solutions proches de l'optimum. La recherche reste parfois bloquée sur des morphologies situées à une seule mutation d'une solution meilleure : l'algorithme sous-évalue systématiquement les individus dont le corps vient d'être muté et élimine ainsi, prématurément, des morphologies prometteuses avant qu'elles aient pu exprimer leur potentiel via un contrôleur suffisamment entraîné. À l'inverse, l'étude montre que co-optimiser corps et contrôleur produit des couples morphologie-contrôleur capables d'atteindre des performances hors de portée d'une simple optimisation du contrôleur sur une morphologie fixe. Pour les équipes de recherche en robotique évolutionniste et en conception générative de robots, ce résultat nuance l'idée reçue selon laquelle des algorithmes évolutionnaires standards suffisent à explorer efficacement un espace de conception dès lors que le co-design est activé : le problème ne vient pas du principe du co-design lui-même, mais d'un biais de sélection précis qui pénalise les mutations morphologiques récentes. Ce travail s'inscrit dans un champ ancien de la robotique évolutionniste, où la difficulté à faire évoluer simultanément forme et comportement est documentée depuis les premières créatures virtuelles évolutives des années 1990, et plus récemment via les plateformes de robots mous à base de voxels utilisées comme bancs d'essai standardisés pour ce type d'expérience à grande échelle. En cartographiant intégralement un espace de plus d'un million de morphologies plutôt qu'un échantillon, les auteurs fournissent une base empirique rare pour trancher des débats jusque-là fondés sur des observations partielles, et ouvrent la voie à des algorithmes de sélection corrigés pour tenir compte du biais identifié contre les corps récemment mutés.

Recherche❖Paper

1 source

39

2955arXiv cs.RO 

ContactGuard : surveillance de l'exécution pré-contact par modèles du monde latents conditionnés par l'action

Publié sur arXiv (2608.13438v1), un article de recherche présente ContactGuard, un moniteur d'exécution qui détecte les échecs de manipulation robotique avant le contact physique avec l'objet. Pensé pour les politiques visuomotrices « chunked » couplées à des caméras montées au poignet, souvent aveugles à une approche déjà en train de pousser, rater, glisser ou déranger l'objet, le système prédit dans un espace visuel latent compact la conséquence du prochain bloc d'actions planifié par la politique, puis interrompt l'exécution en cas d'échec probable. Son modèle du monde, entraîné sur des trajectoires robotiques non étiquetées sans prédiction vidéo pixel par pixel, s'appuie sur une sonde d'échec légère apprise sur un petit jeu de clips pré-contact étiquetés. Testé sur robot réel, il prédit les échecs plus précisément que des versions simplifiées mises en comparaison, sans modifier la politique existante. Cette approche cible une limite concrète des politiques actuelles de type VLA, qui exécutent des séquences d'actions sur plusieurs pas de temps sans réévaluation intermédiaire, rendant les échecs difficiles à anticiper avant qu'ils ne surviennent physiquement. Sur des tâches contact-riche comme l'insertion, l'assemblage ou la préhension, un échec détecté après coup signifie pièces endommagées ou reprises coûteuses. Pour les intégrateurs, l'intérêt tient à la nature de couche de sécurité externe du système, greffée sur une politique existante sans réentraînement, potentiellement applicable à plusieurs politiques « chunked » déjà déployées. Plutôt que de renforcer la politique de base à la source, ContactGuard ajoute une supervision prédictive en aval, une piste utile pour un secteur où l'écart entre démonstrations en laboratoire et fiabilité en conditions réelles reste un sujet sensible. Il s'agit d'une contribution académique sans lien annoncé avec une entreprise ou un robot commercial précis : aucun fabricant, site de déploiement ni feuille de route commerciale ne figure dans la publication. Le travail s'inscrit dans la lignée des modèles du monde latents en robotique, plus économes en calcul que la prédiction vidéo pixel par pixel, et se positionne en couche de supervision complémentaire aux politiques VLA plutôt qu'en nouvelle architecture de contrôle. La validation repose sur des tâches réelles de manipulation, mais reste un résultat de laboratoire : aucun acteur français ou européen du secteur n'est cité, et les auteurs ne précisent ni calendrier de suite ni partenariat industriel.

Recherche❖Paper

1 source

39

2956arXiv cs.RO 

APEX : apprentissage adaptatif de la traversée de plateformes hautes pour robots humanoïdes

Un système baptisé APEX permet à des robots humanoïdes de franchir des plateformes plus hautes que leurs jambes en grimpant plutôt qu'en sautant, selon un article publié sur arXiv (2602.11143v3). Testé sur un robot Unitree G1 à 29 degrés de liberté, il réalise en zero-shot, c'est-à-dire sans réentraînement après la simulation, le franchissement de plateformes de 0,8 mètre, soit environ 114 % de la longueur des jambes du robot. Le système combine six comportements, montée et descente sur arêtes verticales, marche ou reptation sur la plateforme, mise debout et allongement, fusionnés en une seule politique qui choisit et enchaîne automatiquement ces compétences selon la géométrie locale perçue par un capteur LiDAR. Son innovation centrale est une "récompense de progression à cliquet", qui suit la meilleure avancée atteinte dans la tâche et pénalise tout recul, offrant un signal d'apprentissage dense sans dépendre de la vitesse. Le résultat comble un angle mort connu de l'apprentissage par renforcement appliqué à la locomotion humanoïde : les politiques entraînées pour franchir des obstacles hauts convergent généralement vers des sauts à fort impact, gourmands en couple et jugés trop dangereux pour un usage réel. En démontrant un franchissement fiable au-delà de la longueur des jambes via une escalade contrôlée, APEX étend le champ d'action des humanoïdes hors de la simple marche sur terrain accidenté, un enjeu concret pour les intégrateurs visant l'entrepôt, le chantier ou l'intervention en environnement non structuré, où quais et plateformes verticales restent des obstacles fréquents. La correction de l'écart simulation-réel, obtenue en modélisant les artefacts de cartographie à l'entraînement puis en filtrant et reconstruisant les cartes d'élévation au déploiement, illustre une approche de plus en plus répandue pour fiabiliser les tâches de contact riche sans multiplier les démonstrations vidéo sélectionnées. Ce travail s'inscrit dans la progression rapide de la locomotion humanoïde par apprentissage par renforcement, déjà capable de marche robuste sur terrain irrégulier mais jusqu'ici limitée par la portée des jambes. Le recours au Unitree G1, plateforme matérielle courante en recherche académique, situe APEX comme une contribution scientifique plutôt qu'un produit commercial : il s'agit d'une publication arXiv en version 3, de type "replace" (mise à jour d'un travail déjà soumis), sans annonce de partenariat industriel, de pilote ni de calendrier de commercialisation. Les suites attendues pour ce type de recherche portent généralement sur l'extension à des terrains plus variés et la validation sur d'autres plateformes matérielles, dans un secteur où la course se joue de plus en plus autour de politiques généralistes de type VLA, vision-language-action, capables de généraliser au-delà d'une tâche unique.

Recherche❖Paper

1 source

39

2957arXiv cs.RO 

Mind the Context : apprentissage continu d'actions robotiques socialement appropriées via dissociation environnement-social

Une équipe affiliée au groupe de recherche Cambridge-AFAR a publié le 14 août 2026 sur arXiv (référence 2608.13448) un article présentant EDD, pour Explicit Disentanglement Dual-Branch, un cadre d'apprentissage continu pour robots sociaux capables d'ajuster leurs actions selon le lieu, une conversation étant acceptable dans un salon bondé mais perturbatrice en réunion de bureau. EDD sépare explicitement les connaissances liées à l'environnement (espace ouvert ou encombré de meubles) de celles liées aux agents sociaux (position des personnes autour du robot), et utilise un mécanisme de rejeu pour limiter l'oubli à mesure que le système traverse successivement plusieurs domaines, salon, salle de réunion, bureau et couloir, pour évaluer des actions comme nettoyer, servir ou démarrer une conversation. Les auteurs rapportent qu'EDD surpasse plusieurs méthodes de référence de l'état de l'art, avec des études d'ablation portant sur différentes stratégies de désentrelacement et sur la sensibilité à l'ordre d'apprentissage des domaines. Le code est public sur GitHub, sous Cambridge-AFAR/Mind-the-Context. Ce travail cible un angle mort de la littérature sur le comportement social robotique: les approches antérieures d'apprentissage continu appliquées à l'appropriateness sociale ne traitaient pas le cas incrémental par domaine, où le robot découvre successivement des environnements très différents sans pouvoir tous les anticiper à l'avance. Pour les intégrateurs de robots sociaux, assistance à domicile, accueil en entreprise, service en établissement, séparer ce qui relève du contexte physique de ce qui relève des normes sociales conditionne directement la fiabilité d'un déploiement multi-site sans réentraînement complet à chaque nouvel environnement. L'étude reste toutefois évaluée sur un nombre restreint de domaines et d'actions, ce qui tempère la portée immédiate des gains annoncés face aux méthodes de référence. EDD prolonge des travaux antérieurs sur la génération d'actions socialement appropriées par apprentissage continu, en ciblant spécifiquement le réglage incrémental par domaine, jusqu'ici peu exploré malgré sa pertinence pour des robots amenés à circuler entre plusieurs pièces ou bâtiments. Il s'inscrit dans le champ plus large de la robotique sociale et de l'apprentissage continu, où l'oubli catastrophique reste un obstacle central face aux architectures d'apprentissage par renforcement ou aux modèles vision-langage-action déployés dans des environnements changeants. Publié comme preprint arXiv, non encore relu par les pairs à ce stade, l'article n'annonce ni calendrier de déploiement ni partenariat industriel, mais ouvre la voie à des extensions vers un plus grand nombre de domaines et des tests en conditions réelles.

Recherche❖Paper

1 source

39

2958arXiv cs.RO 

HumanoidVLN : simulateur et référentiel physiques pour la navigation vision-langage sur robots humanoïdes variés

HumanoidVLN, un simulateur et benchmark ancré dans la physique pour la navigation par instructions vision-langage chez les robots humanoïdes, a été détaillé dans un article publié en août 2026 (arXiv:2608.12860v1). Bâti sur NVIDIA Isaac Sim, il couvre quatre robots aux morphologies distinctes, les Unitree G1 et H1 ainsi que deux plateformes internes baptisées Internal-A et Internal-B, avec 10 à 12 degrés de liberté aux jambes et des tailles de 1,17 m à 1,80 m, pilotés par une architecture combinant une politique de locomotion par apprentissage par renforcement et des suiveurs de trajectoire PD ou MPC interchangeables. Un pipeline multi-agent avec supervision humaine génère 933 épisodes de référence sans collision, chacun assorti d'une instruction précise et de trois variantes stylistiques, testés sur quatre modèles VLN existants : NaVILA, DualVLN, StreamVLN et JanusVLN. JanusVLN arrive en tête avec 43,55% de réussite moyenne et un score nDTW de 48,38, tandis qu'un pilote sim-to-real de 20 épisodes avec DualVLN sur un Unitree G1 réel affiche une corrélation d'erreur de r=0,935 et un écart moyen de 0,68 mètre. Ce travail comble un angle mort des benchmarks VLN existants, conçus pour des agents à roues et donc aveugles aux contraintes propres à la bipédie, comme l'instabilité ou la distorsion des observations liée à la démarche. Un simulateur physique compatible avec plusieurs contrôleurs et morphologies réduit le risque de sur-optimiser un modèle pour un environnement qui ne reflète pas le comportement réel du robot. La forte corrélation entre résultats simulés et réels suggère un proxy fiable pour anticiper le comportement en conditions réelles, un enjeu central alors que l'écart sim-to-real reste un frein majeur à la commercialisation des humanoïdes autonomes. Un taux de réussite plafonnant sous 44% pour le meilleur modèle confirme aussi que la navigation par instructions naturelles demeure largement non résolue, loin des discours commerciaux vantant la maturité des architectures vision-langage-action pour l'humanoïde. HumanoidVLN s'inscrit dans une vague de benchmarks cherchant à combler l'écart entre simulations conçues pour robots à roues ou bras manipulateurs et les exigences propres aux humanoïdes bipèdes, à mesure que les Unitree G1 et H1 se banalisent dans la recherche académique. En confrontant simultanément quatre modèles VLN sur quatre morphologies distinctes, les auteurs positionnent leur outil comme un banc d'essai neutre plutôt qu'une vitrine pour une architecture donnée. Il s'agit d'un travail académique, sans entreprise commerciale directement impliquée dans la publication. Code, benchmark et données doivent être publiés sur humanoid-vln.github.io après acceptation de l'article, mais ne sont pas encore accessibles, ce qui empêche pour l'instant toute reproduction indépendante des résultats annoncés.

Recherche❖Paper

1 source

39

2959arXiv cs.RO 

RGB-D pour l'amélioration de la prédiction dans la transmission d'objets humain-robot

L'équipe à l'origine de l'article publié sur arXiv le 13 août 2026 (arXiv:2608.13028v1) présente Hand2Bot, un jeu de données vidéo RGB-D dédié aux transferts d'objets humain-robot, ainsi que PassGen, un pipeline génératif associé. Hand2Bot capture des scénarios de passation d'objets avec des informations contextuelles riches, posture corporelle et expressions faciales incluses, dans des conditions de bruit capteur réalistes. PassGen s'appuie sur la diffusion vidéo stable (stable vidéo diffusion) combinée à un module appelé Intention-Aware Temporal Face Encoder pour générer des séquences de passation synthétiques cohérentes entre la main et l'objet manipulé. Pour réduire l'écart entre simulation et réel, les chercheurs ont développé une stratégie d'édition de profondeur basée sur la morphologie, qui reproduit le bruit typique des capteurs de profondeur physiques. Les évaluations, menées en étude d'ablation puis en déploiement réel sur une plateforme robotique physique, montrent une forte précision d'identification de l'intention de passation et un faible taux de déclenchements erronés. Cette avancée cible un verrou concret de la robotique collaborative : la rareté des jeux de données humains à grande échelle pour l'interaction homme-robot, combinée au fossé persistant entre modèles entraînés en simulation et comportements observés sur robot réel. En démontrant qu'un entraînement sur données synthétiques générées par PassGen permet un transfert zero-shot robuste et une anticipation plus précoce de l'intention de passation que les approches classiques centrées sur la main, les auteurs apportent une preuve empirique que la génération vidéo synthétique peut compenser le manque de données réelles annotées, un problème central pour tout intégrateur travaillant sur des tâches de manipulation collaborative en espace partagé. Le travail s'inscrit dans la lignée des recherches sur la perception d'intention en robotique de collaboration, où les méthodes existantes se limitaient largement à des indices centrés sur la main, sans exploiter le langage corporel ou les expressions faciales du partenaire humain. En intégrant ces signaux sociaux dans le pipeline génératif et en validant l'approche par un déploiement réel plutôt qu'en simulation seule, les auteurs positionnent Hand2Bot et PassGen comme une brique méthodologique reproductible pour la perception sociale robotique, sans toutefois préciser de partenaires industriels, de calendrier de diffusion du jeu de données ou de plans de commercialisation à ce stade.

Recherche❖Paper

1 source

39

2960arXiv cs.RO 

Steering prédictif par vitesse relative pour la téléopération sécurisée de manipulateurs robotiques en environnements dynamiques

Un preprint publié sur arXiv (arXiv:2608.13284v1) présente un framework léger et modulaire d'évitement de collision proactif pour la téléopération de bras manipulateurs, agissant directement sur les commandes de vitesse de l'effecteur terminal. Après prétraitement du nuage de points, le système prédit les collisions via un calcul de temps avant collision (TTC, time-to-collision) avec protection contre le dépassement, puis dévie le vecteur de vitesse relative grâce à la formule de rotation de Rodrigues, en ne changeant que sa direction et en préservant sa magnitude. Ce module compense la latence de traitement propre aux pipelines de téléopération tout en restant assez léger pour un contrôle à haute fréquence. Des simulations sur plusieurs scénarios montrent un taux d'évitement de collision supérieur aux méthodes de référence, confirmé par des essais sur un robot physique. L'enjeu est la sécurité des opérations de téléopération dextre, où un opérateur humain confronté à une latence réseau ou une baisse d'attention peut ne pas réagir à temps à un obstacle surgissant près du bras. Intégré directement au niveau de la commande de vitesse plutôt qu'en supervision externe, ce garde-fou réduit le risque de collision sans matériel supplémentaire ni refonte du pipeline, un atout pour les intégrateurs qui déploient ces systèmes pour la collecte de données d'entraînement de modèles vision-language-action (VLA) ou pour des interventions en environnement dangereux. Les auteurs relèvent aussi une limite connue des méthodes classiques de champ de potentiel artificiel (APF), leur tendance au blocage (deadlock) dans certaines configurations, que leur approche dit corriger. Ce travail s'inscrit dans la multiplication des systèmes de téléopération dextre, portée par la demande de données d'entraînement pour les modèles VLA et par des usages en environnements où l'intervention humaine directe est risquée. Publié comme simple preprint, sans nom d'entreprise, de produit ni de site de déploiement industriel mentionné, le document reste à ce stade une contribution de recherche validée en simulation et sur un banc de test physique en laboratoire, sans précision sur le matériel utilisé ni feuille de route de commercialisation. Il se positionne comme une alternative aux méthodes de champ de potentiel artificiel largement utilisées dans la littérature sur l'évitement d'obstacles en robotique.

Recherche❖Paper

1 source

39

2961arXiv cs.RO 

SAP-Nav : représentation sémantique spatiale et perception active pour la navigation hiérarchique à vocabulaire ouvert

Des chercheurs ont publié sur arXiv (2608.12707v1) SAP-Nav, un framework de navigation robotique zero-shot conçu pour suivre des instructions en langage libre désignant une cible à l'échelle de la scène, de la pièce, de la région ou de l'instance, dans des environnements inconnus (navigation hiérarchique vers des objets à vocabulaire ouvert, ou OVON). Sans entraînement dédié à la tâche ni carte préconstruite, le système bâtit en continu une représentation spatiale sémantique interrogeable à partir des vues de pièces acquises activement par l'agent, et s'appuie sur un module de vérification active du point de vue : si l'observation courante ne fournit pas assez d'indices, l'agent se repositionne vers un emplacement plus informatif avant de confronter les candidats aux contraintes de catégorie et d'attributs. Évalué sur les benchmarks LangMap et HM3D-OVON, SAP-Nav obtient les meilleurs scores globaux, avec un gain de 12,2 points de taux de réussite sur la navigation au niveau région par rapport aux méthodes entraînées spécifiquement. Des tests sur robot réel confirment la faisabilité pratique de l'approche ; le code source ne sera publié qu'après acceptation de l'article. Ce travail répond à une tension classique de la navigation robotique sous observation partielle : l'ancrage spatial exige une mémoire persistante de l'environnement, tandis que la vérification de la cible exige des vues nettes et discriminantes, deux besoins difficiles à concilier simultanément. En misant sur la perception active plutôt que sur un entraînement lourd ou des cartes précalculées, SAP-Nav généralise directement à de nouveaux lieux, un atout pour les robots de service ou les AMR devant exécuter des instructions en langage naturel sans reconfiguration site par site. Le gain annoncé reste toutefois mesuré sur des benchmarks simulés, et la démonstration sur robot réel atteste avant tout une faisabilité technique, pas un déploiement en conditions industrielles. SAP-Nav prolonge LangMap, un travail antérieur qui a formalisé ce cadre hiérarchique en distinguant indices de scène, de pièce, de région et d'instance. Il se positionne comme alternative zero-shot aux méthodes dites "training-based", qui nécessitent un apprentissage spécifique ou des cartes de scène précalculées, tout en restant compatible avec la navigation classique par catégorie. Aucune entreprise ni laboratoire n'est cité dans le résumé, ce qui indique une contribution académique sans partenariat industriel annoncé à ce stade. Les auteurs précisent que le code source sera rendu public uniquement après acceptation de l'article, signe que la publication est encore en cours d'évaluation par les pairs et que la reproduction complète des résultats n'est pas encore possible.

Recherche❖Paper

1 source

38

2962arXiv cs.RO 

HumanTracker : vers un benchmark complet et aligné sur l'humain pour le suivi de mouvement

Un benchmark nommé HumanTracker vient d'être publié sur arXiv (référence 2608.13555v1) pour évaluer le suivi de mouvement des robots humanoïdes dans les tâches de téléopération et d'imitation corps entier. Le jeu de données rassemble environ 153 heures de trajectoires de capture de mouvement optique, enregistrées auprès de plusieurs performeurs professionnels, et organisées en quatre familles de mouvements accompagnées d'étiquettes textuelles permettant un diagnostic fin des erreurs. Les auteurs introduisent également HumanScore, une métrique alignée sur les préférences humaines, entraînée sur 12 000 paires de mouvements couvrant 24 000 séquences au total. L'objectif affiché est de rendre l'évaluation à la fois plus fidèle à la perception humaine et suffisamment large pour couvrir des comportements riches en contacts et de longue durée, ce que les suites de tests existantes, jugées trop restreintes, ne permettaient pas jusqu'ici. Le problème ciblé touche directement les développeurs de systèmes de contrôle pour humanoïdes: les métriques cinématiques classiques, qui moyennent les écarts de pose image par image, masquent des artefacts physiques critiques comme le glissement des pieds ou des contacts mal synchronisés au sol, deux défauts souvent invisibles dans les scores mais très visibles dans les vidéos de démonstration. En confrontant plusieurs trackers considérés comme état de l'art, les auteurs montrent que HumanScore détecte des échecs de stabilité et de contact que les métriques cinématiques ignorent purement et simplement. Pour les intégrateurs et laboratoires qui évaluent des pipelines de téléopération ou d'imitation par apprentissage, ce travail pointe un écart connu mais rarement quantifié entre scores publiés et qualité perçue réellement, un signal utile face à l'inflation de démonstrations vidéo dans le secteur humanoïde. Il s'agit d'une publication de recherche fraîchement déposée sur arXiv, sans lien annoncé avec un produit commercial ou un déploiement industriel: aucun robot, entreprise ou date de sortie n'est cité dans le papier. HumanTracker s'inscrit dans une vague plus large de travaux académiques cherchant à combler le fossé entre benchmarks de laboratoire et performance réelle des systèmes de contrôle humanoïdes, alors que le secteur multiplie les modèles vision langage action et les démonstrations de téléopération dont l'évaluation reste largement auto rapportée par les fabricants.

Recherche❖Paper

1 source

38

2963arXiv cs.RO 

RoboSynChallenge : maîtriser la dextérité réelle par généralisation de compétences de manipulation synthétisées

Publiée sur arXiv en août 2026 (arXiv:2608.12416), la compétition RoboSynChallenge propose un benchmark unifié pour évaluer la généralisation des politiques de manipulation robotique sur des tâches, environnements et niveaux de difficulté variés. Le format combine génération de données synthétiques à grande échelle, utilisables par les participants pour entraîner leurs modèles à partir de trajectoires état-action simulées, et une évaluation finale menée exclusivement sur des environnements réels inédits, jamais rencontrés à l'entraînement. Les organisateurs fournissent des implémentations de référence pour quatre familles d'architectures, Transformer, diffusion, Vision-Language-Action (VLA) et World-Action-Model, afin de garantir reproductibilité et comparabilité entre équipes. L'article, de nature méthodologique, ne communique ni nombre de participants, ni calendrier, ni métriques chiffrées: il s'agit d'une annonce de benchmark, pas d'un résultat de compétition ni d'un produit commercial. L'initiative vise un goulot d'étranglement identifié de longue date dans la robotique manipulative: la rareté et le manque de diversité des données réelles limitent l'entraînement de politiques généralistes, alors que les architectures de modèles progressent plus vite que les données disponibles. En imposant une évaluation strictement sur du réel non vu, RoboSynChallenge teste directement l'hypothèse dominante du secteur depuis deux ans, celle d'un écart sim-to-real comblable par la donnée synthétique à grande échelle, condition jugée nécessaire pour que les politiques VLA généralisent au-delà d'un site de démonstration. Pour les intégrateurs et décideurs industriels, un tel benchmark standardisé offre un point de comparaison plus rigoureux que les vidéos promotionnelles des fournisseurs de robots humanoïdes ou de bras manipulateurs, en isolant la vraie capacité de généralisation des effets de mémorisation propres à un environnement donné. Le défi s'inscrit dans la multiplication, depuis 2024-2025, de benchmarks académiques structurant la recherche en intelligence incarnée, à mesure que les laboratoires publient des politiques génériques entraînées sur des corpus multi-tâches et multi-robots. En diffusant des baselines ouvertes plutôt qu'un classement fermé, les organisateurs cherchent à fédérer une communauté de recherche autour d'une méthodologie de test commune. L'article ne cite aucune entreprise ni partenaire industriel, et ne précise ni calendrier d'inscription ni date de clôture des soumissions, ces éléments restant à communiquer.

Recherche❖Paper

1 source

38

2964arXiv cs.RO 

JailWAM : pirater les modèles d'action du monde dans le contrôle robotique

Des chercheurs ont publié JailWAM, premier framework d'évaluation de jailbreak conçu spécifiquement pour les World Action Models (WAM), ces modèles qui pilotent directement des robots manipulateurs à partir d'instructions en langage naturel. Décrit dans un article déposé sur arXiv (identifiant 2604.05498, version 2), le système repose sur trois composants. Le premier, Visual-Trajectory Mapping, convertit les sorties d'action hétérogènes de différentes architectures de WAM en une représentation de trajectoire visuelle commune, ce qui permet de comparer des modèles différents sur une même base. Le deuxième, un Risk Discriminator, classe les résultats selon trois niveaux de gravité physique croissante : conformité de sécurité, échec de mouvement, et risque catastrophique. Le troisième, une Dual-Path Verification Strategy, combine un tri rapide des candidats d'attaque avec une simulation physique en boucle fermée réservée aux cas jugés dangereux, afin de réduire le coût de calcul. Testé dans l'environnement de simulation RoboTwin, JailWAM atteint un taux de réussite d'attaque de 84,2 % contre le modèle LingBot-VA. Ce résultat illustre concrètement que les WAM, censés traduire fidèlement des consignes en gestes physiques sûrs, restent vulnérables à des instructions adversariales capables de provoquer des comportements dangereux du bras ou du robot. Pour les intégrateurs industriels et les décideurs qui envisagent de déployer ces modèles vision-langage-action en usine ou en entrepôt, l'étude rappelle qu'aucun garde-fou standardisé n'existe encore contre ce type d'attaque, contrairement au red-teaming déjà bien établi pour les grands modèles de langage textuels. Le chiffre de 84,2 % a toutefois été obtenu en simulation, pas sur du matériel physique réel, ce qui laisse ouverte la question d'un éventuel écart sim-to-real ; la tendance qu'il révèle sur la fragilité de l'alignement sécuritaire des WAM reste néanmoins significative. Ce travail s'inscrit dans la vague de recherche sur les modèles vision-langage-action qui équipent la nouvelle génération de robots humanoïdes et de bras manipulateurs, dans la lignée de modèles comme Pi-0, GR00T N2 ou Helix. JailWAM transpose au monde physique des méthodologies de jailbreak déjà développées pour les modèles de langage textuels. Les auteurs appellent explicitement à davantage de recherche sur l'évaluation de sécurité et l'alignement des systèmes robotiques embarqués, signe d'un besoin encore naissant de standards de certification avant tout déploiement industriel à grande échelle. Aucun acteur français ou européen du secteur n'apparaît dans cette étude.

Recherche⚡Actu

1 source

38

2965arXiv cs.RO 

DreamX-Phi 1.0 : modèle du monde vidéo conditionné par l'action pour la manipulation robotique

DreamX-Phi 1.0, un modèle de monde vidéo conditionné par l'action pour la manipulation robotique, est présenté dans un article déposé sur arXiv (2608.13489v1). À partir d'une image observée, d'une instruction en langage naturel et d'une séquence d'actions prescrite, poses de l'effecteur terminal et états du gripper, le système prédit les observations vidéo futures correspondantes. Pour éviter qu'une vidéo réaliste en apparence déplace le mauvais bras ou fasse disparaître l'objet manipulé, les auteurs injectent des transformations géométriques SE(3) propres à chaque bras dans les couches d'attention via un encodage de type PRoPE, complété par une branche de profondeur pour la géométrie de la scène et des masques SAM3 associés à un modèle enseignant V-JEPA figé pour maintenir la cohérence des objets durant la saisie. Le générateur multi-étapes est ensuite distillé en un modèle étudiant à peu d'étapes pour accélérer le déploiement. Le modèle revendique la première place sur la Track 1 et la deuxième sur la Track 2 du WorldArena 2.0 Challenge, avec publication annoncée du modèle et du code. Cette approche s'attaque à un problème central des modèles de monde appliqués à la robotique: une vidéo générée peut paraître photoréaliste tout en étant physiquement incohérente avec les commandes envoyées au robot, ce qui invalide son usage pour l'entraînement de politiques ou la planification. En ancrant la génération vidéo sur la géométrie rigide réelle de chaque bras et en préservant l'identité des objets manipulés, DreamX-Phi cherche à combler l'écart entre démonstration visuelle convaincante et fidélité exploitable pour le contrôle. La distillation en modèle étudiant à peu d'étapes répond à une contrainte pratique bien connue des intégrateurs: les modèles de monde vidéo multi-étapes sont souvent trop lents pour une boucle de contrôle temps réel, ce qui limite sinon leur usage à la simulation ou à l'évaluation hors ligne. Le classement sur WorldArena 2.0 reste toutefois un résultat de benchmark académique et non une validation en conditions réelles sur un robot physique. DreamX-Phi s'inscrit dans une vague plus large de modèles de monde vidéo pour la robotique, qui cherchent à compléter ou remplacer les architectures vision-langage-action comme Pi-0 ou GR00T N2 par une simulation générative directe des conséquences d'une action. Le recours à SAM3 pour la segmentation et à V-JEPA comme enseignant figé situe le projet dans la lignée des modèles de représentation vidéo auto-supervisés récents plutôt que dans une pile propriétaire fermée. À ce stade, aucune information ne mentionne de déploiement sur un robot physique ni de partenariat industriel: il s'agit d'un article de recherche accompagné d'un résultat de compétition, le modèle et le code étant seulement annoncés comme à venir. La suite logique, si cette promesse de publication est tenue, sera l'adoption du modèle comme brique de simulation ou d'évaluation par d'autres équipes travaillant sur la manipulation robotique.

Recherche❖Paper

1 source

37

2966arXiv cs.RO 

NestDex : apprentissage de politiques imbriquées avec téléopération assistée par copilote pour la manipulation dextérique

Un preprint publié sur arXiv en août 2026 (arXiv:2608.13362) présente NestDex, un framework de téléopération assistée pour entraîner des politiques de manipulation dextérique. Contrairement à une pince parallèle, une main à plusieurs doigts oblige l'opérateur à coordonner en même temps le mouvement du bras et des gestes fins, riches en contacts, ce qui complique la collecte de démonstrations complètes et cohérentes. Dans NestDex, l'opérateur pilote le bras et active la compétence de main voulue via un simple embrayage à un seul degré de liberté, pendant qu'une politique interne ajuste la main selon l'historique proprioceptif récent et qu'un sélecteur vision-langage choisit automatiquement la bonne compétence à chaque étape de la tâche. Ces démonstrations entraînent ensuite une politique visuomotrice externe distincte, qui pilote seule le bras et la main au moment du déploiement, sans plus recourir aux politiques internes; les commandes de main sont compressées par un autoencodeur variationnel tandis que celles du bras restent dans l'espace articulaire. Des essais réels montrent une collecte de démonstrations plus fiable et plus efficace, avec des vidéos disponibles sur aus.bot/research/nestdex. La contribution cible directement ce qui freine l'entraînement de mains robotiques à plusieurs doigts à l'échelle industrielle: la téléopération classique, par gants ou exosquelettes, produit des démonstrations lentes et peu fiables dès qu'il faut coordonner plusieurs doigts en même temps que le bras, ce qui limite la taille des jeux de données nécessaires aux politiques vision-langage-action (VLA). En déportant la coordination fine des doigts vers une politique déjà entraînée et en laissant l'humain gérer la stratégie de haut niveau, NestDex promet de réduire le coût et le temps de collecte, un enjeu central pour les intégrateurs qui visent des mains dextériques plutôt que de simples pinces parallèles plus limitées. L'article reste toutefois un travail de recherche présenté sans taux de succès chiffrés ni comparaison directe avec des systèmes commerciaux existants, ce qui invite à la prudence sur la portée réelle des gains annoncés. Ce travail s'inscrit dans les efforts récents pour rendre la manipulation dextérique aussi simple à entraîner que la manipulation par pince, à mesure que les politiques VLA généralistes se multiplient dans le secteur robotique. Il ne s'agit pas d'un produit commercial ni d'un déploiement client mais d'une publication scientifique, accompagnée de vidéos hébergées sur le site du projet, sans date de disponibilité ni feuille de route de commercialisation communiquée. Les prochaines étapes attendues, bien que non détaillées dans le résumé, porteraient logiquement sur l'extension à davantage de tâches, de mains robotiques et de plateformes, ainsi que sur des comparaisons chiffrées avec les méthodes de téléopération existantes.

IA physique❧Opinion

1 source

37

2967arXiv cs.RO 

FAM-DQ : un manipulateur aérien à double quadrirotor pleinement actionné pour interactions à couple élevé

Le laboratoire à l'origine du projet FAM-DQ a publié le 14 août 2026 sur arXiv un article décrivant un manipulateur aérien à double quadrotor entièrement actionné, conçu pour des tâches d'interaction physique à fort couple. Le système fixe deux modules de propulsion de type quadrotor aux extrémités d'un châssis central via des articulations passives, et utilise un servomoteur à engrenages pour orienter la poussée. Cette architecture découple le contrôle de position et d'attitude, un problème classique des manipulateurs aériens sous-actionnés, et permet un contrôle à 6 degrés de liberté (DoF) de l'effecteur terminal avec une capacité de manipulation omnidirectionnelle. Les essais menés (suivi de trajectoire, suivi d'attitude, mesure de couple statique, et vissage de vis) montrent un couple maximal de 1,019 N·m pour une masse totale de seulement 0,447 kg, soit un ratio couple/masse de 2,28 N·m/kg. Pour les intégrateurs et chercheurs en robotique aérienne, ce résultat répond à une limite structurelle bien identifiée du secteur : les drones manipulateurs sous-actionnés peinent à appliquer des forces d'interaction élevées sans perdre le contrôle de leur attitude, tandis que les architectures pleinement actionnées existantes souffrent généralement de complexité mécanique excessive et de charges utiles réduites. En démontrant qu'une conception à deux rotors articulés peut atteindre un ratio couple/masse élevé sans sacrifier la précision de trajectoire, FAM-DQ ouvre une voie pour des applications d'interaction physique aérienne à fort effort, comme le vissage, le perçage ou la maintenance d'infrastructures en hauteur, des tâches jusqu'ici difficiles pour les drones légers. Il s'agit toutefois d'un prototype de recherche testé en laboratoire, non d'un produit commercialisé ni d'un déploiement industriel. Ce travail s'inscrit dans la lignée des recherches sur les plateformes aériennes entièrement actionnées, qui cherchent depuis plusieurs années à dépasser les limites des quadrotors conventionnels pour la manipulation physique, notamment via des configurations à rotors inclinables ou des bras articulés montés sur drone. L'article ne mentionne pas de partenaire industriel ni de calendrier de transfert vers un produit, et se limite à une validation expérimentale du concept en environnement contrôlé. Aucun acteur français ou européen du secteur (Wandercraft, Exotec, Pollen Robotics, Enchanted Tools) n'est associé à cette publication, qui reste un travail de recherche académique publié en preprint.

Recherche❖Paper

1 source

37

2968arXiv cs.RO 

Vers une navigation socialement conforme en apprentissage par renforcement profond via une récompense basée sur la proxémique

Des chercheurs ont publié le 14 août 2026 sur arXiv (arXiv:2608.12917v1) un article intitulé "Towards Socially Compliant Navigation in Deep Reinforcement Learning via Proxemics-Based Reward Modeling", proposant une nouvelle fonction de récompense pour l'apprentissage par renforcement profond (DRL) appliqué à la navigation robotique en environnement peuplé. Le système modélise l'espace personnel de chaque humain comme un champ gaussien radial multi-composantes, dérivé de la théorie des proxémies d'Edward Hall, et calcule un coût local centré sur le robot à partir de son champ de vision. Cette récompense a été intégrée à plusieurs méthodes de navigation DRL existantes et testée en simulation sur divers scénarios de foule, densités de population et fonctions de récompense de référence, en mesurant à la fois des métriques de navigation et des métriques sociales. Les résultats montrent une amélioration constante des métriques sociales tout en maintenant des performances de navigation comparables aux modèles concurrents, mais l'ensemble des expériences reste confiné à la simulation, sans déploiement matériel réel. Cette contribution cible un point de friction majeur pour les robots mobiles autonomes (AMR) et robots de service appelés à opérer parmi des humains, en entrepôt, hôpital, aéroport ou bureau: la plupart des méthodes DRL actuelles optimisent avant tout l'atteinte rapide d'un objectif, au détriment du confort social, produisant des trajectoires perçues comme intrusives ou imprévisibles. En rendant le signal social dense et interprétable plutôt que binaire ou épars, l'approche cherche à corriger un angle mort connu de la recherche en navigation sociale, où le compromis entre efficacité de tâche et conformité sociale reste mal résolu. Pour les intégrateurs et décideurs B2B, l'intérêt est direct: des robots respectant des distances sociales cohérentes réduisent les frictions d'acceptation en environnement partagé, un frein régulièrement cité au déploiement à grande échelle. Le résultat reste toutefois un travail de simulation, pas une validation terrain: l'écart classique entre démonstration en simulateur et comportement réel n'est pas comblé par ces travaux. L'approche s'appuie sur la théorie des proxémies formulée par l'anthropologue Edward Hall dans les années 1960, qui catégorise les distances interpersonnelles selon le contexte social et culturel. Le champ de la navigation sociale par renforcement s'est construit autour de plusieurs modèles de récompense concurrents, utilisés ici comme lignes de base de comparaison, sans qu'aucune entreprise ni robot commercial ne soit associé à ces travaux, purement académiques. Contrairement aux annonces récentes de robots humanoïdes industriels, cet article ne présente ni matériel, ni déploiement, ni partenariat commercial: il s'agit d'une contribution méthodologique pour la communauté recherche en robotique et en apprentissage par renforcement, sans calendrier annoncé pour une validation sur plateforme physique réelle.

Recherche❖Paper

1 source

37

2969arXiv cs.RO 

Prédiction de trajectoire par inférence bayésienne d'intention face à des buts et une cinématique inconnus

Une équipe de recherche a publié une version révisée (v2) sur arXiv (2509.24928) d'un algorithme bayésien adaptatif pour la prédiction de trajectoire en temps réel via inférence d'intention, conçu pour des cibles dont les intentions et la dynamique de mouvement sont inconnues et changeantes. La méthode estime conjointement deux variables : l'intention courante de la cible, modélisée comme un état latent markovien, et un paramètre d'intention qui mesure à quel point la cible suit une politique de plus court chemin. Ce couplage permet à l'algorithme de rester robuste face à des changements brusques d'intention et à une dynamique de mouvement inconnue, sans phase d'entraînement ni connaissance préalable détaillée du comportement de la cible. Un module de prédiction par échantillonnage exploite ensuite ces estimations pour produire des prévisions probabilistes avec incertitude quantifiée. La validation combine des études d'ablation sur deux scénarios, une analyse Monte Carlo de 500 essais, et des démonstrations matérielles sur des plateformes quadrotor et quadrupède. Les résultats montrent que l'approche surpasse nettement les méthodes non adaptatives et partiellement adaptatives, avec un fonctionnement en temps réel autour de 547 Hz. Cette cadence de calcul élevée, associée à l'absence totale d'entraînement préalable, distingue nettement cette approche des méthodes de prédiction de trajectoire fondées sur l'apprentissage profond, qui nécessitent de larges jeux de données et souffrent souvent d'un écart sim-to-real. Pour les intégrateurs travaillant sur la navigation autonome, l'évitement de collision ou l'interaction humain-robot, la capacité à anticiper le comportement d'un agent mobile sans modèle préalable ni calibration lourde représente un atout pratique, notamment pour l'embarqué où les ressources de calcul sont limitées. La validation croisée sur deux catégories de plateformes robotiques, aériennes et à pattes, suggère une portabilité au-delà d'un cas d'usage unique. Le travail s'inscrit dans le champ classique de l'inférence bayésienne et de l'estimation adaptative, une alternative aux architectures neuronales de type VLA qui dominent actuellement les annonces du secteur robotique. Le statut de "replace" sur arXiv indique une itération après relecture ou retours de la communauté scientifique, non un produit commercial ou un déploiement industriel. Aucune entreprise ni plateforme commerciale n'est associée à cette publication, qui reste à ce stade un résultat de recherche académique ; les auteurs ne mentionnent pas de calendrier de transfert vers des systèmes robotiques déployés en production.

Recherche❖Paper

1 source

37

2970arXiv cs.RO 

Temporal GRPO : au-delà du crédit au niveau trajectoire dans l'apprentissage par renforcement pour modèles vision-langage-action

Des chercheurs publient sur arXiv (référence 2608.13026, nouvelle soumission) une méthode baptisée Temporal GRPO, qui corrige un défaut du post-entraînement par renforcement des politiques vision-langage-action (VLA). Dans l'approche standard dite GRPO, un seul score d'avantage est calculé pour toute une trajectoire de robot et appliqué uniformément à chacune de ses actions. Une trajectoire qui réussit plusieurs étapes valides mais échoue ensuite voit donc pénalisées les actions ayant produit un progrès réel plus tôt, un biais que les auteurs nomment "aliasing du crédit au niveau de la trajectoire". Temporal GRPO découpe chaque tâche en étapes détectables, aligne chaque rollout sur les intervalles d'actions propres à ces étapes, et ne compare entre elles que les trajectoires ayant atteint la même étape ; les avantages calculés par étape sont ensuite appliqués aux intervalles correspondants lors d'une seule mise à jour de la politique. Sur le benchmark de simulation RoboTwin 2.0, la méthode améliore le taux de réussite des tâches et l'efficacité d'échantillonnage, avec des gains constants quel que soit l'horizon des tâches. Sur LIBERO-Long, des mises à jour contrôlées montrent qu'elle préserve les étapes prérequises communes aux trajectoires et concentre l'amélioration précisément à la première étape où les résultats divergent. Ce travail cible un maillon technique précis mais central de l'entraînement des politiques VLA par renforcement : l'attribution du crédit sur des tâches longues et multi-étapes, un problème connu qui limite l'apprentissage à partir du seul signal succès/échec de fin de tâche. Pour les équipes qui post-entraînent des politiques robotiques par renforcement plutôt que par simple imitation, un mauvais découpage du crédit désapprend des comportements pourtant corrects, ralentissant la convergence et gonflant le nombre d'essais nécessaires avant tout transfert vers le réel. Les gains reproductibles observés sur deux benchmarks distincts constituent une preuve technique que le crédit par étape, plutôt qu'au niveau global de la trajectoire, améliore l'efficacité d'échantillonnage, un facteur déterminant pour rendre l'apprentissage par renforcement viable à grande échelle sur des tâches robotiques composites. GRPO (Group Relative Policy Optimization) est une méthode popularisée dans l'entraînement des grands modèles de langage avant d'être reprise pour post-entraîner des politiques VLA à partir d'un signal de succès facile à obtenir à grande échelle. RoboTwin 2.0 et LIBERO-Long sont des environnements de simulation standards du champ, utilisés ici sans déploiement matériel ni annonce de partenariat industriel. L'article ne précise ni affiliation des auteurs ni publication de code ; il s'agit à ce stade d'une contribution méthodologique évaluée uniquement en simulation, susceptible d'intéresser les laboratoires développant des politiques VLA généralistes confrontées aux mêmes limites de crédit lors du passage à l'échelle.

Recherche⚡Actu

1 source

37

2971arXiv cs.RO 

SpatialVAM : une diffusion vidéo multi-vues consciente de l'espace pour un pilotage robotique économe en données

Une équipe de recherche présente SpatialVAM, un système décrit comme le premier "3D Video Action Model", capable de prédire simultanément des vidéos de heatmaps multi-vues sensibles à la structure spatiale et des vidéos RGB classiques pour piloter un bras robotique. Publié sur arXiv sous la référence 2604.03181 (version de remplacement d'un article existant), le modèle apprend à partir de seulement dix trajectoires de démonstration, sans pré-entraînement supplémentaire. Il est évalué sur les bancs d'essai simulés Meta-World et RoboCasa ainsi que sur des plateformes robotiques réelles, avec des gains de performance rapportés de 22% sur Meta-World, 15% sur RoboCasa et 16% en conditions réelles par rapport aux meilleures alternatives testées, qu'il s'agisse d'autres modèles vidéo-action, de modèles vision-langage-action (VLA) ou de politiques fondées sur des représentations 3D. Le système exécute des tâches longues et impliquant des contacts physiques, généralise à des situations hors distribution d'entraînement et produit des prédictions vidéo jugées réalistes pour anticiper l'évolution future de la scène. L'intérêt principal pour l'industrie robotique tient à l'efficacité en données. La plupart des politiques de manipulation actuelles reposent sur des observations visuelles 2D ou sur des backbones pré-entraînés sur des paires image-texte statiques, ce qui impose des volumes de démonstrations importants et limite la compréhension de la dynamique de l'environnement. En injectant nativement l'information spatiale 3D dans un modèle vidéo fondamental, tout en alignant le format de représentation entre le pré-entraînement vidéo et le finetuning pour l'action, SpatialVAM cherche à combler cet écart. Si ces résultats se confirment au-delà des bancs d'essai académiques, ils renforceraient l'hypothèse qu'un apprentissage par imitation avec très peu de démonstrations peut suffire pour des tâches de manipulation complexes, un enjeu direct pour les intégrateurs cherchant à éviter la collecte de jeux de données massifs et coûteux. Le travail se positionne explicitement contre trois familles d'approches existantes: les modèles vidéo-action classiques, les politiques vision-langage-action de type VLA, et les politiques fondées sur des représentations 3D, sans toutefois nommer de systèmes concurrents précis. Aucune affiliation d'entreprise ni de laboratoire n'est précisée dans le résumé, et le travail reste à ce stade une contribution de recherche évaluée en simulation et sur banc réel, sans indication de déploiement industriel ni de calendrier de commercialisation.

IA physique⚡Actu

1 source

36

2972arXiv cs.RO 

Champs de radiance sémantiques comme simulateurs de raisonnement spatial en environnements réels

Les Semantic Radiance Fields (SRF), décrits dans un preprint arXiv publie sous la référence 2608.13095v1, sont présentes comme une nouvelle approche de simulation pour entrainer et évaluer le raisonnement spatial d'agents robotiques. La méthode consiste a extraire des segmentations sémantiques 2D produites par des modèles de vision pré-entraines, puis a les projeter dans un champ de radiance 3D qui encode conjointement la géométrie de la scene, son apparence visuelle et l'identité sémantique de chaque classe d'objet. Ce champ est reconstruit a partir de prises de vue RGB réelles dont la position de camera est connue, et il permet trois opérations dans une seule représentation unifiée: synthèse de nouvelles vues, requêtes sémantiques (identifier quel objet se trouve a tel endroit) et requêtes d'espace libre pour la navigation ou la saisie. Les auteurs illustrent la méthode avec un cas d'usage concret: un simulateur pour une tache de cueillette de pommes en verger, ou le champ de radiance fournit au moteur physique le rendu camera, la vérité terrain sémantique et les données d'occupation de l'espace. Le travail s'attaque a un arbitrage classique de l'entrainement en robotique embarquée: les simulateurs synthétiques (type moteurs physiques classiques) offrent des étiquettes sémantiques parfaites mais souffrent d'un écart de réalisme qui dégradé le transfert vers le réel, tandis que les simulateurs bases sur des reconstructions 3D de scènes réelles (NeRF, Gaussian splatting) sont photoréalistes mais dépourvus de sémantique exploitable par défaut. En combinant les deux, les SRF visent a réduire le cout de création d'environnements d'entrainement diversifies et fidèles au réel, un goulot d'étranglement identifie pour la mise a l'échelle des modèles de type vision-langage-action (VLA) qui sous-tendent les politiques de manipulation des robots humanoïdes et agricoles actuels. Le cas d'usage agricole choisi pointe vers un marche concret, l'automatisation de la récolte, ou la variabilité des scènes réelles est difficile a capturer avec des simulateurs purement synthétiques. Il s'agit d'un travail de recherche méthodologique tout juste mis en ligne sur arXiv, sans déploiement commercial ni produit livre. L'abstract ne précise ni les auteurs, ni l'institution, ni un calendrier de publication de code ou d'intégration dans des frameworks d'apprentissage robotique existants. Le papier s'inscrit dans une dynamique plus large de recherche académique et industrielle sur des pipelines de simulation dits natifs, alors que plusieurs laboratoires travaillent en parallèle a faire passer leurs modèles de manipulation généralistes de la démonstration a l'échelle réelle.

Recherche❖Paper

1 source

36

2973arXiv cs.RO 

FUSE : ancrage actif de l'affordance fonctionnelle par acquisition adaptative de preuves sémantiques et géométriques

Un preprint publié sur arXiv (2608.12683v1) introduit une nouvelle tâche baptisée « Active Functional Affordance Grounding » : un agent doit explorer activement une scène pour localiser un objet répondant à une fonction demandée, par exemple un objet pour verser un liquide, plutôt qu'à une simple étiquette d'identité. Les auteurs proposent FUSE, un framework d'acquisition de preuves sémantiques et géométriques combinant une exploration pilotée par une mesure explicite d'incertitude et un planificateur amorti appris qui choisit les points de vue les plus informatifs quand les indices fonctionnels sont occultés ou incomplets. Ils publient aussi un benchmark bâti sur le simulateur Habitat pour évaluer cette tâche. Selon les expériences rapportées, FUSE atteint la meilleure performance de localisation non-oracle observée parmi les méthodes comparées, réduit le calcul de 1,33 fois par rapport à une exploration entièrement explicite, et reste efficace avec plusieurs sources de connaissances sur les affordances. Ce travail cible un angle mort des systèmes de perception embarquée actuels : la plupart des méthodes de affordance grounding opèrent depuis un point de vue fixe et échouent dès qu'un indice fonctionnel est masqué ou invisible sous un seul angle. Pour des intégrateurs qui cherchent à faire raisonner un robot sur ce à quoi sert un objet plutôt que sur ce qu'il est, ce mécanisme d'exploration active pilotée par l'incertitude constitue un prérequis en amont de toute manipulation. Le résultat rappelle aussi qu'un grand modèle vision-langage ne suffit pas à lui seul si l'agent ne sait pas décider où regarder ensuite pour lever une ambiguïté fonctionnelle ; le gain de calcul de 1,33x reste toutefois mesuré uniquement en simulation, sans validation rapportée sur robot physique. Le papier combine deux lignées de recherche jusque-là largement séparées, l'affordance grounding sémantique qui associe langage et régions de scène, et la perception active centrée sur le choix du prochain meilleur point de vue. Le résumé ne précise ni l'affiliation des auteurs ni de calendrier de suite, et l'évaluation se limite pour l'instant au benchmark Habitat introduit par les auteurs eux-mêmes, sans comparaison sur un jeu de données tiers ni déploiement sur une plateforme réelle. La suite logique, non annoncée dans ce résumé, serait un transfert vers un robot physique et une comparaison face à des méthodes d'exploration active plus générales.

Recherche❖Paper

1 source

35

2974arXiv cs.RO 

Deliberate Practice : Apprendre des Compétences Robotiques sous Contrainte de Budget

Un article publié le 14 août 2026 sur arXiv (identifiant 2608.13415v1) décrit un nouvel algorithme d'apprentissage actif de compétences robotiques baptisé Deliberate Practice (DP), conçu pour des robots devant apprendre sous un budget de pratique limité. DP calcule ce que les auteurs qualifient d'allocation "budget-optimale": il détermine quelles compétences entraîner en priorité pour maximiser la récompense cumulée attendue, tout en s'assurant qu'elles restent effectivement maîtrisables dans le temps imparti. L'algorithme estime conjointement le temps nécessaire pour maîtriser chaque compétence et la récompense cumulée des plans de tâches qu'elle permet de débloquer ensuite. Sa contribution technique centrale est un programme bilinéaire, résolu avec des solveurs commerciaux standards, capable de calculer cette allocation de manière exacte malgré le nombre combinatoire de plans de compétences possibles sur un budget de pratique étendu. Les auteurs testent l'approche en simulation et sur robot réel, sur des tâches de manipulation à horizon long. Le problème visé est concret pour l'industrie: un robot physique ne peut pas pratiquer indéfiniment, entre usure mécanique, supervision humaine coûteuse et temps machine limité, ce qui rend crucial le choix des compétences à entraîner en priorité pour des tâches séquentielles complexes. Là où l'apprentissage par renforcement classique explore sans contrainte budgétaire explicite, DP formalise ce compromis avec une garantie d'optimalité prouvée, un argument qui pourrait intéresser des intégrateurs cherchant à réduire les fenêtres de mise en service ou de recalibration de robots manipulateurs en environnement industriel. Ce travail se positionne en complément, et non en remplacement, des modèles vision langage action de type Pi-0 ou GR00T N2, qui apprennent des politiques mais ne raisonnent pas explicitement sur l'ordonnancement de la pratique sous contrainte de temps. Il s'agit d'une publication académique déposée sur arXiv, sans communiqué d'entreprise ni nom de laboratoire mis en avant dans le résumé, et sans annonce de déploiement industriel ou de partenariat pilote à ce stade. Le texte ne précise ni le nombre de compétences testées, ni la plateforme robotique réelle utilisée, ni de calendrier de publication du code associé. Il s'inscrit dans la lignée des recherches en apprentissage curriculaire et en planification de tâches à long horizon, un axe distinct mais complémentaire des efforts actuels de scaling des modèles génératifs de politiques robotiques.

Recherche❖Paper

1 source

33

2975arXiv cs.RO 

AirForesight : cartes spatiales imaginées du présent au futur avec cohérence de planification inter-espace pour la VLN par drone

Des chercheurs ont publié le 14 août 2026 sur arXiv (arXiv:2608.12835v1) un article présentant AirForesight, un framework de navigation pour drones guidés par instructions en langage naturel, ou UAV-VLN (Unmanned Aerial Vehicle Vision-Language Navigation). Le système apprend d'abord une représentation structurée de la carte spatiale actuelle à partir d'observations multi-vues éparses, supervisée conjointement par la reconstruction de la scène présente et la prédiction de trajectoire future. Via un mécanisme d'attention causale structurée, cette connaissance spatiale est propagée vers un module de raisonnement sur la carte future ; les représentations présente et future sont ensuite agrégées pour prédire le prochain waypoint en 3D. Les auteurs ajoutent une fonction de perte de cohérence de planification inter-espaces, qui force l'alignement directionnel entre la trajectoire prédite dans l'espace-carte et la direction d'action experte dérivée du déplacement réel du waypoint. Le framework a été évalué sur les benchmarks OpenUAV et AerialVLN-S, avec des ablations étendues montrant des performances supérieures aux méthodes existantes. L'apport tient dans le dépassement d'une limite structurelle des approches actuelles : la plupart des méthodes de navigation par instructions, même appuyées sur de grands modèles de langage, mappent directement les entrées vision-langage vers des actions, sans ancrage explicite de la scène ni anticipation spatiale. En forçant le modèle à générer une carte future cohérente avant de décider d'un mouvement, AirForesight cherche à combler l'écart entre perception instantanée et planification à moyen terme, un problème particulièrement sensible pour les drones évoluant en extérieur, où les vues sont éparses et la liberté de mouvement en trois dimensions complique la tâche par rapport à la navigation terrestre. Pour les équipes travaillant sur des architectures de type VLA appliquées aux véhicules aériens autonomes, ce travail illustre une tendance vers des politiques intégrant une prédiction explicite d'état futur plutôt qu'un mapping réactif direct. Ce papier s'inscrit dans la continuité des travaux sur la navigation vision-langage, initialement développés pour des robots terrestres et des agents en intérieur avant leur extension aux drones. Les benchmarks OpenUAV et AerialVLN-S, déjà établis dans la littérature UAV-VLN, permettent une comparaison directe avec les méthodes concurrentes de mapping vision-langage-action. Il s'agit à ce stade d'une contribution de recherche publiée en preprint, sans annonce de déploiement matériel ni de partenariat industriel : les auteurs ne mentionnent aucun calendrier de transfert vers des plateformes physiques, la validation restant limitée aux environnements de simulation des deux benchmarks cités.

Recherche❖Paper

1 source

30

2976arXiv cs.RO 

Coordination multi-robots pour missions planétaires basée sur un système flou génétique

Une équipe de recherche propose, dans un preprint publié sur arXiv (référence 2608.12755), une architecture décentralisée pour coordonner plusieurs robots dans le cadre de missions planétaires. Le système, basé sur des contrôleurs à logique floue optimisés par algorithme génétique, vise à faire transporter un objet en collaboration par une flotte de robots tout en minimisant la longueur totale du trajet parcouru, dans un environnement non structuré et semé d'obstacles. La méthode part d'une carte d'élévation du terrain, analysée selon la pente pour identifier les zones non franchissables, qui sont ensuite converties en une carte de praticabilité en deux dimensions afin de réduire la complexité du problème. Durant l'entraînement, plusieurs systèmes d'inférence floue (FIS) génèrent les commandes de vitesse des robots et sont optimisés par algorithme génétique sur des scénarios ciblés : minima locaux, cible proche d'un obstacle, environnement encombré. Les modèles entraînés sont ensuite testés sur la carte de praticabilité convertie et validés sur plusieurs scénarios. L'intérêt de ces travaux tient à l'approche décentralisée : chaque robot prend ses décisions localement via sa propre logique floue, sans dépendre d'un contrôleur central ni d'une communication permanente, ce qui limite la vulnérabilité aux pannes et aux délais de transmission, deux contraintes critiques pour des missions lunaires ou martiennes où la latence des communications avec la Terre peut atteindre plusieurs minutes. Pour les concepteurs de systèmes robotiques destinés à l'exploration planétaire, cette architecture illustre une alternative légère en calcul aux approches par apprentissage par renforcement profond, avec un comportement plus interprétable puisque fondé sur des règles floues explicites plutôt que sur des réseaux de neurones opaques. Ce travail s'inscrit dans le champ plus large de la coordination multi-robots pour l'exploration spatiale, où la navigation en terrain accidenté et la coopération sans infrastructure centralisée restent des verrous ouverts. Il s'agit à ce stade d'une contribution académique validée uniquement en simulation sur des cartes de terrain synthétiques, sans démonstration sur robots physiques ni annonce de partenariat avec une agence spatiale ou un industriel.

Recherche❖Paper

1 source

30

2977arXiv cs.RO 

Excitation supervisée en boucle fermée pour l'auto-étalonnage et la recherche de cible d'un relais distance-azimut à pose inconnue

Une équipe de recherche présente, dans un article publié sur arXiv en août 2026 (arXiv:2608.12528), un algorithme de supervision en boucle fermée pour l'auto-calibration et la recherche de cible via un relais de portée-azimut de position et de cap inconnus. Un indicateur, la marge d'étalement de trajectoire S_v, sert de borne de précision et de budget d'excitation pour décider en temps réel si la calibration est fiable, et déclenche au besoin des manœuvres d'exploration supplémentaires sans interrompre la poursuite de la cible. Sur 100 essais Monte-Carlo appariés et un banc d'essai ROS 2/Gazebo avec délai de mesure, la version supervisée limite l'erreur de lacet entre 0,0095 et 0,0191 radian avec 100% de réussite, contre 0,065 radian d'erreur et 56% de réussite pour un calendrier d'exploration fixe non supervisé. Le problème touche toute flotte de robots, drones ou véhicules sous-marins localisant une cible via un capteur déporté de pose inconnue, un cas courant en navigation sans GPS et en localisation coopérative multi-robots. Les résultats montrent qu'un calendrier d'exploration fixe s'effondre dès que sa décroissance devance le temps réel nécessaire à une excitation suffisante, alors que l'erreur de suivi de cible reste peu affectée, un écart qui peut passer inaperçu lors d'une simple démonstration. Pour des intégrateurs de navigation relative, l'intérêt tient à une preuve de convergence en temps fini et à un seuil dérivé d'un niveau de précision visé plutôt que réglé empiriquement. Le travail prolonge un article antérieur des mêmes auteurs (arXiv:2608.09464), qui avait établi les conditions mathématiques d'identifiabilité d'un tel relais sans proposer de mécanisme de décision embarqué. Il s'inscrit dans le champ de la navigation range-only et de la localisation coopérative pour robots et drones évoluant sans référence GPS, où plusieurs équipes académiques travaillent sur l'excitation persistante des filtres d'estimation. Aucun partenariat industriel n'est mentionné : les résultats reposent sur simulation et sur un banc d'essai logiciel, étape qui précède généralement une validation sur matériel réel avant toute adoption par des intégrateurs.

Recherche❖Paper

1 source

41

2978Robotics Business Review 

Mobile manipulators et humanoïdes : l'avenir de la robotique

Depuis un an, les startups de robotique humanoïde et logicielle se multiplient chaque semaine, captant l'attention médiatique et des milliards de dollars d'investissement. The Robot Report a publié un rapport gratuit intitulé « Mobile manipulators and humanoids: The future of robotics », accompagné d'une liste de plus de 200 fournisseurs de robots humanoïdes vérifiés dans le monde, avec leur localisation, le type de système développé et leur statut, en développement ou déjà commercialisé. Le document reprend une session keynote du Robotics Summit & Expo 2026 consacrée aux choix techniques nécessaires pour faire mûrir ces systèmes, en s'appuyant sur les leçons tirées de la montée en échelle de l'industrie automobile. Il inclut un entretien avec Jan Zizka, PDG de Brightpick, fournisseur slovaque de manipulateurs mobiles, sur la combinaison d'un robot mobile autonome (AMR) et d'un bras manipulateur, ainsi que des contributions de Lattice Semiconductor sur la fiabilité et la sécurité des humanoïdes dotés d'IA, de Palm Garden AI sur sa technologie Coherence Guard appliquée à l'hôtellerie et au soin, et d'Unidata sur la collecte de données égocentriques pour l'entraînement des compétences. Le rapport pointe un décalage entre l'engouement médiatique et financier pour les humanoïdes et la réalité opérationnelle du secteur : la plupart des humanoïdes en restent au stade des essais commerciaux, tandis que des manipulateurs mobiles semi-humanoïdes ou non humanoïdes équipent déjà des usines et des entrepôts. Pour les intégrateurs et décideurs B2B, cette distinction oriente les arbitrages entre systèmes bimanuels généralistes encore immatures et solutions spécialisées déployables dès aujourd'hui, un débat directement abordé par Brightpick dans le rapport. Ce dernier identifie aussi les verrous techniques qui subsistent : gestion de l'énergie embarquée, perception à 360 degrés à coût maîtrisé, et collecte/traitement des données pour entraîner les modèles d'IA et les modèles du monde, signe que le passage à l'échelle des architectures vision-langage-action n'est pas encore acquis, malgré les démonstrations mises en avant par les fabricants. Ce travail s'inscrit dans le suivi régulier du secteur mené par The Robot Report, qui documente depuis plusieurs années l'évolution des fournisseurs de robotique mobile et humanoïde à l'échelle mondiale. Le positionnement concurrentiel qu'il dresse oppose des acteurs déjà commercialisés comme Brightpick à une constellation bien plus large de plus de 200 entreprises travaillant sur des plateformes humanoïdes à des stades variés, de la recherche à la vente. Les contributions de Lattice Semiconductor, Palm Garden AI et Unidata illustrent la structuration progressive d'un écosystème de fournisseurs spécialisés, sur le matériel embarqué, l'interaction humain-machine et la collecte de données, autour des grands fabricants de robots. Disponible en téléchargement gratuit via un formulaire, le rapport ne fixe pas de calendrier précis de déploiement mais vise à donner aux intégrateurs et ingénieurs robotique un état des lieux factuel des capacités actuelles en matière de locomotion, de dextérité manuelle et d'entraînement flexible des compétences.

Humanoïdes❖Paper

1 source

43

2979Interesting Engineering 

Le robot humanoïde de Samsung se développe discrètement avec des coûts d'actionneurs réduits, selon des rapports

Samsung Electronics développerait depuis plusieurs années un robot humanoïde en interne, tenu confidentiel et distinct de sa division Robotics eXperience (RX, lancée en juillet 2026) et de sa filiale Rainbow Robotics, selon des médias coréens. Le projet aurait atteint un stade avancé et surpasserait déjà plusieurs concurrents sud-coréens. Samsung adapterait la technologie de ses moteurs à courant continu sans balais (BLDC), produits en masse pour ses lave-linge, climatiseurs et réfrigérateurs, pour fabriquer les actionneurs du robot, poste qui peut représenter jusqu'à 60% du coût de production d'un humanoïde. Ces moteurs domestiques partagent avec les actionneurs robotiques bobinages, aimants permanents, équilibrage du rotor et contrôle électronique. Côté logiciel, Samsung Research a développé Shallow-π, un modèle vision-langage-action (VLA) qui réduirait les besoins de calcul au tiers des VLA classiques et permettrait 17 décisions par seconde ; en test d'usine, il a atteint 95% de réussite sur une tâche d'insertion précise de tuyau d'eau, coordonnant 22 degrés de liberté sur les deux bras et les mains. Ce modèle s'appuie sur le LLM maison Gauss, et un Robot Data Factory est prévu sur le campus de Gumi. Si ces informations se confirment, elles marqueraient un basculement dans la course aux humanoïdes : plutôt que de bâtir une chaîne de production dédiée comme Figure AI ou Agility Robotics, Samsung s'appuierait sur une base industrielle déjà amortie, la fabrication de moteurs BLDC à très grande échelle, pour comprimer le poste de coût le plus lourd du secteur. Pour les intégrateurs et décideurs industriels, cela suggère qu'un géant de l'électronique grand public doté d'une chaîne d'approvisionnement verticale pourrait entrer sur le marché avec une structure de coûts difficile à égaler pour des startups pures. Les chiffres avancés pour Shallow-π, calcul réduit au tiers, 17 décisions par seconde, 95% de réussite, vont dans le sens des progrès revendiqués par des concurrents comme Pi-0 de Physical Intelligence ou GR00T N2 de Nvidia sur l'efficacité des VLA à l'échelle industrielle. Ces performances restent toutefois issues de communications relayées par la presse coréenne, non de données publiées par Samsung : le taux de 95% porte sur une tâche isolée en test d'usine, pas sur un déploiement en production. Ce projet s'inscrit dans une stratégie robotique construite par étapes : Samsung est devenu actionnaire majoritaire de Rainbow Robotics avec une participation de 35%, et le robot à roues bi-bras RB-Y1 de cette filiale est actuellement testé dans des opérations logistiques. L'humanoïde interne resterait un projet distinct, décrit comme plus avancé que le RB-Y1. La division RX, lancée en juillet 2026, chapeaute désormais l'ensemble de la stratégie robotique du groupe, du développement technologique à l'exécution commerciale et aux pôles de recherche internationaux. Sur le marché des humanoïdes, Samsung se positionnerait ainsi face à des acteurs déjà engagés dans des déploiements annoncés, comme Figure AI avec Figure 03 ou Tesla avec Optimus Gen 3, en misant sur son avantage manufacturier hérité de l'électroménager. Aucune date de lancement commercial ni de pilote industriel n'a été communiquée pour ce robot maison.

Humanoïdes❧Opinion

1 source

43

2980Interesting Engineering 

BYD dévoile Xiao Di, un robot humanoïde de 1,58 m présenté en showroom en Chine

Xiao Di, le robot humanoïde du constructeur chinois de véhicules électriques BYD, fait son entrée dans les showrooms du groupe en Chine, en commençant par Zhengzhou avant Shenzhen et Shanghai, au sein des centres d'expérience Di Space. Selon des informations rapportées par Sina et relayées par Startup Fortune, Xiao Di mesure 1,61 mètre pour 58 kilogrammes et dispose de 31 degrés de liberté, dont sept par main. Le robot est conçu pour des tâches d'accueil client : saluer les visiteurs, présenter les modèles de véhicules et répondre aux questions. Il reconnaît six dialectes chinois et six langues étrangères, et embarque des fonctions de reconnaissance faciale, de reconnaissance gestuelle et de lecture labiale. BYD prévoit de déployer deux à trois unités par magasin, avec un déploiement à grande échelle envisagé sous un à deux ans. Le concurrent chinois Xpeng suit une trajectoire similaire avec son robot Iron, visant plus de 1 000 unités produites par mois d'ici fin 2026 et un déploiement comme assistant de vente dans les showrooms chinois au premier trimestre 2027, avant une extension internationale. Ce déploiement, circonscrit au retail et non à l'industriel ou au domestique, illustre une stratégie où le réseau de concessions existant sert de terrain de test grandeur nature pour la robotique humanoïde, plutôt qu'un déploiement usine classique. Pour les acteurs du secteur, ce choix confirme que le B2C en showroom devient un cas d'usage privilégié pour prouver la viabilité commerciale des humanoïdes avant l'industriel, où les exigences de fiabilité et de sécurité sont plus strictes. Le timing n'est pas neutre : l'annonce intervient quelques jours après que la Federal Communications Commission américaine a ajouté les robots avancés fabriqués à l'étranger, humanoïdes et quadrupèdes inclus, à sa liste des équipements couverts le 28 juillet, bloquant l'importation de nouveaux modèles nécessitant une autorisation FCC pour des raisons de sécurité nationale liées aux capteurs et caméras connectés. Pékin a dénoncé une politisation du commerce technologique. Ce contraste souligne une divergence stratégique croissante entre la Chine, qui accélère le déploiement commercial de ses humanoïdes sur son propre marché, et les États-Unis, qui restreignent l'accès à leur marché aux modèles étrangers. Le lancement de Xiao Di s'inscrit aussi dans un contexte de difficultés commerciales pour BYD, qui enregistre un quatrième mois consécutif de baisse de ses ventes automobiles domestiques. Reuters rapportait des ventes mondiales en hausse de 5,5% en juin en glissement annuel, à 403 472 véhicules, mais un recul de 22% sur le marché intérieur ; sur le premier semestre, les ventes de véhicules à énergies nouvelles ont chuté de 15,72% par rapport à l'année précédente, partiellement compensées par une hausse de 70,65% des ventes à l'international. Le groupe a par ailleurs récemment communiqué sur les avancées de sa plateforme de conduite intelligente God's Eye, combinant IA, caméras, radars et capteurs pour réduire les erreurs de conduite humaine. Xiao Di apparaît ainsi comme un double pari pour BYD : une expérimentation robotique et une tentative de redonner du dynamisme à son vaste réseau de concessions, dans un marché domestique qui se contracte.

Chine/Asie❧Opinion

1 source

34

2981Robotics Business Review 

ARM Institute appelle à des projets technologiques de fabrication pour la défense

L'ARM Institute, institut de robotique manufacturière basé à Pittsburgh, a lancé le 12 août 2026 son appel à projets 27-01 pour identifier des technologies destinées à la production de défense américaine, couvrant le travail des métaux, les drones, les munitions et la construction navale. Les propositions doivent se situer entre les niveaux de maturité technologique (TRL) 4 et 7, démontrer un usage dual civil-militaire et présenter un plan de transition validé vers la base industrielle commerciale ou organique du Department of War (DoW), le ministère américain issu de la refonte du Pentagone. Sept axes sont ciblés : moulages et forgeages à forte diversité et faible volume, sous-marins et navires de surface prioritaires, drones et avions de combat collaboratifs (CCA), munitions et armes hypersoniques, expansion rapide de la production, conception agile de systèmes évolutifs, et autres besoins prioritaires du DoW. Les concept papers sont attendus avant le 16 septembre 2026 via la ARM Member Community, un webinaire d'information étant prévu le 19 août ; les présentations se tiendront vers le 9 décembre, les sélections finales seront annoncées le 11 décembre, pour un lancement des projets retenus avant le 1er février 2027 et une fin de période de performance au 31 janvier 2028. Cet appel illustre la volonté du DoW d'accélérer la modernisation de sa base industrielle de défense en s'appuyant sur la robotique et l'IA plutôt que sur des programmes d'armement classiques à cycle long. En privilégiant les technologies à double usage, l'ARM Institute cherche à réduire les coûts d'acquisition et à faciliter la transition vers des chaînes d'approvisionnement civiles existantes, ce qui ouvre une porte d'entrée commerciale à des intégrateurs et startups robotiques qui n'auraient normalement pas accès aux programmes de défense classiques. L'exigence de parties prenantes gouvernementales dans les équipes projet et de démonstrations en environnement représentatif de production, plutôt qu'en laboratoire, traduit une volonté de combler l'écart persistant entre démonstration technologique et déploiement industriel réel. Pour les décideurs B2B du secteur, ce financement public devient un levier pour des briques technologiques comme la replanification de trajectoire en temps réel, l'autonomie supervisée multi-robot ou la robotique mobile, qui trouvent aussi des débouchés civils. L'ARM Institute fait partie du réseau Manufacturing USA et fédère plus de 500 membres issus de l'industrie, du monde académique et du gouvernement autour de la robotique et de l'IA appliquées à la fabrication ; il est financé par le bureau du secrétaire à la Guerre dans le cadre de l'accord W911NF-17-3-0004. Ce nouvel appel s'inscrit dans une série d'initiatives similaires que l'institut mène régulièrement pour orienter des financements vers des technologies bloquées par un manque de moyens ou des obstacles techniques. Aucun acteur français ou européen n'apparaît dans cet appel, strictement réservé à la base industrielle américaine et à ses fournisseurs. Les prochaines échéances concrètes sont le webinaire du 19 août, la date limite de soumission des concept papers le 16 septembre, puis un calendrier de sélection s'étalant jusqu'à la mi-décembre 2026.

Industriel⚡Actu

1 source

38

2982Robotics Business Review 

Experts examinent l'état des robots humanoïdes lors de RoboBusiness

RoboBusiness se tiendra les 20 et 21 octobre à Santa Clara, en Californie, avec au programme un panel intitulé "State of Humanoids" consacré à l'état réel du déploiement des robots humanoïdes. Modéré par Mike Oitzman, rédacteur en chef de The Robot Report, ce panel réunira quatre intervenants : Pras Velagapudi, directeur technique d'Agility Robotics, concepteur du robot bipède Digit ; Parker Conroy, responsable de la gestion produit chez Apptronik, créateur du robot Apollo ; Michael Patrick Perry, responsable de la stratégie commerciale chez Persona AI ; et Aadeel Akhtar, PDG de PSYONIC, spécialiste des mains bioniques. Les discussions porteront sur les capacités réellement livrées aujourd'hui par les humanoïdes, les obstacles techniques et opérationnels restants, la sécurité, les normes, l'économie du secteur, ainsi que les jalons à franchir avant une adoption large dans la fabrication, l'entreposage et la logistique. Cet événement se positionne explicitement comme un contrepoint aux vidéos virales et aux annonces d'investissements massifs qui dominent la couverture médiatique des humanoïdes : l'objectif affiché est de confronter le discours marketing à la réalité du terrain, via des retours d'expérience issus de premiers déploiements industriels. Pour les intégrateurs et décideurs B2B, l'intérêt tient moins à une annonce technique, aucun nouveau produit n'est présenté ici, qu'à la composition des intervenants : des acteurs de la logistique robotisée à grande échelle, de l'industrie lourde et de la prothétique, plus que des seuls fabricants de plateformes humanoïdes. Le choix des thèmes, sécurité, standards, viabilité économique, reflète une préoccupation sectorielle croissante : la maturité des humanoïdes ne se mesurera pas à leurs démonstrations mais à leur capacité à tenir des cycles de production réels, avec des exigences de fiabilité et de conformité comparables à celles des robots mobiles autonomes déjà industrialisés. Les profils des intervenants illustrent la diversité des trajectoires qui convergent aujourd'hui vers l'humanoïde. Pras Velagapudi, diplômé de Carnegie Mellon (licence, master et doctorat), a dirigé le déploiement de flottes de plusieurs centaines de robots en logistique chez Berkshire Grey avant de rejoindre Agility Robotics. Parker Conroy cumule plus de dix ans d'expérience dans le déploiement de milliers de robots mobiles autonomes, bras robotiques et drones chez Apptronik. Michael Patrick Perry, passé par Dexterity, Boston Dynamics et DJI, pilote chez Persona AI l'adoption des humanoïdes dans des environnements industriels lourds comme la construction navale, la sidérurgie et les opérations offshore, des marchés de niche à forte valeur ajoutée, loin de l'entrepôt générique. Aadeel Akhtar, titulaire d'un doctorat en neurosciences et d'un master en génie électrique de l'université de l'Illinois à Urbana-Champaign obtenu en 2016, dirige PSYONIC, spécialisée dans les membres bioniques accessibles destinés aussi bien aux humains qu'aux robots. Aucune date de lancement produit ou de nouveau déploiement n'a été communiquée à ce stade, le panel s'inscrivant dans le cadre plus large du salon RoboBusiness.

Humanoïdes⚡Actu

1 source

40

2983Robotics Business Review 

BioflexBot : une main robotique conçue pour reproduire les mouvements clés de la main humaine

Une équipe de chercheurs chinois a présenté BioflexBot, une nouvelle main robotique conçue pour reproduire les mouvements fondamentaux de la main humaine, dans une étude publiée par Wiley dans la revue Advanced Science. Contrairement aux préhenseurs anthropomorphes classiques qui copient l'anatomie complexe de la main, BioflexBot repose sur un ressort spiralé, une coque de contrainte et un système pneumatique simple piloté par seulement deux entrées d'air comprimé. Les auteurs principaux, Yingtian Li (Chinese University of Hong Kong, Shenzhen) et Yang Yang (Nanjing University of Information Science and Technology), ont validé quatre mouvements clés: le pincement, avec la manipulation d'une aiguille d'acupuncture et le transport de liquide via une pipette; la rotation, avec un bouchon de bouteille tourné près de quatre fois plus loin qu'une main humaine; l'accrochage d'objets comme une boîte à outils ou des lunettes; et la préhension d'objets jusqu'à treize fois plus volumineux que des systèmes comparables. La main peut aussi s'étendre et se rétracter 3,5 fois plus qu'une main humaine, selon les chercheurs. Trois démonstrations d'application ont été menées: l'inspection d'un mockup imprimé en 3D d'un ensemble d'aubes de moteur d'avion, l'intégration à un robot humanoïde pour des tâches quotidiennes, et la conduite d'une expérience de chimie. Ce travail s'inscrit dans un débat central de la robotique humanoïde: faut-il répliquer la forme de la main humaine ou seulement ses fonctions. Les mains anthropomorphes multi-doigts, coûteuses en matériel et en contrôle, restent un goulot d'étranglement pour l'industrie, y compris pour des plateformes commerciales comme Optimus ou Figure. En misant sur la simplicité mécanique plutôt que sur la complexité biomimétique, BioflexBot promet une dextérité élevée à coût réduit, un argument qui parle directement aux intégrateurs industriels et aux décideurs cherchant à déployer de la manipulation robotique en inspection aéronautique, en laboratoire ou en logistique fine. Il faut toutefois noter qu'il s'agit d'un prototype de recherche académique validé en conditions contrôlées, pas d'un produit commercialisé ni déployé en usine, et que les chiffres de performance (rotation, extension, taille d'objets saisis) proviennent des propres essais des auteurs, sans comparaison indépendante standardisée. BioflexBot s'ajoute à une vague de recherches sur des effecteurs terminaux alternatifs, alors que les grands acteurs du secteur humanoïde investissent massivement dans des mains à plusieurs doigts pilotées par des modèles vision-langage-action comme GR00T N2 ou Helix. Les laboratoires chinois, ici la Chinese University of Hong Kong à Shenzhen et l'université de Nanjing, positionnent leur approche comme une alternative à bas coût plutôt qu'une concurrente directe de ces systèmes complexes. Les chercheurs indiquent vouloir transformer leur prototype en une plateforme entièrement automatisée dans de futurs travaux, sans calendrier ni partenaire industriel annoncé à ce stade.

Recherche❖Paper

1 source

39

2984Interesting Engineering 

La Chine dévoile BioflexBot, un bras robotique 3,5 fois plus extensible qu'une main humaine pour les espaces confinés

Des chercheurs chinois ont présenté BioflexBot, une main robotique capable d'enfiler une aiguille d'acupuncture, de manipuler une pipette de laboratoire et de dévisser un bouchon de bouteille en tournant près de quatre fois plus loin qu'une main humaine, sans reproduire l'anatomie complexe de la main biologique. Développé par une équipe dirigée par Yingtian Li, aujourd'hui à la Chinese University of Hong Kong à Shenzhen, le prototype repose sur un ressort en spirale enfermé dans une coque de contrainte et actionné par de l'air comprimé, avec seulement deux entrées pneumatiques pour produire pincement, rotation, crochetage et préhension. Lors des essais, la main a manipulé une aiguille d'acupuncture, transféré du liquide à la pipette, ouvert un bouchon de bouteille avec une amplitude de rotation quasi quadruplée par rapport à une main humaine, et saisi des objets jusqu'à 13 fois plus grands que ceux gérés par des systèmes robotiques comparables. Sa course d'extension et de contraction atteint 3,5 fois celle d'une main humaine. Trois démonstrations ont validé son usage pratique : inspection de pales d'aéroréacteur, intégration sur une plateforme humanoïde pour des tâches du quotidien, et manipulation d'équipements délicats lors d'une expérience de chimie. L'étude a été publiée dans la revue Advanced Science. Cette approche, qui recrée les mouvements essentiels de la main plutôt que sa forme, tranche avec la tendance dominante en robotique dextre consistant à répliquer doigts, articulations, tendons et muscles biologiques, une complexité mécanique qui alourdit les coûts et complique le contrôle. En réduisant l'actionnement à deux entrées pneumatiques, BioflexBot promet une intégration plus simple et moins coûteuse sur des plateformes existantes, un argument qui parle directement aux intégrateurs et décideurs industriels cherchant à équiper des robots humanoïdes ou des bras manipulateurs sans multiplier moteurs et boucles de contrôle. Sa capacité à saisir des objets de tailles très variées et à opérer dans des espaces confinés grâce à son allongement accru ouvre des cas d'usage concrets en maintenance aéronautique, en laboratoire et en environnements dangereux, là où les pinces industrielles classiques échouent. Le dispositif reste toutefois un prototype de laboratoire : les démonstrations, bien que variées, restent contrôlées, et l'écart avec un déploiement industriel autonome n'est pas comblé. Le projet illustre une piste alternative face à des décennies de recherche en préhension robotique centrées sur l'imitation biomécanique de la main humaine, une voie jugée coûteuse et difficile à faire passer à l'échelle. En misant sur ce que les auteurs appellent l'intelligence structurelle et physique du matériau lui-même plutôt que sur la multiplication des actionneurs, l'équipe s'inscrit dans un mouvement plus large vers des organes de préhension simplifiés, low-cost, pensés pour équiper la vague de robots humanoïdes en développement en Chine. La prochaine étape annoncée par les chercheurs consiste à transformer ce mécanisme passif en une plateforme entièrement automatisée, capable de percevoir son environnement, de sélectionner elle-même les mouvements adaptés et d'exécuter des tâches complexes sans supervision humaine continue, une condition nécessaire avant tout déploiement réel hors du laboratoire.

Recherche❖Paper

1 source

41

2985Robot Magazine FR 

Robots : +34 % dans le nettoyage, +91 % dans le médical

Près de 200 000 robots de service professionnels ont été vendus dans le monde en 2024, selon le rapport World Robotics 2025 consacré aux robots de service, publié fin 2025 par l'International Federation of Robotics (IFR), soit une hausse de 9 % sur un an. Derrière cette moyenne, les écarts sont marqués : les robots de nettoyage professionnel progressent de 34 %, avec plus de 25 000 unités écoulées, tirés par le nettoyage de sols dans les centres commerciaux, aéroports, hôpitaux, entrepôts, usines et gares. La robotique médicale affiche la plus forte progression du secteur, avec environ 16 700 unités vendues, soit +91 % en un an. La logistique reste le plus gros contributeur en volume, avec plus de 100 000 robots vendus, tandis que les robots destinés à l'hôtellerie reculent. Ces chiffres constituent la dernière photographie consolidée du marché disponible en 2026. Pour les intégrateurs et décideurs industriels, cette photographie confirme que la robotique de service quitte le stade de la démonstration pour s'installer dans des applications au retour sur investissement mesurable. Le nettoyage professionnel illustre ce basculement : tâches répétitives, parcours structurés, fonctionnement possible en dehors des heures d'activité et intervention humaine limitée, autant de critères qui rendent le calcul économique simple à établir pour un COO. La progression de la robotique médicale traduit, elle, une maturation plus large de l'automatisation en environnement hospitalier, un secteur longtemps freiné par les contraintes réglementaires et de sécurité. Ensemble, ces courbes contredisent l'idée que la robotique avancerait avant tout via les plateformes généralistes ou humanoïdes les plus médiatisées : ce sont ici des machines à tâche unique, dans des environnements contraints, qui portent la croissance réelle et rentable du marché. Cette édition doit néanmoins être lue avec la précaution méthodologique que l'IFR indique elle-même. L'organisation dit avoir identifié 944 fabricants de robots de service dans le monde, mais ses statistiques 2025 reposent sur un échantillon de 293 producteurs seulement, dont la composition varie d'une année à l'autre ; contrairement au recensement quasi exhaustif dont bénéficie la robotique industrielle, les 199 000 unités constituent donc un indicateur de tendance plutôt qu'un décompte complet du marché mondial. Cette limite n'enlève rien au signal envoyé par le nettoyage et la santé, deux segments où l'adoption semble désormais autoportée par l'économie d'usage plutôt que par des subventions ou des pilotes expérimentaux isolés. La prochaine édition du World Robotics, attendue fin 2026, portera sur les volumes 2025 et permettra de vérifier si cette accélération se confirme, en particulier pour la robotique médicale, dont la base installée reste encore modeste comparée à celle de la logistique.

Business❧Opinion

1 source

48

2986arXiv cs.RO 

G0.5 : un flux autorégressif unique pour le raisonnement et l'action des robots

G0.5, publie en aout 2026 sur arXiv (2608.11739), est un modèle Vision-Language-Action (VLA) dont un décodeur transformeur unique génère raisonnement et tokens d'action sous un seul objectif, au lieu de séparer un VLM pré-entraine et un expert d'action entraine a part par flow-matching. Trois briques le rendent tenable a l'échelle d'un modèle de fondation : un tokenizeur d'action apprenable traduisant des actions robotiques hétérogènes dans un vocabulaire commun entre robots, un flux de chaine de pensée natif mêlant décomposition de taches, ancrage des objets et indices d'action, et un module de mémoire visuelle injectant plusieurs secondes d'historique. Pre-entraine sur des jeux de données robotiques et des exemples VQA, G0.5 devance les références sur sept protocoles : 76,7% de réussite en fine-tuning réel sur les robots R1lite et R1pro contre 53,3% pour Pi-0.5 et 24,4% pour GR00T-N1.7, 31,4% au BEHAVIOR Challenge 2025 contre 26,3% et 26,1% pour le vainqueur du concours, 82,5% en transfert zero-shot après post-entrainement sur DROID, ainsi que 98,9% sur LIBERO, 93,3% sur RoboTwin 2.0 et 87,3% sur SimplerEnv-Bridge. Cette fusion compte parce que l'approche dominante du secteur, illustrée par Pi-0.5 (Physical Intelligence) ou GR00T-N1.7 (NVIDIA), traite le VLM comme un simple encodeur de contexte pendant qu'un module sépare décide de l'action. En partageant les mêmes poids entre raisonnement et action, G0.5 suit les instructions plus finement et laisse un prompt piloter la granularité des gestes, l'horizon de tache ou la gestion de scènes hors distribution, sans reentrainement. L'écart de performance en conditions réelles, près du double de Pi-0.5, et la victoire généraliste au BEHAVIOR Challenge face a des politiques spécialisées, appuient empiriquement l'idée qu'un flux autoregressif unique peut tenir a l'échelle. Le travail s'inscrit dans la lignée des VLA ouverte par RT-2 et OpenVLA, prolongée par la famille Pi de Physical Intelligence, GR00T de NVIDIA ou Helix de Figure, qui ont impose le schéma VLM-encodeur plus expert d'action sépare comme standard de facto. G0.5 s'en écarté en misant sur un flux autoregressif unique, un pari qui reste a confirmer au-delà des benchmarks cites. Il s'agit d'une publication de recherche, sans produit commercialise ni déploiement industriel annonces.

IA physique❧Opinion

1 source

44

2987arXiv cs.RO 

StellaVLA : démonstration structurée en contexte pour des modèles vision-langage-action généralisables

StellaVLA est un framework pour les modèles Vision-Language-Action (VLA) qui s'adapte a des situations inédites a partir d'une seule démonstration récupérée au moment de l'inférence, sans finetuning. Une pipeline automatisée convertit chaque trajectoire brute en démonstration structurée (plan de tache, sous-objectifs, mouvement 3D verbalise) sans annotation humaine, puis un entrainement dual conjoint action-langage internalise ce raisonnement, l'inférence n'utilisant que l'expert d'action pour un contrôle temps réel sans latence ajoutée. Sur le classement VLA-Arena du 1er aout 2026, StellaVLA arrive premier avec un score de 0,63, contre 0,44 pour pi-0.5 et 0,22 pour LingBot-VLA. Il atteint aussi 98,8% de réussite sur LIBERO et 85,1% sur LIBERO-Plus, et des tests sur robot réel confirment l'usage de démonstrations humain/robot et humain-vers-robot captées en réalité étendue (XR). Le résultat cible un point faible connu des VLA : leurs performances s'effondrent des que la scene, le point de vue ou l'objet différent de l'entrainement, ce qui obligeait jusque-la a recollecter des données et refinetuner pour chaque cas. En rendant la démonstration transférable entre robot réel, main humaine et capture XR, StellaVLA laisse entrevoir une adaptation par simple exemple contextuel plutôt qu'un cycle complet de collecte-entrainement, ce qui intéressé les intégrateurs cherchant a réduire le cout de reconfiguration en usine ou en entrepôt. L'écart revendique face a pi-0.5 (Physical Intelligence) et LingBot-VLA sur un classement tiers reste toutefois, a ce stade, un résultat de preprint sur benchmarks simules et un échantillon limite de robot réel, non un déploiement industriel vérifie indépendamment. Le travail s'inscrit dans la vague des VLA généralistes lancée ces deux dernières années par les modèles pi de Physical Intelligence et par des systèmes comme GR00T N2 de NVIDIA ou Helix de Figure AI, tous confrontes au même écart entre démonstration et usage réel. En choisissant de se comparer directement a pi-0.5 et LingBot-VLA sur VLA-Arena, les auteurs positionnent StellaVLA comme concurrent de ces approches récentes plutôt que comme variante académique isolée. Publie en aout 2026 sur arXiv, l'article ne mentionne ni partenariat industriel ni calendrier de déploiement : il s'agit pour l'instant d'une contribution de recherche destinée a être reproduite avant toute intégration commerciale.

IA physique⚡Actu

1 source

43

2988arXiv cs.RO 

World Tokens : renforcer les politiques incarnées grâce à la modélisation du monde à l'entraînement

Des chercheurs présentent World Tokens, une architecture de politique incarnée publiée sur arXiv le 13 août 2026 (arXiv:2608.09730), qui greffe aux modèles vision-langage-action (VLA) un module appelé World Adapter. Celui-ci convertit les caractéristiques d'un modèle vision-langage en « world tokens » qui, pendant l'entraînement, conditionnent un débruiteur vidéo prédisant l'évolution de la scène tout en servant de seul contexte visuel à l'expert d'action. Au déploiement, cette branche vidéo est retirée : seuls le VLM, le World Adapter et l'expert d'action restent actifs, sans inférence vidéo en ligne. Avec un backbone de 2 milliards de paramètres et sans pré-entraînement d'action incarnée, le système se hisse au niveau des meilleures méthodes sur LIBERO, établit les meilleures moyennes rapportées sur SIMPLER, et améliore nettement le taux de réussite réel du robot R1 Pro face à une base « action seule » équivalente, à une latence comparable à celle d'un VLA standard. Ce résultat s'attaque à un compromis central du secteur : les VLA classiques comme Pi-0, GR00T N2 ou Helix ignorent la dynamique physique explicite, tandis que les world-action models plus récents la capturent via des modèles vidéo préentraînés coûteux à exécuter dans la boucle de contrôle. En déplaçant cette modélisation du temps d'inférence vers le temps d'entraînement, World Tokens promet aux intégrateurs une compréhension plus fine du monde physique sans alourdir le temps de cycle ni le coût matériel au déploiement. C'est une piste concrète pour réduire l'écart souvent observé entre démonstrations impressionnantes et robustesse en conditions réelles, sans sacrifier la latence nécessaire à un déploiement de flotte à grande échelle. Cette architecture s'inscrit dans la lignée des modèles VLA qui dominent le contrôle des robots manipulateurs et humanoïdes, et dans la vague plus récente des world-action models cherchant à leur ajouter une compréhension causale de la physique. Le papier, publié en cross-listing sur arXiv, reste une contribution de recherche testée sur les bancs d'essai standards LIBERO et SIMPLER ainsi que sur le robot réel R1 Pro, sans laboratoire ni entreprise explicitement rattachés dans le résumé. Les prochaines étapes attendues portent sur des backbones plus larges et davantage de plateformes robotiques réelles avant toute adoption industrielle.

IA physique⚡Actu

1 source

42

2989arXiv cs.RO 

RoboHarness : robustesse des modèles vision-langage-action via une adaptation en contexte augmentée par mémoire

Des chercheurs présentent RoboHarness, un dispositif logiciel qui se greffe sur des modèles vision-langage-action (VLA) déjà entraines pour améliorer leur robustesse face au bruit perceptif et aux variations d'environnement, sans reentrainer les poids du réseau. L'architecture combine trois briques opérant en ligne, une récupération contrastive a double mémoire (RAG), un orchestrateur vision-langage pilote par un grand modèle de langage multimodal capable d'attribuer causalement les échecs d'exécution, et des interventions extensibles via le Model Context Protocol (MCP), auxquelles s'ajoute un module hors ligne de consolidation mémoire qui distille les traces d'exécution en connaissances a priori réutilisables. Les auteurs ont teste ce système sur trois modèles VLA de base, Pi-0, Pi-0.5 et SmolVLA, sur les benchmarks LIBERO-PRO et sur LIBERO-RoboHarness, un nouveau benchmark qu'ils ont eux-mêmes conçu. Resultat annonce: un gain moyen de taux de réussite absolu de 56,6%, avec une amélioration de 89,1% sur les taches longues enchaînées (long-horizon task chaining). Le code source et la page projet sont publies sur GitHub, sous le compte LZY-1021. Le papier, publie sur arXiv, en est a sa troisième version révisée. Cette approche cible une faiblesse connue des modèles VLA généralistes: leur fragilité des qu'ils sortent de la distribution de données d'entrainement, un écart souvent masque dans les démonstrations mais critique pour un déploiement industriel réel. En proposant une couche additive et sans fine-tuning, applicable a plusieurs backbones existants, RoboHarness s'inscrit dans une tendance émergente consistant a traiter la robustesse comme un problème d'orchestration et de mémoire en contexte plutôt que de seul entrainement. Pour les intégrateurs, cela laisse entrevoir la possibilité de renforcer des politiques VLA déjà déployées sans refaire les couteux cycles de collecte de données et de reentrainement, un argument potentiellement déterminant pour l'adoption en environnement industriel variable. Les modèles VLA généralistes, tels Pi-0 développe par Physical Intelligence, occupent une place croissante dans la robotique manipulatrice, aux cotes d'autres approches généralistes du secteur. RoboHarness ne constitue pas un nouveau modèle mais un harnais complémentaire, positionne comme correctif a la faiblesse structurelle de mémoire et d'attribution causale des VLA figes. Les benchmarks utilises restant majoritairement simules (suite LIBERO), la validation sur robot physique et en conditions industrielles reste l'étape a surveiller pour juger de la portée réelle de ces gains annonces.

Recherche⚡Actu

1 source

42

2990arXiv cs.RO 

DaViNCi : un jeu de données pour la navigation extérieure vision-langage avec actions continues

Un article de recherche publié sur arXiv (2608.11901) présente DaViNCi (Dynamic Vision-and-Language Navigation in Continuous Environment), premier jeu de données de navigation vision-langage (VLN) en extérieur combinant actions continues et éléments dynamiques imprévisibles, avec six cartes distinctes et 6 933 trajectoires au total. Contrairement aux datasets VLN outdoor existants, construits sur des graphes topologiques fixes et discrets, DaViNCi impose à l'agent de se déplacer avec des commandes continues tout en réagissant à des éléments mobiles qui modifient l'environnement en temps réel. Les expériences comparatives montrent que le taux de réussite chute de plus de 10 % en configuration discrète par rapport aux jeux de données précédents, et la baisse est encore plus marquée en configuration continue. Les auteurs isolent également l'impact respectif de la granularité des actions et de la présence d'éléments dynamiques sur la performance des agents. Le dataset et les ressources associées sont disponibles sur le site du projet. Ce résultat contredit l'idée que les agents VLN actuels, entraînés et évalués sur des graphes topologiques figés, seraient prêts pour un déploiement réel en extérieur, et expose l'écart persistant entre bancs d'essai simulés et conditions réelles rencontrées par les robots mobiles et les AMR devant naviguer parmi piétons, véhicules ou obstacles temporaires. Pour les équipes qui développent des agents de navigation autonome guidés par le langage, qu'il s'agisse de robots de livraison, d'inspection ou de plateformes humanoïdes mobiles, ce benchmark offre un cadre d'évaluation plus exigeant que les datasets discrets utilisés jusqu'ici. Il souligne surtout que le passage à des actions continues, plus proches du contrôle moteur réel, reste un facteur de fragilité majeur pour les modèles de navigation, un enjeu direct pour le transfert sim-to-real que l'industrie robotique cherche à valider avant tout déploiement commercial. DaViNCi s'inscrit dans l'évolution du champ VLN, d'abord développé en environnement intérieur avant de s'étendre progressivement à l'extérieur ces dernières années via des jeux de données construits sur des graphes topologiques discrets, qui simplifiaient la tâche d'entraînement mais s'éloignaient des conditions réelles de terrain où les trajectoires ne sont pas prédéfinies. En introduisant simultanément mouvement continu et dynamique environnementale, DaViNCi se positionne comme un nouveau standard d'évaluation, plus difficile que les benchmarks VLN outdoor précédents. Les auteurs présentent ce travail comme une étape vers des agents de navigation capables d'opérer dans des environnements urbains réalistes, et mettent le jeu de données à disposition de la communauté de recherche pour mesurer les progrès futurs sur ce terrain plus exigeant.

Recherche❖Paper

1 source

41

2991arXiv cs.RO 

HandEdit : un référentiel unifié pour l'édition d'images de mains robotiques dextériques du point de vue humain

L'article scientifique publié le 13 août 2026 sur arXiv présente HandEdit, un jeu de données et benchmark d'édition d'images conçu pour transformer des vidéos de mains humaines en représentations de mains robotiques dextres, dans des séquences filmées à la première personne. L'ensemble comprend plus de 200 millions d'instances d'édition, issues de cinq jeux de données sources distincts, couvrant 26 configurations URDF différentes, dont 13 modèles de mains seules et 13 configurations bras-main combinées. Les chercheurs ont mis en place un protocole d'évaluation unifié avec deux volets, "Hand-only" et "Hand-Arm", permettant une évaluation conditionnée par URDF. Onze modèles d'édition d'images de référence ont été testés selon une suite de métriques multidimensionnelle combinant similarité générique, jugement par modèle vision-langage (VLM) et métriques spécifiques à l'incarnation robotique (embodiment-aware). L'enjeu pour l'industrie robotique tient au goulot d'étranglement bien identifié de la téléopération : collecter des données d'entraînement embodiment-aware pour des mains robotiques dextres coûte cher, alors que des vidéos égocentriques de mains humaines existent en abondance sur le web. HandEdit cherche à combler l'écart d'apparence, d'articulation et de point de vue caméra entre données humaines et robotiques, un problème que les modèles d'édition d'images généralistes ne résolvent pas complètement faute de connaissances a priori propres à chaque plateforme robotique. Si l'approche tient ses promesses, elle pourrait permettre aux équipes de recherche en IA incarnée d'entraîner des politiques de manipulation dextre à partir de vidéos humaines à grande échelle plutôt que de dépendre exclusivement de démonstrations téléopérées coûteuses, un levier potentiellement significatif pour accélérer l'apprentissage de tâches de préhension fine chez les mains robotiques multi-doigts. Ce travail s'inscrit dans la lignée des efforts récents visant à exploiter les vidéos humaines comme source de supervision pour l'apprentissage robotique, un axe de recherche actif face à la rareté des données de téléopération pour les mains dextres, distinctes des pinces simples des bras robotiques industriels classiques. En couvrant 26 URDF différents, HandEdit se positionne comme une ressource de référence transversale plutôt que liée à une seule plateforme matérielle, ce qui pourrait faciliter son adoption par différents laboratoires travaillant sur des mains robotiques variées. L'article ne précise pas de calendrier de déploiement industriel ni de partenariat commercial ; il s'agit à ce stade d'une contribution de recherche fondamentale, avec le jeu de données et le benchmark présentés comme ressource ouverte pour la communauté de l'IA incarnée.

Recherche❖Paper

1 source

41

2992arXiv cs.RO 

Vers une relaxation convexe plus fine des programmes mixtes en nombres entiers : le flux de réseau logique pour la planification tâche-mouvement

Des chercheurs en robotique ont mis à jour sur arXiv (2509.24235) "Logic Network Flow", un framework de planification de tâches et de mouvements (task and motion planning, TAMP) fondé sur l'optimisation, qui intègre la logique temporelle dans des programmes en nombres mixtes. Inspirée de la formulation Graph-of-Convex-Sets, la méthode encode les contraintes temporelles comme des contraintes polyédriques sur les arêtes d'un modèle de flux réseau, plutôt qu'entre les nœuds comme dans les formulations classiques dites Logic Tree, et ajoute une élimination de Fourier-Motzkin qui supprime les variables continues sans perdre en finesse de relaxation convexe. Sur des tests de routage de véhicules, de coordination multi-robots et de contrôle de systèmes dynamiques (modèles point-mass et pendule inversé linéaire), elle affiche des accélérations de calcul allant jusqu'à plusieurs ordres de grandeur et une consommation mémoire réduite. Une démonstration matérielle sur robots quadrupèdes valide une capacité de replanification en temps réel face à des conditions environnementales changeantes, avec code et détails disponibles sur logicnetworkflow.github.io. Ce travail cible un goulot d'étranglement connu du secteur robotique: la planification combinée tâches-mouvements sous contraintes temporelles devient vite trop lente pour du temps réel dès que le nombre de variables entières croît, ce qui limite le déploiement de robots mobiles ou à pattes dans des environnements changeants. Des relaxations convexes plus serrées et moins de contraintes réduisent directement le coût de résolution des solveurs en nombres mixtes, un frein majeur à la mise à l'échelle des méthodes de planification formelle face aux approches data-driven de type VLA. Les gains annoncés, jusqu'à plusieurs ordres de grandeur en vitesse, restent toutefois issus de benchmarks contrôlés, avec une validation matérielle limitée à des quadrupèdes en conditions de laboratoire plutôt qu'à un déploiement industriel à grande échelle. La méthode prolonge les travaux sur Graph-of-Convex-Sets, une formulation d'optimisation convexe pour la planification de trajectoires devenue courante en robotique ces dernières années, en l'étendant à la logique temporelle. Elle se positionne face aux formulations Logic Tree traditionnelles du TAMP et aux méthodes de synthèse de contrôleurs par logique temporelle signal (STL), couramment employées en robotique formelle. Publiée en version 2 sur arXiv sans partenariat industriel ni feuille de route commerciale annoncée, cette contribution reste académique, avec code et démonstrations mis à disposition sur le site du projet pour en faciliter la reproductibilité.

Recherche❖Paper

1 source

40

2993arXiv cs.RO 

Signaux précoces de défaillance d'OpenVLA face aux changements de distribution visuelle

Une équipe de recherche publie sur arXiv (2606.29699v1, juin 2026) une étude testant si les activations internes du modèle vision-langage-action OpenVLA contiennent des signaux exploitables pour prédire ses échecs avant qu'ils ne surviennent. Le protocole s'appuie sur le benchmark de manipulation LIBERO : la politique reste figée, les activations sont enregistrées pendant l'exécution, puis des sondes légères sont entraînées après coup sur ces traces. Le principal test de stress est l'occlusion visuelle, qui fait chuter le taux de réussite d'OpenVLA de 57% à 17% sur 100 épisodes par condition. Dans ce contexte dégradé, une sonde logistique appliquée à la couche 16 du réseau atteint une AUROC de 0,972 et une AUPRC de 0,352 pour anticiper un échec dans un horizon de 15 pas de temps, surpassant à la fois une baseline de différence de moyennes et une baseline fondée sur le désaccord entre actions prédites. Un balayage des couches révèle une décodabilité inégale selon la profondeur du réseau : la couche 16 domine, la couche 8 reste informative, la couche 10 est plus faible. Testé sans réentraînement sur d'autres perturbations, le moniteur ne détecte aucun échec sous simple décalage de couleur, un contrôle jugé bénin plutôt qu'un véritable test, mais reste au-dessus du hasard face au jitter de caméra, qui lui provoque de vrais échecs. Ce travail répond à une préoccupation croissante du secteur robotique : à mesure que les modèles vision-langage-action comme Pi-0, GR00T N2 ou Helix de Figure passent du laboratoire au déploiement, leurs modes de défaillance sous changement de distribution visuelle restent largement opaques, et les intégrateurs manquent d'outils pour détecter un échec imminent avant qu'il ne se traduise en collision ou en objet lâché. Démontrer qu'une simple sonde linéaire plaquée sur les activations internes d'un modèle déjà entraîné peut anticiper l'échec avec une AUROC proche de 0,97 ouvre une voie peu coûteuse vers des systèmes de supervision en temps réel, sans toucher à la politique elle-même ni disposer d'un modèle de récompense dédié. C'est un signal utile pour les équipes de sécurité et de fiabilité travaillant sur des humanoïdes ou bras manipulateurs pilotés par VLA, davantage que pour la course à la performance brute des modèles. OpenVLA est un modèle vision-langage-action ouvert, pensé comme référence reproductible face aux piles propriétaires du secteur, dans un paysage où Physical Intelligence avec Pi-0, NVIDIA avec GR00T N2, Figure avec Helix et Tesla avec Optimus développent chacun leurs architectures VLA fermées pour piloter humanoïdes et bras industriels. Les auteurs positionnent explicitement leur contribution comme limitée : l'étude établit une corrélation entre structure interne et échec imminent, sans démontrer de mécanisme causal, sans tester la généralisation à des tâches absentes de l'entraînement, et sans livrer de système de récupération déployable. Elle trace néanmoins une piste de recherche sur l'interprétabilité appliquée à la robotique, où comprendre ce qu'un modèle « sait » en interne pourrait devenir aussi stratégique qu'améliorer son taux de réussite brut.

Recherche❖Paper

1 source

40

2994arXiv cs.RO 

RLinf-VLA : un cadre unifié et efficace pour l'apprentissage par renforcement des modèles vision-langage-action

Une équipe de recherche présente RLinf-VLA, un framework unifié et efficace pour l'entraînement par renforcement (RL) de modèles vision-langage-action (VLA), décrit dans un article arXiv (2510.06710, version 3, remplaçant une version antérieure). Le système standardise l'intégration de plusieurs architectures VLA, de différents algorithmes RL et de simulateurs hétérogènes derrière une interface commune, pour permettre comparaisons équitables et reproductibilité. Pour gagner en efficacité, RLinf-VLA introduit une stratégie d'allocation de pipeline fine et hybride, répartissant dynamiquement les ressources entre rendu, inférence et entraînement, ce qui produit un gain de vitesse de 1,61 à 1,88 fois sur le simulateur ManiSkill. Les modèles entraînés avec ce framework atteignent 98,11% de réussite sur 130 tâches du benchmark LIBERO, 97,66% sur 25 tâches ManiSkill, et une moyenne de 84,63% sur six tâches RoboTwin. Pour les laboratoires de robotique et les équipes développant des politiques de manipulation, ce travail répond à un problème concret: jusqu'ici, chaque groupe construisait sa propre pipeline RL+VLA sur mesure, rendant les comparaisons d'architectures et d'algorithmes peu fiables. Un gain de vitesse proche du double affecte directement le coût et la durée des cycles d'entraînement, une étape historiquement gourmande en calcul puisqu'elle combine simulation, inférence et mise à jour de politique en boucle continue. Les taux de réussite proches de la saturation, 98% sur LIBERO, 97,7% sur ManiSkill, montrent que le post-entraînement par renforcement peut pousser des VLA déjà pré-entraînés par imitation vers des performances très élevées sur des benchmarks simulés établis, mais ces résultats restent obtenus en simulation contrôlée et ne préjugent pas d'une généralisation équivalente en conditions réelles. Le contexte est celui d'un basculement plus large dans l'entraînement des modèles VLA, jusque-là dominé par l'apprentissage supervisé à partir de démonstrations, vers des méthodes de post-entraînement par interaction, une trajectoire qui rappelle le rôle du RLHF pour les grands modèles de langage. Les auteurs positionnent explicitement RLinf-VLA comme une réponse à la fragmentation des efforts en RL pour la robotique embarquée, où l'absence de plateforme commune empêchait des comparaisons équitables entre architectures et algorithmes. Au-delà du code, l'article revendique la synthèse d'un ensemble de pratiques efficaces pour l'entraînement RL des VLA, positionnant le framework comme base technique et méthodologique pour la recherche future en intelligence embarquée. Aucune entreprise ni site de déploiement industriel n'est associé à cette publication, qui reste à ce stade une contribution académique validée sur des benchmarks de simulation plutôt qu'un produit déployé.

IA physique❧Opinion

1 source

39

2995arXiv cs.RO 

Auto-évolution d'agents incarnés par évolution de compétences en environnement d'entraînement

Un article publié sur arXiv (2608.11350v1, catégorie "cross-listing", 13 août 2026) présente SHAPER, un cadre pour l'adaptation sans entraînement d'agents incarnés (embodied agents) construits autour de modèles de fondation. Le principe : les poids du modèle restent figés, et c'est la couche non paramétrique autour de lui, compétences réutilisables et "harnais" de contexte-code, qui évolue via des essais répétés (rollouts) dans l'environnement cible. Le même modèle figé joue à la fois le rôle de planificateur et d'optimiseur, affinant ses compétences externes sans aucune mise à jour de paramètres. Les auteurs évaluent SHAPER sur deux bancs d'essai, VLABench et ESI-Bench, qui couvrent des agents disposant d'interfaces d'action bas niveau différentes, et comparent les résultats à l'exécution pure, au fine-tuning supervisé (SFT) et à des méthodes de mise à l'échelle au moment du test comme la sélection sans vérificateur et le vote. L'enjeu pour l'industrie robotique est concret. Le fine-tuning supervisé et l'apprentissage par renforcement exigent des données, des fonctions de récompense et des cycles d'entraînement coûteux ; à l'inverse, les approches sans entraînement centrées sur le code s'appuient d'ordinaire sur des API robotiques programmables, souvent absentes des systèmes à interface fixe. SHAPER propose une troisième voie, faire évoluer les compétences et le harnais logiciel plutôt que le modèle lui-même, ce qui intéresserait particulièrement les intégrateurs qui ne peuvent pas se permettre de réentraîner un modèle à chaque nouvel environnement de déploiement. Les résultats restent toutefois issus de bancs d'essai simulés, pas de déploiements sur robots physiques : c'est une preuve de concept méthodologique, pas encore une validation terrain. Ce travail s'inscrit dans une tendance plus large où la performance des agents incarnés dépend autant du harnais d'exécution, compétences, contexte, interfaces d'action, que des poids du modèle sous-jacent. Il se positionne explicitement entre deux familles d'approches existantes : le fine-tuning et le RL d'un côté, gourmands en données et en calcul, et les approches code-centric sans entraînement de l'autre, limitées par leur dépendance à des API robotiques programmables. L'article ne mentionne ni partenariat industriel ni plateforme robotique commerciale associée ; la suite logique serait une validation sur robots réels pour vérifier si les gains observés sur VLABench et ESI-Bench se transposent hors simulation.

Recherche❖Paper

1 source

39

2996arXiv cs.RO 

Adaptation de politiques robotiques généralistes avec un minimum de données

Un article arXiv publié en août 2026 (référence 2608.11363) présente MiDAS, une méthode de renforcement offline-to-online qui permet à une politique robotique généraliste de type VLA (vision-language-action) déjà pré-entraînée d'apprendre une tâche inédite à partir d'une seule démonstration. Le système ancre d'abord le modèle par clonage de comportement sur une ou quelques démonstrations, puis l'affine via du RL en ligne basé sur la valeur, appliqué à une paramétrisation résiduelle de la politique. Sur les benchmarks simulés LIBERO et RoboCasa, MiDAS retrouve de bonnes performances dès une démonstration unique et dépasse nettement les méthodes de référence. Sur une plateforme bimanuelle réelle nommée YAM, une politique fragile obtenue après une seule démonstration gagne en robustesse et acquiert de nouveaux comportements réussis après environ six heures d'interaction autonome. L'enjeu dépasse la prouesse académique: le papier cible le goulot d'étranglement des données dans le déploiement de robots généralistes, où collecter des démonstrations humaines par tâche reste coûteux à grande échelle. Pour les intégrateurs et décideurs industriels, la promesse est un cycle d'adaptation raccourci: un robot pourrait apprendre une variante de tâche en usine via quelques heures d'essais supervisés plutôt que des centaines de démonstrations téléopérées. Les auteurs qualifient leur résultat de première démonstration d'une adaptation fiable de politique robotique à partir d'une unique démonstration, une affirmation qui, si elle se confirme ailleurs, nuancerait l'idée que les VLA actuels explorent trop mal pour progresser seuls. Le travail répond à un constat du secteur: l'apprentissage robotique cherche à s'affranchir de la collecte de données tâche par tâche, mais l'apprentissage pleinement autonome bute sur des récompenses éparses et une exploration zero-shot trop faible pour qu'un robot découvre seul un comportement réussi. MiDAS se présente comme le proxy le plus praticable de cet objectif, testant si une seule démonstration suffit à amorcer un apprentissage en ligne exploitable. L'évaluation reste limitée à deux benchmarks simulés et une seule plateforme physique, sans comparaison rapportée face aux grands modèles généralistes commerciaux du secteur; une validation sur davantage de plateformes et de familles de tâches reste l'étape logique suivante.

Recherche⚡Actu

1 source

39

2997arXiv cs.RO 

Diagnostic et atténuation des a priori de la main induits par la politique dans la manipulation humanoïde à deux bras

Une équipe de recherche publie sur arXiv (2608.11769v1, août 2026) un diagnostic du comportement des politiques vision-langage-action (VLA) pilotant des humanoïdes à deux bras. Le travail isole un biais jusque-là peu quantifié : le choix de la main utilisée pour saisir un objet dépend fortement de la posture initiale des bras, un effet baptisé "policy-induced hand prior" et mesuré via trois métriques inédites (HandPriorScore, biais résiduel de main, réactivité à la cible). Testé sur plusieurs politiques et 17 configurations initiales, le protocole montre qu'une même pose produit des taux de réussite très variables selon la politique, et qu'une même politique fluctue fortement selon la pose ; les caméras de poignet influencent aussi ce choix. Élargir la couverture des poses à l'entraînement améliore nettement la robustesse. Cette étude compte parce qu'elle fragilise une hypothèse centrale du secteur : qu'un score de réussite agrégé suffit à attester la robustesse d'une politique VLA face aux variations de posture initiale. Les auteurs montrent que ce chiffre global masque des échecs localisés et des choix de main inappropriés, invisibles dans les benchmarks usuels. Pour les intégrateurs qui évaluent des politiques de manipulation avant déploiement industriel, le message est direct : auditer le comportement pose par pose, pas seulement la moyenne. L'étude isole aussi un levier concret et corrigeable, la configuration initiale des bras, ouvrant la voie à un entraînement ciblé plutôt qu'à un simple ajout massif de données. Ce travail s'inscrit dans la vague actuelle de recherche sur les politiques généralistes de manipulation pour humanoïdes, domaine où l'écart entre démonstrations médiatisées et fiabilité reproductible reste une critique récurrente adressée aux laboratoires du secteur. Plutôt qu'un nouveau modèle, les auteurs livrent un cadre d'audit réutilisable et une piste d'atténuation, l'élargissement ciblé de la couverture des poses initiales. Ils précisent aussi que l'apport de données réelles ou auxiliaires n'est pas systématiquement bénéfique : son effet dépend de la couverture des poses, de la part de simulation et de la disponibilité des observations visuelles. Les évaluations restant majoritairement simulées, la question du transfert vers des déploiements réels demeure ouverte.

Recherche⚡Actu

1 source

39

2998arXiv cs.RO 

Robotique : la manipulation est une correspondance vision-géométrie, au-delà du langage et de la vidéo

Une équipe de recherche du HCP Lab de l'Université Sun Yat-sen (SYSU), en Chine, a publié la version 2 d'un article arXiv (2604.12908) proposant un nouveau modèle baptisé VGA, pour Vision-Geometry-Action. La thèse centrale : la manipulation robotique est fondamentalement un problème de correspondance entre vision et géométrie (f(v) → G), puisque les actions physiques reposent sur des positions 3D et des relations spatiales précises. Plutôt que de bâtir le contrôle sur des modèles vision-langage (VLA) ou vidéo, comme le font la plupart des systèmes actuels, VGA remplace ce socle par un modèle du monde 3D préentraîné, auquel s'ajoute une méthode nommée Progressive Volumetric Modulation et un entraînement conjoint de la génération d'actions et de la prédiction de propriétés 3D, pour préserver la cohérence géométrique. En simulation, VGA dépasse plusieurs références de l'état de l'art : pi-0.5, OpenVLA-OFT, GeoVLA et Motus. En conditions réelles, il surpasse pi-0.5 sur des points de vue inédits et suit correctement des instructions en langage naturel pour saisir des objets cibles. L'enjeu dépasse la simple compétition de benchmarks : ce travail interroge un présupposé dominant du secteur, à savoir que les grands modèles vision-langage-action, popularisés par des systèmes comme pi-0 ou GR00T N2, constituent la voie la plus prometteuse vers une intelligence physique généralisable. En montrant que des représentations 3D natives, plutôt que des priors sémantiques 2D hérités du texte-image, améliorent la précision géométrique des saisies, l'étude fournit un argument concret pour les intégrateurs et laboratoires qui évaluent quel type de backbone privilégier dans leurs futures piles logicielles de manipulation. Ce résultat s'inscrit dans une compétition architecturale plus large entre approches VLA classiques, modèles vidéo prédictifs et approches 3D-VLA, incluant des systèmes comme GeoVLA et Motus déjà cités comme références de comparaison. Il s'agit à ce stade d'un article de recherche évalué en simulation et sur un nombre limité de déploiements réels en laboratoire, assorti d'une page projet dédiée, et non d'un produit commercial ou d'un déploiement industriel à grande échelle.

Recherche❧Opinion

1 source

38

2999arXiv cs.RO 

Vers un cadre pour les agents incarnés

Un article de recherche mis en ligne le 13 aout 2026 sur arXiv (2608.11246) présente Thea, un "harness", c'est a dire une architecture d'orchestration logicielle, destine aux agents robotiques et conçu selon le principe des agents de codage: la performance dépend moins du modèle que de l'infrastructure qui l'entoure. Thea fait tourner une boucle agentique qui invoque les capacités du robot, chacune encapsulée comme un outil appelable. Les auteurs pointent deux fonctions que le monde physique refuse, contrairement au monde logiciel: lire l'état du monde et juger le résultat d'une action. Pour y remédier, le système introduit le Scene Graph as Context, une représentation symbolique persistante de l'environnement servant de contexte au modèle, et l'Evaluation as Exit Codes, un module qui détecte la fin d'une action, évalué sa réussite et diagnostique la cause d'un échec. Cette approche cible directement l'écart, souvent dénonce dans le secteur, entre démonstrations impressionnantes en environnement contrôle et exécution fiable de taches longues en conditions réelles. En fermant la boucle entre perception, action et évaluation, Thea cherche a faire émerger des comportements complexes par simple composition d'outils, sans reentrainement du modèle pour chaque nouvelle tache. L'article ne fournit toutefois aucune métrique chiffrée, ni taux de réussite ni benchmark, dans son résume: il s'agit a ce stade d'une contribution architecturale, pas d'une validation empirique a grande échelle ni d'un produit déployé. Pour les intégrateurs, l'intérêt tient a la proposition méthodologique: traiter l'agent robotique comme un agent logiciel dote d'un accès symbolique au monde plutôt que comme un modèle entraine de bout en bout. Thea prolonge directement la lignée des harnais d'agents de codage, dont le succès récent a impose ce paradigme d'infrastructure au delà du monde logiciel, et rejoint les recherches en cours sur les modèles vision-langage-action cherchant a leur adjoindre une mémoire structurée du monde plutôt qu'une politique entraînée par imitation. Le document ne précise ni l'affiliation institutionnelle des auteurs ni de calendrier de déploiement pilote. Il se presente comme une contribution académique destinée a être discutée et reproduite par la communauté, la prochaine étape logique étant une évaluation quantitative sur des taches longues en environnement réel.

Recherche❖Paper

1 source

38

3000arXiv cs.RO 

Une théorie généralisée de la répartition de charge dans les systèmes robotiques à actionnement redondant

Un article publié sur arXiv (référence 2603.11431v2, version corrigée d'une soumission antérieure) présente une théorie généralisée de la distribution des charges dans les corps rigides manipulés par des systèmes robotiques à actionnement redondant, composés de plusieurs chaînes cinématiques fermées indépendantes, comme une main multidoigts, des robots à pattes ou des bras coopérants tenant un même objet. Les auteurs caractérisent l'ensemble complet des distributions de torseurs (forces et moments) compatibles avec un torseur résultant donné appliqué au corps rigide, et dérivent des solutions explicites aux problèmes de synthèse et d'analyse de torseurs, calculables directement sans méthode numérique itérative ni inversion de grandes matrices, avec un coût de calcul croissant linéairement selon le nombre de torseurs appliqués. Ils relèvent aussi des lacunes dans les approches actuelles de l'état de l'art et proposent des corrections, appuyées par des exemples illustratifs et une simulation. Cette théorie concerne directement le contrôle de force des mains robotiques multidoigts, des robots à pattes, des robots coopérants manipulant une charge commune, et plus largement tout mécanisme surcontraint où le nombre de points de contact ou d'actionneurs dépasse ce qui est strictement nécessaire, rendant la répartition des efforts mathématiquement indéterminée sans hypothèses supplémentaires, un problème classique et non trivial en robotique. Une solution explicite et peu coûteuse en calcul ouvre la voie à un contrôle en temps réel plus robuste pour la préhension complexe, la locomotion des robots à pattes et la manipulation coopérative entre bras, des briques utiles pour les intégrateurs déployant des systèmes de préhension ou des flottes collaboratives. Le constat des auteurs, selon lequel des méthodes de référence actuelles comportent des erreurs, suggère que certaines stratégies de contrôle de force déjà en usage dans l'industrie reposent sur des hypothèses de répartition de charge incorrectes. Il s'agit d'une publication académique sur arXiv, sans entreprise, produit ni déploiement associé, ce qui la distingue nettement des annonces commerciales du secteur robotique. La répartition des efforts dans les systèmes surcontraints est étudiée depuis des décennies en robotique, notamment pour la préhension multidoigt et les robots parallèles, mais généralement traitée au cas par cas selon le type de mécanisme. Les auteurs positionnent leur travail comme une généralisation unifiée couvrant à la fois les mains robotiques, les robots à pattes et les systèmes multi-robots coopérants, plutôt qu'une solution propre à une seule catégorie. Cette version 2 de l'article suggère une itération après retours de la communauté scientifique, mais aucune validation expérimentale sur robot physique au-delà de la simulation n'est mentionnée à ce stade.

Recherche❖Paper

1 source