Actualités robotique — page 8

7 318 articles au fil, du plus récent au plus ancien.

40

351Interesting Engineering 

Premier robot de perçage déployable en flotte : 10 fois plus rapide, avec 99 % de précision

DEWALT, la marque d'outillage de Stanley Black & Decker, présente DALE, un robot de perçage du béton conçu pour les chantiers de centres de données et développé avec la société de robotique mobile August Robotics. La machine a déjà percé plus de 385 000 trous, avec une précision annoncée supérieure à 99 %, et peut forer jusqu'à dix fois plus vite que les méthodes conventionnelles. Elle cible les perçages répétitifs nécessaires à l'installation des baies de serveurs et des réseaux mécaniques, électriques et de plomberie (MEP). DALE se déplace dans la zone de travail, se positionne et perce selon le plan de calepinage. Les opérateurs la supervisent à distance, l'aspiration des poussières est automatique, les batteries sont à échange rapide, et un contrôle qualité par IA vérifie le résultat avant les installations suivantes. Selon DEWALT, les déploiements pilotes ont permis de retirer plus de 300 semaines du calendrier de 44 phases de construction de centres de données. Le robot a fait ses débuts publics au salon World of Concrete en début d'année et a été désigné lauréat de la catégorie « Enduring Impact » des Next Big Things in Tech Awards 2026 de Fast Company. L'intérêt tient à l'approche en flotte. Les grands chantiers de centres de données comptent plusieurs fronts de travail simultanés sur des milliers de mètres carrés, et le perçage est une tâche à forte intensité de main-d'œuvre qui conditionne tout ce qui suit. Disposer de plusieurs machines autonomes permet d'augmenter la capacité sans ajouter d'ouvriers sur une tâche répétitive, tout en livrant des trous déjà vérifiés qui débloquent plus tôt l'installation MEP. Le cas d'usage est étroit, structuré et fortement répétitif, ce qui correspond au profil où la robotique de construction a le plus de chances de passer de la démonstration au déploiement réel. Il faut toutefois lire les chiffres avec prudence : ils proviennent uniquement de DEWALT. Le facteur « dix fois » n'est pas rapporté à une méthode de référence précise (perçage manuel, gabarit, ou autre). Les 300 semaines économisées sont un cumul sur 44 phases, et non un gain de délai sur un projet donné, puisque ces phases peuvent se chevaucher. La définition de la « précision de 99 % » (tolérance, méthode de mesure) n'est pas précisée. Par ailleurs, la mention d'une « première flotte capable » relève du marketing plus que d'une preuve de nouveauté. Ce lancement s'inscrit dans la demande de construction de centres de données portée par l'IA, où la vitesse d'exécution est devenue un critère majeur et où la main-d'œuvre qualifiée manque. Pour Stanley Black & Decker, DALE marque une avancée de l'outil à main vers la robotique de chantier. Bill Beck, président de Tools & Outdoor, affirme que l'objectif est d'aller plus vite sans sacrifier la constance, la sécurité ni le contrôle. August Robotics fournit la plateforme mobile autonome, que DEWALT a adaptée au perçage du béton. Le robot est désormais commercialisé après la phase pilote, mais aucun prix, aucune taille de flotte ni liste de clients n'a été communiqué. Ces informations permettront de juger si l'adoption va au-delà des chantiers pilotes. Il faudra aussi voir comment la machine se compare à d'autres solutions de perçage et de marquage de plafond automatisés, que d'autres acteurs de la construction développent déjà.

Industriel⚡Actu

1 source

42

352Robotics Business Review 

Teradyne Robotics et Elite Robots règlent leur litige sur les cobots

Teradyne Robotics et Elite Robots ont mis fin, le 1er octobre, au litige qui les opposait sur des robots et des logiciels, sans en divulguer les termes. Teradyne Robotics, filiale de Teradyne Inc. et maison mère de Universal Robots (Odense, Danemark), avait assigné en début d'année Elite Robots Deutschland GmbH pour violation de droits d'auteur portant sur des logiciels d'Universal Robots. En avril, le tribunal régional de Hambourg avait rendu une injonction préliminaire restreignant en Allemagne l'activité d'Elite Robots autour des logiciels litigieux et des produits qui les embarquent. Dans un communiqué commun, Jette Withers (directrice juridique de Teradyne Robotics) et Charles Xie (directeur des ventes à l'international d'Elite Robots) indiquent que le différend est réglé d'un commun accord, sans que ce règlement vaille reconnaissance de responsabilité, de contrefaçon ou de validité des droits de propriété intellectuelle par Elite Robots. On ignore s'il comporte un paiement, des modifications logicielles ou produit, ou une licence. Pour les intégrateurs et les acheteurs de cobots, l'enseignement est surtout une absence d'information. Une injonction préliminaire n'est pas un constat final de contrefaçon, et l'issue du dossier ne tranche donc ni la question de la copie ni celle de la protection du logiciel de cobot. Un avocat en propriété intellectuelle, sans lien avec l'affaire, rappelle qu'un litige ouvert par une injonction en urgence se termine souvent tôt: le défendeur cesse d'utiliser le code contesté et verse une indemnité, mais rien ne prouve que ce schéma s'applique ici. Le signal pour le marché est que Teradyne, qui revendique plus de 100 000 cobots vendus depuis 2005, défend activement sa couche logicielle face aux concurrents chinois à bas coût. Les clients d'Elite Robots en Europe, en particulier en Allemagne, restent sans visibilité sur d'éventuelles conséquences pour leurs produits. Le règlement intervient peu après le lancement par Universal Robots de sa plateforme de septième génération, dite Gen 7. Elle comprend de nouveaux bras de la série g, le contrôleur CB7 Core, la console de programmation TP7 Core et le SP7 Smart Panel. Elle repose sur PolyScope X, présenté comme la base logicielle de la nouvelle génération, avec des API ouvertes et un SDK destinés aux applications d'IA, ainsi qu'une connectivité et des capacités de programmation étendues. Ce lancement prend un relief particulier puisque le litige portait justement sur des logiciels d'Universal Robots. Ce n'est pas le seul front judiciaire: en août, Teradyne Robotics a attaqué la filiale allemande du fabricant chinois JAKA Robotics pour atteinte à trois brevets, tous attribués à Universal Robots et dotés d'une date de priorité de mars 2006. Cette procédure est toujours en cours. Elle montre que Teradyne combine droit d'auteur et brevets pour protéger sa position sur le segment des cobots face à une concurrence asiatique de plus en plus présente en Europe.

Industriel⚡Actu

1 source

43

353Interesting Engineering 

L'armée américaine teste des mulets robotiques autonomes pour le ravitaillement et l'évacuation en première ligne

L'US Army a retenu six entreprises pour développer des véhicules robotisés prêts à la production dans le cadre de l'Infantry Last Tactical Mile (ILTM), un programme visant à automatiser le transport de munitions et de matériel et l'évacuation de blessés près de la ligne de front. Les six participants, sélectionnés par des Other Transaction Agreements de prototypage, sont BLADE (ex-HDT), Maren-Go, Overland AI, Forterra, Hendrick's Motorsports et American Rheinmetall. BLADE présente le Hunter WOLF, un UGV (véhicule terrestre sans pilote) à six roues et motorisation hybride diesel-électrique, conçu pour l'infanterie légère et débarquée. Selon l'entreprise, il emporte de façon autonome jusqu'à 2 800 livres (1 270 kg), franchit des pentes de 60 % et des dévers de 40 %, alimente d'autres équipements en électricité et accepte différentes charges utiles, ce qui permet de le configurer pour le ravitaillement ou l'évacuation sanitaire. Les prototypes doivent être livrés pour des démonstrations, puis pour une évaluation opérationnelle avec une unité de l'Army début 2027. Cette sélection ne désigne pas un véhicule unique pour l'ensemble de l'Army. Il s'agit d'une compétition de prototypes dont les résultats serviront à fixer les exigences et à éclairer une éventuelle décision de production. Pour les intégrateurs et les décideurs, le signal est la priorité donnée à la logistique de dernier kilomètre, le segment entre les unités logistiques arrière et la ligne avancée des troupes amies (FLOT), où les soldats sont le plus exposés. Le vrai test sera la fiabilité de l'autonomie en terrain difficile et sous contrainte adverse, pas la démonstration en conditions favorables. BLADE qualifie le Hunter WOLF de système TRL 9, le niveau maximal de l'échelle de maturité technologique militaire, qui correspond à un système éprouvé en environnement opérationnel. C'est un argument commercial à nuancer, puisque l'Army évalue encore précisément si ces systèmes tiennent les missions de ravitaillement et d'évacuation. Le panel mêle un acteur historique de la robotique militaire, des spécialistes de l'autonomie off-road comme Overland AI et Forterra, un constructeur de défense (American Rheinmetall) et un nouvel entrant venu du sport automobile (Hendrick's Motorsports). BLADE aborde la compétition avec un avantage de maturité. Le Hunter WOLF est en service depuis 2017, a reçu des mises à jour en 2025 et a participé à plus de 60 exercices de terrain, avec des forces américaines (Marine Corps), australiennes et ukrainiennes, d'après l'entreprise. En mai, BLADE a livré des véhicules à la 10th Mountain Division à Fort Polk dans le cadre de l'effort Ground Optionally Autonomous Transport, où les soldats ont été formés à leur utilisation et à leur maintenance. L'entreprise fait aussi état d'évaluations en 2026 avec les 10th Mountain et 101st Airborne Divisions, ainsi que d'un événement en août avec la 82nd Airborne Division à Fort Polk, en Louisiane. Ces chiffres proviennent de BLADE et n'ont pas été vérifiés de façon indépendante. L'article ne mentionne aucun acteur français ou européen autre que la filiale américaine de Rheinmetall, ni de budget ni de volume de production. La suite dépendra de l'évaluation opérationnelle de 2027 et d'une éventuelle décision de production.

Industriel⚡Actu

1 source

36

354Interesting Engineering 

Vidéo : une main robotique chinoise maîtrise la broderie de soie délicate grâce à un contrôle précis des doigts

AGILINK, spin-off de l'entreprise chinoise AgiBot, a publié une vidéo où sa main dexterous OmniHand 3 Ultra réalise des gestes de broderie Suzhou sur fil de soie. La démonstration enchaîne la séparation d'un fil en 16 brins plus fins, l'enfilage d'une aiguille, la tension du tissu sur un tambour, la torsion du fil et les premiers points. La maître brodeuse Fu Xianghong a guidé l'apprentissage. Un doigt isole les brins pendant que les autres maintiennent la tension, et les bouts de doigts restent en contact avec la soie tout en laissant le fil tourner. Sur la tâche finale, le fil retombe à une position différente à chaque essai, ce qui oblige le robot à s'adapter plutôt qu'à rejouer une séquence fixe. L'entraînement combine données de téléopération et apprentissage par renforcement. La main, de la taille d'une main humaine, pèse 630 g, utilise une transmission directe (moteurs couplés aux articulations, sans tendons) et offre 21 degrés de liberté actifs. AGILINK annonce 3 kg en maintien, 8 kg en levage, une ouverture-fermeture en environ 0,3 s et une répétabilité de 0,2 mm. Chaque bout de doigt embarque un capteur visuo-tactile mesurant la force en trois dimensions et des déformations de 0,08 mm, et la paume compte un capteur de contact de 300 points. Pour l'industrie, la soie est un cas d'école difficile : le matériau n'a pas de forme propre, et c'est la force des doigts qui la détermine. Réussir ce type de tâche suppose un couplage serré entre matériel, retour tactile et contrôle, ce qui sert de banc d'essai pour la manipulation d'objets déformables (câbles, fils, textiles, nappes de connectique), un point de blocage connu de l'assemblage électronique et de la confection. Il faut toutefois rester prudent. Il s'agit d'une vidéo de démonstration publiée par le fabricant, sans taux de réussite, sans durée de cycle, sans nombre d'essais ni indication sur la part de téléopération. Les « premiers points » ne constituent pas une broderie achevée, et rien n'indique une fiabilité sur des milliers de cycles. Il s'agit d'une démonstration de capacité, pas d'un produit validé en production ni d'un déploiement client. Côté contexte, la main dexterous est devenue l'un des enjeux majeurs de la course humanoïde, car elle limite la valeur utile des robots bien plus que la locomotion. Les approches divergent. LinkerBot propose sa Linker Hand L30 Pro, à cinq doigts à tendons, pensée pour la vitesse et la répétabilité. Boston Dynamics a retenu pour son dernier Atlas une main à quatre doigts, orientée vers des usages industriels comme la manipulation d'outils. AGILINK mise sur l'entraînement direct et un toucher intégré à chaque doigt, au prix d'un coût et d'une robustesse qui restent à démontrer. Aucun prix, calendrier de commercialisation ni pilote industriel n'a été annoncé dans les éléments disponibles. La suite logique serait des tests sur des tâches industrielles mesurables, avec des indicateurs publiés, pour confirmer que la dextérité observée en démonstration survit hors du cadre contrôlé du laboratoire.

Chine/Asie⚡Actu

1 source

37

355Robotics & Automation News 

Entretien avec le PDG de Minerva Humanoids : « Roger est conçu pour être le meilleur avatar possible

Minerva Humanoids, société basée à San Francisco, développe Roger, un humanoïde semi-autonome que son PDG décrit comme « le meilleur avatar possible ». Le robot est conçu pour que l'opérateur humain puisse se substituer physiquement à lui là où la présence d'un corps humain est coûteuse ou dangereuse. L'entreprise vise des tâches où ce remplacement a un intérêt immédiat, parfois vital. Le matériel disponible ne détaille ni charge utile, ni nombre de degrés de liberté, ni prix, ni volumes ou sites de déploiement. Roger relève donc pour l'instant de l'annonce de positionnement, pas d'un produit dont les performances en conditions réelles seraient documentées. Ce choix tranche avec la course au robot généraliste menée par Figure (Figure 03), Tesla (Optimus Gen 3) ou Agility Robotics, qui misent sur des modèles VLA (vision-langage-action) capables d'enchaîner des tâches sans supervision. Minerva part de l'hypothèse inverse : l'autonomie complète reste incertaine, et un humain dans la boucle apporte une valeur commerciale dès maintenant. Pour un intégrateur ou un responsable d'exploitation, c'est une proposition plus facile à valider, car la fiabilité repose sur la téléopération et l'autonomie ne s'ajoute que progressivement. La question à surveiller est la part réelle d'autonomie, qui détermine si un opérateur peut superviser plusieurs robots ou doit en piloter un seul. Minerva s'inscrit dans une lignée de robots téléopérés, qui ont longtemps servi de source de données d'entraînement pour les modèles d'imitation. Le positionnement « avatar » les place face aux généralistes, mais aussi face aux acteurs européens comme Enchanted Tools, qui développe son humanoïde Mirokaï. Les prochaines étapes à suivre sont les pilotes clients, les spécifications techniques publiées et la démonstration d'un fonctionnement hors vidéo choisie.

Humanoïdes❧Opinion

1 source

31

356Robotics & Automation News 

Avride et Sodexo étendent leurs robots de livraison aux campus universitaires américains

Avride, entreprise de mobilité autonome, et Sodexo Campus ont annoncé un accord pour accélérer la livraison par robots autonomes dans les universités et collèges américains partenaires de Sodexo Campus. Le texte décrit un cadre contractuel prêt à l'emploi, censé permettre aux campus intéressés de passer plus vite de l'intention au déploiement. Le communiqué ne chiffre ni le nombre de campus visés, ni la taille de la flotte, ni le calendrier, ni la tarification. Il s'agit donc d'une annonce de partenariat commercial, pas d'un déploiement constaté. L'enjeu est surtout commercial et opérationnel. La livraison par robots de trottoir bute rarement sur la technologie seule : chaque campus exige des négociations sur l'accès, l'assurance, l'intégration aux plateformes de commande et la gestion des opérations. En passant par un prestataire de restauration déjà implanté dans l'enseignement supérieur, Avride cherche à standardiser ces démarches et à raccourcir les cycles de vente. Le campus reste un terrain favorable, avec un périmètre fermé, une forte densité d'usagers et des trajets courts. La vraie question est de savoir si ce modèle produit des volumes de livraisons et une économie unitaire soutenables, ce que l'annonce ne documente pas. Avride, issue de l'écosystème Yandex et adossée à Nebius, exploite déjà des robots de livraison et des véhicules autonomes aux États-Unis, notamment avec des partenaires de livraison de repas. Le marché des campus est disputé : Starship Technologies y est très présente depuis des années, tandis que Serve Robotics et Coco visent surtout la livraison urbaine. La suite dépendra des campus qui signeront effectivement et de la rentrée universitaire concernée, deux informations pour l'instant absentes.

Industriel⚡Actu

1 source

31

357Robohub 

Ce que trois jours de construction d'un robot m'ont appris

Du 25 au 27 août, l'Institute for Safe Autonomy de l'université de York (Royaume-Uni) a accueilli le MicroMaze Robot Hackathon, organisé dans le cadre du programme UK RAS STEPS. Ce programme s'adresse aux Research Technical Professionals, les ingénieurs et techniciens qui font tourner les infrastructures et les logiciels de la recherche académique. Le défi consistait à construire un petit robot autonome, puis à lui faire franchir des labyrinthes de difficulté croissante. Une participante, qui en fait le récit dans un billet de blog, formait une équipe avec deux collègues, Emily et Joolz. En trois jours, le trio est parti d'une boîte de composants et d'un châssis découpé au laser pour arriver à un robot capable de traverser un labyrinthe. La plateforme associait capteurs, moteurs et carte Raspberry Pi Pico W programmée en MicroPython. L'événement était organisé par Rob Woolley. Le texte ne donne ni classement, ni temps de parcours, ni nombre d'équipes, ni budget matériel. C'est un témoignage personnel, pas un compte rendu de compétition. Il n'y a ici aucune avancée technologique, et il serait trompeur d'en présenter une. L'intérêt est ailleurs. L'autrice décrit la boucle classique du développement robotique : intégrer capteurs et actionneurs, déboguer, essuyer des essais ratés, puis se demander pourquoi le robot fait autre chose que ce qui était prévu. À l'échelle d'un micro-robot, on retrouve l'écart entre le comportement attendu et le comportement réel qui pèse sur toute la robotique, des humanoïdes aux AMR d'entrepôt. Pour un décideur ou un intégrateur, le signal concerne surtout les compétences. Les Research Technical Professionals sont ceux qui déploient et maintiennent les robots dans les laboratoires. Un format court, sur matériel grand public et en langage accessible, leur permet de gagner en pratique matérielle et de se constituer un réseau. L'autrice dit d'ailleurs en retenir avant tout les amitiés nouées, ce qui rappelle que ces événements servent d'abord à créer des communautés. Le contexte est celui d'un écosystème académique britannique qui structure le métier de technicien de recherche en robotique et systèmes autonomes. Le choix du lieu est cohérent : l'Institute for Safe Autonomy de York travaille sur la sûreté des systèmes autonomes, une question centrale pour tout déploiement industriel à grande échelle. Le labyrinthe est un exercice ancien de la robotique, popularisé par les concours de type micromouse. C'est un banc d'essai pédagogique commode, car il impose de percevoir, de décider et d'agir sans intervention humaine. Aucun acteur français ou européen n'est cité, et aucune suite formelle n'est annoncée. Les participants évoquent seulement l'envie de se revoir. Reste à voir si le programme UK RAS STEPS reconduira ce format, mais rien dans le récit ne permet de l'affirmer.

Autre❧Opinion

1 source

49

358Robot Magazine FR 

Premier robot : les révélations du Baromètre Robot Magazine

Le Baromètre Robot Magazine 2026, réalisé en ligne du 13 au 26 septembre auprès de 300 dirigeants et décideurs, détaille ce que les entreprises attendent de leur premier robot. La production et la manutention arrivent en tête des missions envisagées (38 %), devant la logistique (21 %), soit 59 % pour ces deux catégories. Le contrôle qualité recueille 15 % des réponses, le nettoyage 11 %, la maintenance 6 % et les autres usages 9 %. Côté budget, 58 % des répondants prévoient moins de 50 000 euros (31 % sous 25 000 euros, 27 % entre 25 000 et 50 000 euros), tandis que 8 % envisagent plus de 100 000 euros et 18 % ne savent pas encore. Pour le retour sur investissement, 48 % visent moins de 24 mois (14 % sous un an, 34 % entre un et deux ans), et 20 % n'ont pas de cible. Les deux principaux freins sont économiques : le prix (27 %) et l'incertitude sur le ROI (19 %), soit 46 % à eux deux, devant la complexité d'intégration (17 %) et le manque de compétences internes (12 %). Ces chiffres dessinent un acheteur pragmatique, éloigné de l'enthousiasme suscité par les démonstrations d'humanoïdes. Le premier projet type est une tâche physique et répétitive (déplacer des marchandises, alimenter un poste), financée sous 50 000 euros et amortie en moins de deux ans. Cette enveloppe correspond davantage aux cobots, aux robots mobiles autonomes (AMR) d'entrée de gamme ou aux offres en Robot as a Service (RaaS, abonnement ou paiement à l'usage) qu'aux plateformes généralistes, dont le coût total reste mal documenté. Pour les intégrateurs, le message est clair : il faut chiffrer le coût complet (intégration, formation, maintenance, exploitation) et documenter des cas clients avec une méthode de calcul du ROI accessible. Le fait qu'un cinquième des sondés ignore le délai de retour visé, et près d'un cinquième son budget, montre aussi que le besoin d'information précède l'achat. Il faut toutefois lire ces résultats avec prudence. L'échantillon est volontaire et composé de lecteurs et d'abonnés à la newsletter du magazine, un public déjà sensibilisé à la robotique. L'étude décrit donc des intentions, pas des achats, et ne représente pas l'ensemble des entreprises françaises. Elle n'indique pas non plus la taille ou le secteur des répondants, ni la nature des robots envisagés, ce qui limite la comparaison avec les offres du marché. Elle complète néanmoins les signaux venus des fournisseurs de cobots, d'AMR et de solutions RaaS, qui ciblent déjà les PME avec des offres modulaires. Elle suggère que la bataille commerciale se jouera moins sur les performances brutes que sur la lisibilité du prix, de l'intégration et du gain mesurable.

FR/EU ecosysteme❧Opinion

1 source

57

359arXiv cs.RO 

Les politiques robotiques compactes exigent des représentations visuelles fines

Des chercheurs proposent CoRP (Compressed Representation Policy), une politique de manipulation multi-tâches volontairement compacte: 48,9 millions de paramètres, sans modèle vision-langage ni prior génératif vidéo. Elle sépare un extracteur de représentation d'un générateur d'actions par flow matching. Elle atteint 97,0 % de réussite sur LIBERO et 75,78 % (Clean) et 73,36 % (Randomized) sur RoboTwin 2.0, soit des scores comparables à ceux de systèmes 40,9 à 163,6 fois plus gros. Il s'agit de résultats de benchmarks en simulation, publiés sous forme de préprint arXiv, sans déploiement réel annoncé. Les auteurs fixent ensuite le générateur d'actions et font varier une seule propriété de l'extracteur à la fois. Un ViT-S/14 initialisé aléatoirement tombe à 78,1 % sur LIBERO, un ResNet-34 pré-entraîné sur ImageNet à 74,5 %, et geler l'encodeur coûte 19,8 points. Rééchantillonner chaque vue à 48 tokens bat le passage de tous les tokens de patchs (97,0 % contre 83,2 %). Le résultat remet en cause une lecture courante du secteur: les gains des VLA (vision-language-action) viendraient surtout de l'échelle ou des priors génératifs. Faute de comparaisons contrôlées, les publications mélangent architecture, taille et pré-entraînement, et ne permettent pas d'isoler ce qui compte. Ici, la représentation visuelle serait le facteur dominant: pré-entraînée, adaptée à la tâche et compressée. Pour un intégrateur ou un décideur, la portée est pratique: une politique de moins de 50 M de paramètres peut tourner sur du matériel embarqué modeste, avec une latence et un coût d'inférence bien plus faibles que des modèles de plusieurs milliards de paramètres. Deux résultats nuancent toutefois cette idée. Un goulot d'information variationnel est pire qu'un budget dur de tokens: il fait chuter LIBERO-Goal de 95,8 % à 33,0 %, car il supprime la sélection de tokens dépendante de l'instruction. Le langage n'aide que si l'observation laisse le but ambigu (LIBERO-Goal passe de 9,2 % à 95,8 %), alors que sur RoboTwin 2.0 sa suppression améliore légèrement le succès. Ce travail s'inscrit dans la course aux grands VLA (Pi-0, GR00T, Helix, entre autres), qui misent sur des backbones vision-langage massifs ou des priors vidéo. CoRP défend la voie inverse, celle de la politique frugale, et ajoute un argument d'ablation à un débat encore ouvert. Les limites sont claires: LIBERO est déjà proche de la saturation, RoboTwin 2.0 reste simulé, et rien ne dit que ces conclusions tiennent sur des tâches longues, du matériel varié ou des environnements industriels non structurés. La suite logique est une validation sur robots réels et la comparaison avec des modèles de grande taille dans les mêmes conditions. Une page projet est disponible à l'adresse corp-policy.github.io.

Recherche❖Paper

1 source

48

360arXiv cs.RO 

Un correcteur appris fait-il mieux qu'un simple repli ? Résultats avec un VLA gelé

Une étude publiée sur arXiv (2610.06921) examine si un correcteur appris, déployé à l'exécution sur une politique vision-langage-action (VLA) gelée, apporte réellement plus qu'une simple action de repli. Les auteurs testent π0.5, le modèle de Physical Intelligence, laissé inchangé, sur quatre tâches du benchmark de simulation RoboTwin. Pour chaque graine de test, ils apparient un rollout sans correction et un rollout avec correction. Ils ajoutent un témoin placebo: une seconde exécution de la politique de base avec la même graine. Sur 3 888 épisodes appariés, le pipeline complet augmente le taux de succès de 13,5 points de pourcentage sur la tâche « beat block hammer » (intervalle à 95 % de +9,4 à +17,7). Les trois autres tâches ne montrent aucun gain détectable au poids de correction déployé. Parmi les épisodes de base en échec sur la tâche réactive, 43,2 % réussissent à la simple relance, contre 63,5 % après correction. Ces chiffres relativisent la notion de « sauvetage ». Près de la moitié des échecs récupérés par le correcteur auraient été récupérés par la seule variabilité stochastique de la politique. Un intégrateur qui mesure un correcteur contre une exécution unique surestime donc son apport. L'efficacité dépend aussi fortement de la tâche: un mécanisme de récupération qui améliore nettement un cas peut être neutre sur les autres. La décision d'intervenir ne peut pas être fixée une fois pour toutes. Le protocole (placebo apparié, intervalles par grappes de graines, règles de comparaison prédéfinies) est lui-même réutilisable pour évaluer les couches de sécurité et de récupération autour des VLA. Sur le plan comparatif, un déclencheur à instant fixe, associé à un retour scripté vers une configuration articulaire antérieure, produit un gain net sur deux séries d'essais. Aucune différence n'est détectée avec le pipeline appris, même si le critère d'équivalence prédéfini n'est pas respecté de façon constante. Une simple pause et un contrôle à action constante n'apportent pas de gains comparables. Le résultat ne démontre donc pas que la complexité apprise est inutile, mais qu'elle n'est pas prouvée. Les limites sont nettes: l'étude est menée en simulation, sur quatre tâches et une seule politique. Elle s'inscrit dans la course aux VLA généralistes (π0.5, Helix, GR00T), où la fiabilité à l'exécution, plutôt que le réentraînement, devient un enjeu de déploiement. Un retrait simple et un placebo apparié devraient servir de référence minimale avant d'investir dans des correcteurs appris.

Recherche❖Paper

1 source

47

361arXiv cs.RO 

BiGym 2.0 : évaluation de politiques apprises et développées par des agents pour la manipulation domestique humanoïde

BiGym 2.0, publié sur arXiv (2610.07594) par l'équipe derrière le dépôt swirl-uk/BiGym2, adapte le benchmark de manipulation bimanuelle BiGym au robot humanoïde Unitree G1. La suite couvre 20 tâches domestiques, toutes pilotées par un contrôleur whole-body unifié, utilisé aussi bien pour la collecte de démonstrations que pour l'évaluation. Chaque tâche fournit 60 démonstrations humaines natives, enregistrées en réalité virtuelle, avec vues multi-caméras synchronisées et traces d'exécution du corps entier. Quatre familles de méthodes sont comparées, avec les mêmes vues embarquées, la même proprioception et le même contrôleur : fine-tuning de modèles vision-langage-action (VLA), apprentissage par imitation, apprentissage par renforcement guidé par démonstrations, et agents de codage partant de zéro, auxquels on accorde le budget d'interactions d'un apprentissage par renforcement en ligne. Environnements, démonstrations et traces d'évaluation sont publiés en open source. Sur la moyenne de neuf tâches retenues pour la comparaison, le fine-tuning de VLA obtient le meilleur score. Les programmes écrits par des agents de codage dépassent toutefois toutes les bases de référence d'apprentissage par renforcement guidé par démonstrations sur cette même moyenne, et dominent sur l'atteinte bimanuelle. Les limites restent nettes : l'empilement entre espaces de travail distincts n'est pas résolu, π0.5 reste faible sur la tâche pick-box, et le transport multi-objets pénalise l'imitation, le renforcement guidé et les agents de codage. L'intérêt est double pour les intégrateurs et les équipes de recherche. D'une part, le résultat tempère l'idée d'une manipulation domestique humanoïde déjà acquise : quand le bras doit agir pendant que le corps s'équilibre, fait un pas ou change de posture, les tâches longues et à plusieurs objets restent hors de portée des méthodes actuelles, y compris des VLA. D'autre part, la performance des programmes générés par agents, sans démonstrations, suggère une voie concurrente de l'apprentissage de politiques, à surveiller. Le fait que toutes les méthodes partagent observations et contrôleur rend la comparaison plus lisible que les démonstrations isolées, mais il s'agit de simulation : le transfert vers le matériel réel n'est pas évalué ici, et les scores détaillés ne figurent pas dans le résumé. BiGym, introduit initialement pour la manipulation mobile bimanuelle sur un robot à base roulante, sert de référence aux travaux sur les VLA et l'imitation. Le passage au G1, plateforme humanoïde accessible largement diffusée en recherche, rapproche le benchmark des modèles de la famille π0.5 de Physical Intelligence, déjà évalués ici. Les suites possibles tiennent à l'ouverture des données : d'autres laboratoires pourront y confronter leurs VLA ou leurs agents de codage, et l'écart sur l'empilement et le transport multi-objets servira de cible aux prochains travaux.

Recherche❖Paper

1 source

46

362arXiv cs.RO 

Langage Silicon : un cadre d'échange de connaissances natif pour robots hétérogènes

Des chercheurs chinois publient sur arXiv (2610.07650) « Silicon Language », un cadre d'échange de connaissances conçu pour que des robots hétérogènes se transmettent des capacités sans réingénierie humaine. Le principe : un robot qui veut une compétence encode sa propre expérience en « paquets de connaissances », les publie, récupère ceux de ses pairs, les traduit pour ses propres capteurs et actionneurs, puis les valide par un essai local indépendant. L'architecture repose sur trois couches : un agent embarqué (edge), un protocole baptisé Silicon Transfer Protocol (STP) et un hub de connaissances, le tout organisé selon une pile de capacités inspirée du système de publication scientifique humain. Un procédé d'évaluation côté récepteur permet à chaque robot de juger l'utilité d'un paquet externe, avec un mélange progressif et un retour arrière automatique pour limiter le transfert négatif. Le déploiement de preuve de concept a duré 30 jours dans un laboratoire de mine simulée en surface à Yulin, avec des essais de suivi sur une route de sable en extérieur et dans une usine en intérieur. Deux robots hétérogènes ont encodé et traduit trois capacités d'un support à l'autre. Les essais côté source du comportement de suivi « dust-locked » ont été enregistrés sur le robot Taurus. Pour les intégrateurs, le coût caché de la robotique reste l'adaptation : chaque transfert de compétence d'une plateforme à une autre implique de refaire les interfaces, de réajuster les paramètres et de revalider la sécurité. Les auteurs indiquent que le temps d'adaptation par capacité serait passé de plusieurs jours à quelques heures. Ce chiffre vient des relevés du projet et non d'une mesure contrôlée, et les auteurs le précisent eux-mêmes. Il n'existe pas de comparaison avec/sans paquet, et le nombre de capacités (trois) et de robots (deux) est très faible. Surtout, les échanges se sont faits par copies de fichiers assistées par un opérateur, ce qui veut dire que la boucle autonome décrite n'a pas été démontrée. Le travail est donc une preuve initiale de faisabilité pour le transfert inter-embodiment, pas une validation à l'échelle d'une flotte. Il vaut surtout pour la question qu'il pose : la validation locale côté récepteur, plutôt que la certification centralisée, comme garde-fou du partage de compétences. Ce travail s'inscrit dans la recherche sur la généralisation entre morphologies, où les modèles VLA (vision-langage-action) généralistes comme Pi-0 ou GR00T misent sur de grands jeux de données pour couvrir plusieurs robots. Silicon Language prend une voie différente, plus proche d'un registre de paquets pour robots, où chaque machine reste responsable de ce qu'elle adopte. Le contexte minier de Yulin reflète aussi l'intérêt chinois pour l'automatisation des environnements poussiéreux et dangereux. Les auteurs renvoient à des travaux futurs l'évolution autonome à l'échelle d'une flotte et les comparaisons contrôlées. Aucun calendrier de pilote industriel n'est annoncé.

Recherche❖Paper

1 source

46

363arXiv cs.RO 

TAPDreamer : des patchs adversariaux transférables contre les modèles d'action du monde

Des chercheurs ont mis au point TAPDreamer, une attaque par patch adversarial qui vise les « world action models » (WAM), ces modèles qui prédisent l'évolution de leur environnement pour piloter un robot. Le patch est construit à partir d'un seul encodeur visuel public, sans aucune requête vers la politique cible. Il suffit de six images d'une tâche source pour optimiser la distance L1 globale entre les représentations de l'encodeur sur image propre et sur image patchée. Un patch figé par benchmark, couvrant environ 6,5 % de l'image, fait chuter FastWAM de 97,7 % à 0,0 % de réussite sur 40 tâches LIBERO, et de 90,86 % à 0,0 % sur 50 tâches RoboTwin, en boucle fermée. Des patchs aléatoires de même taille laissent 81,5 % et 79,2 % de réussite. Le patch transféré fait tomber deux configurations de DreamWAM à 1,45 % et 1,00 %, et Motus à 10,60 %. Ces résultats viennent d'une étude académique en simulation, sans test sur robot physique. L'enjeu tient au mécanisme. Selon les auteurs, les interactions entre les poids d'attention et les vecteurs de valeur propagent un décalage de représentation quasi identique bien au-delà de la zone masquée, et ce décalage reste stable d'une tâche à l'autre. Un attaquant n'a donc besoin ni de la politique, ni de ses sorties, ni de ses futurs prédits, contrairement aux attaques existantes. Pour les intégrateurs et les responsables de sécurité industrielle, cela déplace le risque. Durcir uniquement la génération d'actions ne suffit pas, car l'encodeur visuel partagé devient un point de défaillance commun à plusieurs architectures. Ce travail relativise aussi la robustesse affichée par les modèles du monde sur les benchmarks propres. Un score de 97,7 % sur LIBERO ne dit rien de la tenue face à une perturbation locale persistante, par exemple un autocollant ou une étiquette dans le champ de la caméra. Une réserve s'impose : la portée physique reste à démontrer, car les patchs sont appliqués numériquement sur les images. Le contexte est celui d'une adoption rapide des modèles du monde comme socle du contrôle robotique généraliste, avec des encodeurs pré-entraînés réutilisés d'un modèle à l'autre. Cette mutualisation facilite le développement, mais elle crée la surface d'attaque exploitée ici. Les travaux antérieurs sur les politiques vision-langage-action (VLA) avaient déjà montré une vulnérabilité aux perturbations visuelles, en général avec accès aux sorties du modèle. TAPDreamer abaisse ce seuil d'accès. La conclusion des auteurs est que les défenses devront protéger les encodeurs visuels partagés contre les perturbations locales persistantes. La suite logique serait une validation sur matériel réel, avec des patchs imprimés et des conditions d'éclairage variables, puis l'évaluation de contre-mesures comme l'entraînement adversarial de l'encodeur ou la détection de patchs avant l'inférence.

Recherche❖Paper

1 source

46

364arXiv cs.RO 

OpenWAM : un cadre ouvert pour des modèles monde-action composables

OpenWAM est un cadre open source de modèles monde-action (WAM, world-action models), ces systèmes qui couplent la prédiction vidéo du futur au contrôle d'un robot. Les auteurs partent de Wan2.2-5B, un modèle de génération vidéo de 5 milliards de paramètres, qu'ils pré-entraînent de façon causale sur plus de 10 000 heures de vidéo robotique. Ils y greffent un « expert d'action » via une architecture Mixture-of-Transformers partagée. Celle-ci permet quatre modes de génération : conjointe, vidéo puis action, action puis vidéo, et découplée. Sur les quatre suites du benchmark de simulation LIBERO, le système obtient des taux de réussite élevés, de même que sur des tâches bimanuelles réelles dont l'abstract ne détaille ni le nombre ni les conditions. L'adaptation causale conjuguée à l'entraînement sur vidéo robotique fait passer le taux de réussite en mode vidéo puis action sur LIBERO-Long de 68,4 % à 97,8 %. L'apport principal tient à la méthode plus qu'à un score. Les WAM existants changent simultanément de backbone vidéo, de structure d'interaction, de supervision et de procédure d'inférence, ce qui empêche d'attribuer un gain à un choix de conception précis. OpenWAM fournit un banc d'essai commun où l'on ne modifie qu'un paramètre à la fois. Les résultats sur la dynamique sont les plus intéressants pour les équipes qui cherchent à réduire leur dépendance aux démonstrations coûteuses. Quand seul le prédicteur vidéo est adapté à une nouvelle tâche, un modèle de dynamique inverse gelé, à contexte local, entraîné sur des transitions contrefactuelles et des démonstrations, atteint 84,0 % de réussite moyenne sur quatre tâches LIBERO-90 jamais vues. Le même modèle entraîné sur les seules démonstrations plafonne à 21,5 %, et une version à contexte complet atteint 47,0 %. En dynamique directe, la supervision contrefactuelle réduit l'erreur de prédiction RGB de 34,5 % et fait passer l'identification du bon résultat de 21,1 % à 71,3 % parmi 16 issues partant du même état. Ces chiffres viennent de LIBERO, un benchmark simulé et saturé, et d'un article non encore évalué par des pairs : ils ne disent rien du fossé entre démonstration et déploiement industriel. Ce travail s'inscrit dans la montée des politiques fondées sur la vidéo, qui font concurrence aux modèles vision-langage-action (VLA) classiques comme Pi-0 ou GR00T. Leur promesse est de tirer parti de la grande quantité de vidéo disponible, au-delà des seules démonstrations réussies. Wan2.2 sert ici de socle, ce qui illustre la réutilisation des modèles vidéo génératifs ouverts en robotique. Le cadre est publié sous le numéro arXiv 2610.07922, en version 1, et l'abstract ne mentionne aucun pilote industriel ni calendrier de déploiement. La suite logique serait une validation sur davantage de tâches réelles, avec des comparaisons à poids de calcul équivalent contre les VLA établis.

Recherche❖Paper

1 source

46

365MIT News Robotics 

Un système de planification garantit que la trajectoire de vol d'un robot restera sans collision

Des chercheurs du MIT ont mis au point SANDO (Safe AutoNomous trajectory planning for Dynamic unknOwn environments), un planificateur de trajectoire pour drones (UAV) qui calcule des vols dont l'absence de collision est prouvée mathématiquement, y compris dans un environnement inconnu, sans carte préalable, avec des obstacles mobiles aux mouvements imprévisibles. Les travaux, publiés dans IEEE Transactions on Robotics, sont signés de Kota Kondo (SM 2023, doctorat 2026, auteur principal), Jesús Tordesillas (désormais professeur assistant à l'université pontificale Comillas de Madrid), Juan Rached, Lili Sun, Yixuan Jia, et de Jonathan P. How, professeur au MIT et responsable de l'Aerospace Controls Laboratory. Le système construit d'abord un « couloir de sécurité » : une suite de régions 3D connectées, garanties sans obstacle. Contrairement aux approches classiques, ce couloir tient compte du temps. Un module dédié détecte, regroupe et suit les obstacles dynamiques pour estimer leurs positions futures possibles. La seule donnée que le planificateur doit recevoir est la vitesse maximale que les obstacles peuvent atteindre. Le texte source étant tronqué, les détails de la méthode au-delà de cette étape et les résultats expérimentaux (vols réels, taux de succès, temps de calcul) ne sont pas connus ici. L'enjeu est la nature de la garantie. La plupart des planificateurs existants n'offrent une sécurité formelle que si l'environnement est statique ou si les obstacles sont connus à l'avance. Pour les obstacles mobiles, ils se contentent en général de les éviter « au mieux », sans preuve. Or énumérer tous les scénarios de collision possibles dans un environnement dynamique prend trop de temps pour un usage embarqué. SANDO déplace donc le problème : au lieu de prédire les trajectoires, il raisonne sur l'enveloppe de ce qui est physiquement atteignable, d'où l'unique hypothèse de vitesse maximale. Pour un intégrateur ou un décideur B2B, c'est un argument de certification potentiel dans les missions à haut risque : recherche et secours dans des bâtiments effondrés ou des feux de forêt, exploration de mines, livraison en zone dense, notamment de matériel médical. Une réserve s'impose : une preuve formelle vaut sous ses hypothèses (capteurs fiables, borne de vitesse correcte, dynamique du drone respectée), et l'écart entre garantie théorique et robustesse en conditions réelles reste à documenter. Il s'agit aussi d'un résultat académique, pas d'un produit livré ni d'un déploiement. Ce travail s'inscrit dans la lignée de l'Aerospace Controls Laboratory du MIT, historiquement actif sur la planification de trajectoires pour drones, et prolonge des recherches antérieures de Tordesillas, docteur du MIT en 2022, sur l'évitement d'obstacles. Il se positionne face à deux familles de méthodes : les planificateurs pour environnements statiques inconnus, et ceux qui gèrent le dynamique sans garantie formelle. Aucun calendrier de pilote, partenaire industriel ni commercialisation n'est mentionné dans la partie disponible. La suite logique sera de voir la méthode confrontée à des essais en conditions sévères (fumée, débris, vent) et intégrée à des piles de navigation existantes, ainsi que la manière dont elle s'accommode du bruit de perception, point faible habituel des garanties formelles.

Recherche❖Paper

1 source

46

366arXiv cs.RO 

EmbodiedSmith : passer à l'échelle les données d'IA incarnée grâce à un cycle d'auto-amélioration récursive en simulation

Des chercheurs publient sur arXiv (2610.07969) EmbodiedSmith, un cadre de génération de données d'entraînement robotiques en simulation, fondé sur une boucle de « récursive self-improvement » (RSI). Le système unifie trois étapes habituellement séparées : la création d'assets 3D, la génération de scènes et la génération de tâches. Il fonctionne de façon autonome ou sur instructions en langage naturel. Au centre du dispositif, une boucle de raffinement pilotée par des agents : la génération de scène anticipe les besoins des tâches à venir, et la génération de tâche déclenche en retour des modifications ciblées de la scène. Le cadre prend en charge des manipulateurs mobiles, des humanoïdes et des mains dextres, ainsi que des interactions avec des objets déformables et des fluides. Les auteurs affirment que ce raffinement conjoint améliore le taux de réussite de la génération de tâches, y compris pour les tâches longues, et que des politiques entraînées sur des données plus diversifiées généralisent mieux. Le résumé ne donne ni chiffres, ni noms de robots, ni noms de modèles de politique testés. L'intérêt tient à deux verrous connus des modèles de fondation robotiques : le manque de données variées et le manque d'environnements d'évaluation fiables. Les pipelines de simulation actuels dépendent de bibliothèques d'assets et de compétences prédéfinies, et traitent la scène et la tâche comme deux problèmes disjoints, ce qui produit des tâches irréalisables ou répétitives. Si la boucle scène-tâche tient ses promesses, elle réduirait le travail manuel de conception d'environnements, poste coûteux pour les équipes qui entraînent des VLA (vision-language-action). L'extension aux mains dextres, aux fluides et aux objets déformables vise des cas où la simulation reste la plus fragile. Il faut toutefois rester prudent : il s'agit d'un préprint non évalué par des pairs, et le résumé ne dit rien de l'écart sim-to-real. Un gain de généralisation mesuré en simulation ne prouve pas un transfert sur robot physique, qui est le test décisif pour les décideurs industriels. Le travail s'inscrit dans la course à la donnée synthétique pour la robotique, où coexistent les générateurs de scènes pilotés par LLM, les environnements procéduraux et les plateformes de simulation des grands acteurs, comme Isaac Sim chez NVIDIA, qui alimente la famille GR00T. Face à la téléopération, coûteuse et lente à passer à l'échelle, la simulation générative promet de produire des volumes bien supérieurs à moindre coût. Les prochaines étapes à surveiller sont la publication du code et des benchmarks, des validations sur robots réels et une comparaison directe avec les pipelines existants. Aucun acteur européen ni calendrier de déploiement n'est mentionné dans l'annonce.

IA physique❖Paper

1 source

46

367arXiv cs.RO 

Navigation par indices RF : perception et action incarnées sous incertitude de trajets multiples

Des chercheurs publient sur arXiv (v1, octobre 2026) une méthode de navigation pour robots d'inspection en usine connectée. Le robot doit atteindre un équipement sans carte préalable et sans connaître les coordonnées de la cible. Les signaux radiofréquence (RF) émis par l'équipement servent d'indice directionnel. Ils complètent la vision quand l'occlusion ou un mauvais éclairage empêchent de détecter la cible. Le problème est la propagation par trajets multiples (multipath). Les réflexions déforment le signal, et une mesure RF instantanée ne donne donc pas la vraie direction de la source. Les auteurs construisent d'abord un benchmark, Habitat Sionna RT. Il combine la géométrie détaillée des scènes et des propriétés de matériaux assignées pour produire des observations visuelles et RF alignées, en réponse aux actions du robot. Ils proposent ensuite un cadre multimodal sensible à l'incertitude. Il estime conjointement la direction de la cible et son incertitude à partir d'un historique d'observations RF, visuelles et de pose. Ces estimations alimentent la sélection d'actions, avec le contexte visuel. Dans des scènes jamais vues, le gain relatif atteint 18,2 % en taux de succès (SR) et 11,5 % en SPL (succès pondéré par la longueur du chemin) face à la meilleure référence évaluée. L'apport tient moins à la RF elle-même qu'à la façon de la traiter. Le signal n'est plus lu comme une flèche fiable : c'est une observation bruitée dont la confiance est modélisée et accumulée dans le temps. Pour un intégrateur, l'intérêt potentiel est d'exploiter la radio déjà présente sur site (équipements connectés, réseaux sans fil) plutôt que de déployer des balises dédiées. Cette lecture reste une inférence, que l'étude ne démontre pas. Les résultats viennent uniquement de simulation. Ce sont des gains relatifs, et le résumé ne donne ni valeurs absolues ni identité de la référence la plus forte. L'écart simulation-réel reste entier : un lancer de rayons avec matériaux assignés ne reproduit qu'approximativement les réflexions d'un atelier réel. Ce travail s'inscrit dans la navigation vers un objectif, dominée par des approches purement visuelles évaluées sur des simulateurs comme Habitat. Sionna RT est la bibliothèque de lancer de rayons radio d'NVIDIA. Les alternatives sont la localisation RF sur infrastructure fixe, ou le SLAM (cartographie et localisation simultanées) avec carte préalable. Le présent cadre vise justement l'absence de carte et de coordonnées. Aucun déploiement ni pilote industriel n'est annoncé. La suite logique est une validation sur robot physique dans un environnement industriel réel, avec mesures RF en conditions de multipath dense. C'est ce test qui dira si le gain observé en simulation survit à la réalité.

Recherche❖Paper

1 source

46

368arXiv cs.RO 

QF3 : apprentissage par renforcement à base de flux rapide avec gradients Q filtrés

Des chercheurs publient QF3 (Fast Flow RL with Filtered Q-Gradients), un algorithme d'apprentissage par renforcement (RL) off-policy et online qui entraîne des politiques de type « flow » (génératives, basées sur le flow matching). L'entraînement combine la perte de flow matching et le gradient d'action du critique Q, rétropropagé à travers une prédiction en un seul pas de la sortie du flow. Un filtre limite l'application de ce gradient aux seules dimensions d'action restées proches de l'action stockée dans le replay buffer, là où le critique et la prédiction à un pas sont jugés fiables. Les auteurs affirment que QF3 est la première méthode de RL off-policy à base de flow qui entraîne des politiques de locomotion humanoïde from scratch et les transfère en zero-shot sur le robot réel. Associé à une recette d'entraînement off-policy à haut débit, il apprend des politiques de locomotion et de motion tracking humanoïdes avec une accélération de 10x en temps réel (wall-clock) par rapport à FPO++, une méthode récente de RL on-policy pour politiques flow. Les auteurs l'appliquent aussi au fine-tuning de politiques de manipulation pré-entraînées sur les benchmarks ABC-Sim et Robomimic. Il s'agit d'un preprint arXiv (v1), non relu par les pairs, accompagné d'un site de projet. L'intérêt tient à la jonction de deux tendances. Les politiques flow (et diffusion) sont devenues la classe standard pour apprendre des comportements par imitation, notamment dans les VLA (vision-language-action), mais leur amélioration par RL reste difficile : rétropropager à travers un échantillonnage multi-étapes est instable et coûteux, ce qui a poussé vers des méthodes on-policy comme FPO++, gourmandes en échantillons. Si le gain de 10x se confirme hors du cadre des auteurs, il réduirait le coût de la locomotion humanoïde apprise en simulation, puis transférée au réel (sim-to-real). Il suggérerait aussi qu'un seul algorithme peut servir à la fois à l'entraînement from scratch et au raffinement de politiques issues de démonstrations. Pour les intégrateurs, cela ouvre la voie à un affinage par interaction de politiques pré-entraînées, sans repartir de zéro. Il faut toutefois rester prudent : la revendication de « première » est auto-déclarée, et le résumé ne donne ni plateforme humanoïde, ni nombre d'essais matériels, ni taux de succès chiffrés en manipulation. Le « 10x » est mesuré face à une seule méthode de référence, sur des tâches choisies par les auteurs. Ces travaux s'inscrivent dans la montée des politiques génératives en robotique, popularisées par Diffusion Policy puis par des modèles flow comme Pi-0, et dans l'effort pour combiner imitation et RL. Les concurrents directs sont les méthodes de RL pour politiques flow ou diffusion, dont FPO++ est la référence citée, ainsi que les approches de fine-tuning de VLA par RL. Les prochaines étapes à surveiller sont la publication du code et des détails matériels sur le site du projet, des réplications indépendantes et une éventuelle application à des VLA de grande taille ou à des tâches de loco-manipulation, où le coût d'entraînement reste le principal verrou.

Recherche❖Paper

1 source

46

369arXiv cs.RO 

BAT : concilier agilité et stabilité par commutation de politiques en ligne pour le contrôle du corps entier d'un robot humanoïde sur de longs horizons

Des chercheurs proposent BAT, un cadre de commutation de politiques en ligne pour le contrôle du corps entier d'humanoïdes sur de longs enchaînements de mouvements. Le travail, publié sur arXiv (2604.01064, version 2), part d'un constat : les approches existantes suivent deux paradigmes. Les politiques couplées coordonnent tout le corps de façon globale, tandis que les politiques découplées traitent chaque module séparément pour gagner en précision. BAT choisit dynamiquement entre deux contrôleurs généralistes entraînés par apprentissage par renforcement, l'un couplé et l'autre découplé, selon le contexte du mouvement en cours. Deux prédicteurs de commutation travaillent en parallèle. OpVQ-VAE s'appuie sur des « tokens » de mouvement et généralise bien. OpHRL est un prédicteur en boucle fermée qui tient compte de l'état du robot. Un routeur de familiarité des tokens (Token-Familiarity Router) arbitre lorsque les deux divergent : il privilégie OpHRL pour les séquences de tokens connues et OpVQ-VAE pour les séquences inédites. Les auteurs annoncent 85,2 % de réussite sur des combinaisons de mouvements longues déjà vues à l'entraînement, et 71,3 % sur des mouvements jamais rencontrés. Ils rapportent aussi de meilleurs résultats que les contrôleurs corps entier existants sur les mouvements pris isolément, ainsi qu'un déploiement zéro-shot sur le Unitree G1. L'intérêt pratique tient au compromis que les équipes rencontrent sans cesse. Une politique couplée donne des gestes dynamiques et agiles, comme des sauts ou des mouvements amples, mais elle perd en précision. Une politique découplée manipule ou positionne mieux, mais elle devient moins robuste quand le mouvement exige une coordination globale. Plutôt que de chercher un contrôleur unique qui concilie tout, BAT montre qu'on peut combiner des spécialistes et basculer entre eux à l'exécution. Le point à surveiller est l'écart entre mouvements vus et inédits : 85,2 % contre 71,3 %, soit près de 14 points perdus, ce qui reste loin de la fiabilité attendue en production. Ces chiffres viennent de benchmarks de recherche, sans durée de tâche, nombre d'essais ni conditions détaillés dans le résumé. Le transfert zéro-shot sur G1 est encourageant, mais rien ne dit qu'il couvre toute la distribution de mouvements testée en simulation. Ce travail s'inscrit dans la vague des contrôleurs généralistes corps entier pour humanoïdes, nourrie par l'apprentissage par renforcement en simulation et l'imitation de mouvements humains. Le Unitree G1, peu coûteux et très répandu dans les laboratoires, sert désormais de plateforme de référence pour valider ces méthodes. Les auteurs ne se positionnent pas ici face aux modèles VLA commerciaux (Figure, Tesla, NVIDIA), car BAT agit à la couche basse de contrôle, pas au niveau du raisonnement ou de la planification. Cette couche reste pourtant un goulot d'étranglement pour passer des démonstrations à des tâches longues et enchaînées. La version 2 laisse penser que l'article a été révisé après relecture. Les suites logiques seraient des tests sur d'autres plateformes, des tâches de manipulation plus longues et une mesure de la robustesse hors laboratoire. Aucun calendrier de déploiement industriel n'est annoncé.

Recherche❖Paper

1 source

46

370arXiv cs.RO 

Démo : cadre de co-simulation en boucle fermée Sionna-Isaac Sim pour une navigation robotique sensible au réseau sans fil via ROS 2

Des chercheurs de la Singapore University of Technology and Design (SUTD) présentent, dans une démonstration publiée sur arXiv, un cadre de co-simulation en temps réel qui couple NVIDIA Isaac Sim (moteur physique et de perception robotique) et NVIDIA Sionna (simulateur de liaisons radio) via ROS 2. Sionna calcule par lancer de rayons sur GPU le canal entre la station de base et le robot, sur la géométrie exacte que simule Isaac Sim, au lieu d'un modèle stochastique. Les états du canal reviennent dans la boucle de commande en temps réel : la carte de couverture est rafraîchie en environ 16 ms (environ 60 Hz). Pour la démonstration, l'équipe a construit un jumeau numérique du campus SUTD à partir d'OpenStreetMap, avec deux robots Nova Carter. Le planificateur en boucle fermée supprime les coupures de communication pour un surcoût de seulement 7,4 % sur le temps de parcours. Le trajet le plus court, pris comme référence, reste déconnecté 7,9 s sur un parcours de 81,2 s, soit environ 10 % du temps. L'enjeu concerne les robots dont la boucle de contrôle est déportée sur le réseau, en 5G privée ou en edge computing. Comme le récepteur se déplace avec le robot, la qualité de la liaison dépend de sa trajectoire. Jusqu'ici, les simulateurs traitaient l'un ou l'autre aspect. Les auteurs affirment, à leur connaissance, qu'aucun outil n'unifie nativement moteur physique et propagation spécifique au site, et que les couplages existants se limitaient à des analyses hors ligne. Pour un intégrateur de flottes d'AMR en entrepôt ou en usine, l'intérêt est de tester avant déploiement les zones d'ombre radio, au lieu de les découvrir sur site. Les chiffres demandent toutefois de la prudence : ils proviennent d'un seul scénario simulé, sur un campus, sans mesure sur du matériel réel. Un jumeau fidèle en simulation ne garantit pas la même précision face aux réflexions, aux obstacles mobiles et à la variabilité d'un site industriel. Il s'agit d'une démo de recherche, pas d'un produit livré ni d'un déploiement. Cette approche prolonge la convergence des outils NVIDIA, avec Isaac Sim pour la robotique, Omniverse pour les jumeaux numériques et Sionna pour la recherche en communications, dans la perspective de la 6G et du « network-aware robotics ». Elle s'inscrit dans le courant de la simulation avant le sim-to-real, déjà adoptée pour la perception et la manipulation, mais encore peu appliquée à la connectivité. Le sujet touche aussi les humanoïdes et les robots mobiles qui déportent une partie de l'inférence, par exemple pour les modèles VLA, vers des serveurs distants. Les prochaines étapes naturelles seraient une validation sur un banc réel, des scénarios multi-cellules et multi-robots, et une intégration avec des planificateurs plus complexes. Aucun calendrier n'est annoncé.

Recherche❖Paper

1 source

46

371arXiv cs.RO 

Des jambes aux roues : retargeting de mouvement humain adapté à l'embodiment pour humanoïdes à base mobile

Des chercheurs publient sur arXiv (2610.08381v1) un cadre de retargeting de mouvement humain conçu pour les humanoïdes à base mobile, c'est-à-dire des robots dotés d'une base à roues, d'un axe de levage vertical et de deux bras, sans jambes. Le système prend en entrée un mouvement humain reconstruit à partir de vidéo et le répartit entre trois responsabilités, la base, le lift et les bras, avant toute adaptation propre à un robot donné. Un module d'allocation conserve le chemin issu de l'humain, stabilise le cap, sépare rotation et translation quand c'est nécessaire, recadre temporellement les commandes pour respecter les limites de la base, puis répare les trajectoires du lift et des bras. Un adaptateur de déploiement convertit ensuite la référence en commandes à 50 Hz, grâce à la détection de base immobile, à un filtrage par zone morte et limitation de pente (slew-rate), à une mise à l'échelle de lecture cohérente dans le temps et à des gains linéaire et angulaire distincts. L'évaluation combine des comparaisons dans l'espace de la tâche par rapport à l'humain, un rejeu en simulation sans politique apprise et une exécution qualitative sur un robot physique. L'abstract ne fournit ni payload, ni DOF, ni taux de réussite chiffré, ni nom de plateforme. L'enjeu est pratique. La vidéo humaine est l'une des rares sources de démonstrations réellement extensibles, mais la plupart des méthodes de retargeting supposent un robot à jambes à cinématique proche de l'humain. Or une grande partie des humanoïdes commercialisés pour la logistique et l'industrie sont des manipulateurs mobiles bimanuels sur roues, plus simples à stabiliser et à déployer que la marche bipède. Pour eux, marcher devient un mouvement de base et se pencher devient une coordination entre lift et bras. Combler ce fossé élargit la quantité de données exploitable par ces plateformes. Il faut toutefois relativiser. L'évaluation reste modeste : une exécution physique seulement qualitative, pas d'entraînement de politique, pas de comparaison chiffrée avec des méthodes concurrentes. Le travail démontre la faisabilité d'une référence cinématique propre, pas encore la rentabilité de cette voie par rapport à la téléopération. Ce travail s'inscrit dans le mouvement qui cherche à apprendre à partir de vidéo humaine, dans le prolongement des méthodes de retargeting conçues pour des humanoïdes bipèdes. La contribution est ici l'adaptation à une morphologie différente, plus proche des architectures hybrides roues et bras que privilégient plusieurs acteurs industriels. La suite logique serait une validation quantitative sur des tâches réelles et le couplage de ces références avec l'apprentissage de politiques de type VLA ou par imitation, afin de mesurer le gain réel en volume de données exploitables et en taux de réussite. Aucun pilote, partenaire industriel ni calendrier n'est annoncé à ce stade.

Recherche❖Paper

1 source

46

372arXiv cs.RO 

EgoLAP : apprendre à partir de données humaines égocentriques grâce au raisonnement langage-action

EgoLAP, un cadre de pré-entraînement pour modèles VLA (vision-langage-action) décrit dans une prépublication arXiv (2610.08726), vise à exploiter des données égocentriques humaines, c'est-à-dire filmées du point de vue d'une personne qui accomplit une tâche, pour entraîner des robots. Le système apprend conjointement à partir de trajectoires humaines et robotiques via une chaîne de raisonnement par le langage partagée. L'intention de mouvement y est exprimée sous forme d'« actions langagières » structurées et abstraites dans le temps. Chacune est associée à un raisonnement au niveau du mouvement, fondé sur la géométrie de la scène, la physique et les affordances des objets. Les auteurs annoncent 80,1 % de progression moyenne des tâches en conditions réelles, soit un gain de 2,3 fois par rapport aux autres représentations d'action testées. Les expériences couvrent des tâches réelles et simulées. Le résumé ne précise ni la plateforme robotique, ni le nombre de tâches, ni le volume de données humaines utilisé. L'enjeu est celui du coût des démonstrations robotiques. La téléopération reste lente, chère et difficile à passer à l'échelle, alors que les vidéos égocentriques humaines peuvent être collectées en grande quantité. Le verrou est l'écart d'embodiment : les actions bas niveau d'un humain (articulations d'une main, trajectoires du poignet) ne se transposent pas telles quelles à un bras ou une pince. L'idée centrale est de n'utiliser comme cible de supervision que l'intention de mouvement, jugée transférable entre humains et robots. Si ce résultat se confirme, il renforcerait la thèse d'un passage à l'échelle des VLA par les données humaines plutôt que par les seules démonstrations robot. Les auteurs affirment aussi que le raisonnement au niveau du mouvement fait mieux qu'un format composite combinant sous-tâches, boîtes d'objets et traces visuelles, ce qui interroge les choix de raisonnement intermédiaire adoptés par plusieurs modèles actuels. Il faut toutefois rester prudent. Le chiffre de 80,1 % mesure une progression de tâche, pas un taux de réussite complet. Le gain de 2,3 fois dépend du choix des représentations comparées, et ces résultats n'ont pas encore été relus par des pairs. L'approche s'inscrit dans un courant plus large : des modèles comme Pi-0, GR00T ou Helix cherchent aussi à combiner vidéo humaine, simulation et données robot, et plusieurs équipes explorent les représentations d'action partagées entre morphologies. EgoLAP se distingue en choisissant le langage comme pivot. Reste à voir si le code, les poids et les jeux de données seront publiés, et si la méthode tient sur des tâches de longue durée, des mains dextres ou des environnements industriels, seuls cas qui intéresseraient vraiment les intégrateurs.

IA physique❖Paper

1 source

45

373arXiv cs.RO 

Démo : calibration en ligne d'un jumeau numérique électromagnétique guidée par un modèle vision-langage

Un jumeau numérique électromagnétique (EM) donne aux robots mobiles une conscience situationnelle du réseau sans fil, mais il dépend des conductivités des matériaux, qui varient selon l'environnement. Une démonstration publiée sur arXiv (2610.07081) présente un cadre de calibration en ligne guidé par un modèle vision-langage (VLM). Il combine un robot humanoïde Unitree G1 et le simulateur de propagation radio NVIDIA Sionna. Le VLM est appelé deux fois. Une première fois, il classe les matériaux visibles dans l'image (béton, verre, bois, etc.). Cette classification est convertie via la recommandation ITU-R P.2040 en valeurs a priori de conductivité. Sionna s'en sert pour initialiser une descente de gradient sur les mesures de puissance reçue (RSS) accumulées par le robot. Une seconde fois, le VLM choisit le prochain point de mesure en fonction de l'erreur résiduelle de calibration RSS et de la couverture d'image déjà obtenue. Dans un scénario intérieur réel, le système atteint une erreur absolue moyenne normalisée de conductivité de 1,74×10⁻⁴ en moins de 20 m de déplacement. Une initialisation aléatoire ne converge jamais. Des points de passage aléatoires exigent plus du double de distance parcourue. Pour les intégrateurs et les responsables de sites, ce travail s'attaque à un obstacle concret de la robotique mobile connectée : les modèles de propagation radio calibrés à la main ne suivent pas les changements d'un entrepôt ou d'un bâtiment (réaménagement, nouvelles cloisons, rayonnages). Un robot qui recalibre lui-même son jumeau numérique pourrait cartographier la couverture Wi-Fi ou 5G privée, anticiper les zones d'ombre et adapter ses trajets. Le résultat montre aussi un usage utile des VLM hors de la manipulation ou de la navigation : fournir un a priori sémantique qui rend l'optimisation physique convergente, là où une initialisation naïve échoue. Les limites sont nettes. Il s'agit d'une démonstration sur un seul environnement intérieur, sans comparaison publiée avec des méthodes classiques d'estimation de paramètres ni mesure de robustesse face aux erreurs de classification du VLM. L'erreur de conductivité, très faible, est aussi normalisée selon une convention que le résumé ne détaille pas. Cette approche s'inscrit dans la montée des jumeaux numériques radio, portée notamment par la bibliothèque Sionna de NVIDIA, qui offre un lancer de rayons différentiable permettant l'optimisation par gradient des paramètres de scène. Le Unitree G1, humanoïde abordable largement utilisé en recherche, sert ici de plateforme mobile de mesure. Le travail rejoint l'effort plus large visant à utiliser les modèles de fondation multimodaux comme couche de raisonnement dans des boucles de perception et de planification, plutôt que comme simples interfaces. Les suites logiques seraient des essais sur des sites plus vastes et plus hétérogènes, une validation sur plusieurs robots et une intégration à des flottes d'AMR. Aucun calendrier de déploiement ni partenaire industriel n'est annoncé à ce stade.

Recherche❖Paper

1 source

45

374arXiv cs.RO 

Valider quand les futurs concordent : découpage adaptatif des actions tenant compte des conséquences pour la manipulation robotique

Une équipe de chercheurs propose CA³C (Consequence-Aware Adaptive Action Chunking), un cadre d'inférence qui décide dynamiquement quelle portion d'une séquence d'actions prédite par une politique robotique doit être exécutée avant de replanifier. Les politiques à « action chunking » prédisent des séquences de commandes sur plusieurs pas de temps, mais la plupart des systèmes exécutent un préfixe de longueur fixe, en supposant que le même horizon reste fiable dans tous les états. CA³C s'appuie sur un modèle du monde conditionné par les actions, qui simule les conséquences de plusieurs séquences candidates générées avec le même bruit d'échantillonnage. Le problème de l'horizon d'exécution est formulé comme une inférence bayésienne de point de rupture, puis la séquence retenue est choisie par consensus entre futurs imaginés. Le principe tient en une phrase : s'engager tant que les futurs simulés concordent, replanifier dès qu'ils divergent. La politique de base n'est ni modifiée ni réentraînée. Testée sur plusieurs benchmarks en simulation et sur des tâches de manipulation avec de vrais robots, la méthode améliore diverses politiques à action chunking, avec une réduction relative du taux d'échec allant jusqu'à 71,8 % par rapport aux politiques d'origine. L'intérêt tient au critère de décision. Les méthodes adaptatives existantes estiment l'horizon à partir de la similarité ou de la stabilité des actions prédites. Or des actions différentes peuvent mener au même résultat, tandis que des actions proches peuvent produire des futurs distincts. Juger la confiance dans l'espace des conséquences plutôt que dans l'espace des actions est donc plus cohérent avec ce qui compte pour la tâche. Pour les intégrateurs et les équipes qui déploient des politiques VLA ou de diffusion, l'approche est un module greffé à l'inférence, sans nouvelle collecte de données ni réentraînement, ce qui abaisse le coût d'adoption. Deux réserves : le chiffre de 71,8 % est un maximum, pas une moyenne, et le coût de calcul additionnel n'est pas précisé dans le résumé. Faire tourner un modèle du monde sur plusieurs candidats a un prix en latence, qui compte pour des cycles de contrôle rapides. La qualité du modèle du monde conditionne aussi la fiabilité du consensus. Ce travail, publié sur arXiv (2610.07949, première version), s'inscrit dans l'évolution de l'action chunking popularisé par des politiques comme ACT et Diffusion Policy, puis repris par les modèles VLA tels que Pi-0. Le compromis est connu : des horizons longs donnent des mouvements fluides mais réagissent mal aux perturbations, des horizons courts sont plus réactifs mais plus coûteux et saccadés. Parallèlement, les modèles du monde conditionnés par l'action gagnent du terrain comme outils de planification et d'évaluation. La suite logique serait de mesurer la surcharge de calcul, de tester la méthode sur des politiques de grande taille et en conditions industrielles. Il s'agit à ce stade d'un résultat de recherche, sans déploiement commercial annoncé.

Recherche❖Paper

1 source

45

375arXiv cs.RO 

HARL-A : un cadre de référence extensible pour l'apprentissage par renforcement adverse multi-agents hétérogènes dans IsaacLab

Des chercheurs du laboratoire DIRECTLab ont publié HARL-A, un framework open source maintenu activement et construit sur IsaacLab, le simulateur robotique de NVIDIA. Il sert à entraîner et à évaluer des politiques adversariales multi-agents (MARL) sur des équipes de robots aux morphologies variées. Le nombre d'équipes est libre, tout comme le mélange de morphologies dans chaque équipe. HARL-A étend la bibliothèque d'algorithmes HARL et IsaacLab avec un support adversarial. Il apporte trois composants : une architecture logicielle modulaire qui réduit le travail d'ingénierie pour définir de nouveaux environnements hétérogènes, trois environnements de référence (Sumo, Soccer et 3D Galaga) et plus de dix politiques pré-entraînées, publiées sur Hugging Face. Sumo porte sur la poussée avec beaucoup de contacts, Soccer sur la maîtrise du ballon en compétition, et 3D Galaga sur la poursuite et l'évasion. Le code, les environnements et la documentation sont disponibles sur GitHub, dans le dépôt DIRECTLab/IsaacLab-HARL. Les auteurs indiquent que le framework produit de façon fiable des politiques adversariales et une spécialisation émergente des rôles. Ces résultats sont démontrés en simulation seulement, et l'abstract ne donne aucun chiffre de performance. Pour la recherche, l'intérêt est surtout d'infrastructure. Les travaux sur le MARL adversarial en robotique sont freinés par des outils éparpillés. Les frameworks existants se concentrent sur la coopération, s'appuient sur des moteurs physiques simplifiés ou restent des implémentations isolées, difficiles à étendre. Un socle commun avec une physique de haute fidélité et des politiques déjà entraînées permet de comparer des méthodes sans repartir de zéro. Le support de morphologies mixtes compte aussi, car les flottes réelles combinent déjà quadrupèdes, humanoïdes et bras. Pour un industriel ou un intégrateur, ce n'est pas un produit déployable. Les tâches de sumo, de foot et de jeu d'arcade en 3D sont des bancs d'essai académiques, et rien n'est dit sur le transfert sim-to-real ni sur des robots physiques. Ces résultats ne disent donc rien du fossé entre démonstration et réalité. Ce travail s'inscrit dans l'écosystème IsaacLab, devenu le standard de fait pour l'apprentissage par renforcement massivement parallèle sur GPU. Il prolonge HARL, bibliothèque d'algorithmes MARL hétérogènes, que HARL-A rend utilisable en contexte compétitif. La version 2 de l'article, signalée comme remplacement croisé sur arXiv, montre un projet encore en évolution. Les comparaisons les plus naturelles sont les plateformes MARL généralistes, mais leur physique est plus simple, et les suites d'apprentissage de NVIDIA, centrées sur un seul robot. Aucun acteur européen n'est cité. Les prochaines étapes probables sont l'ajout d'environnements, l'évaluation de la robustesse des politiques face à des adversaires inédits et, à terme, un test sur du matériel réel. Aucun calendrier n'est annoncé.

Recherche❖Paper

1 source

45

376arXiv cs.RO 

VLA-ACL : élagage de jetons visuels cohérent avec les actions pour des modèles vision-langage-action (VLA) efficaces

Des chercheurs publient sur arXiv VLA-ACL (Action Consistency Learning), une méthode d'élagage de tokens visuels pour les modèles Vision-Language-Action (VLA), dont le code est disponible sur GitHub. Le système apprend une politique d'élagage légère tout en laissant le modèle VLA de base entièrement gelé. L'entraînement vise à ce que les actions produites à partir d'un contexte visuel élagué restent cohérentes avec celles d'un modèle enseignant qui voit le contexte complet. Les actions de référence (ground truth) ne servent que de supervision auxiliaire. Les tests portent sur le benchmark de simulation LIBERO et sur des tâches de manipulation en conditions réelles. La méthode élimine jusqu'à 87,5 % des tokens visuels tout en gardant des performances jugées compétitives. Elle réduit le calcul jusqu'à 75 % et accélère l'inférence d'un facteur 1,5. Ces chiffres comptent pour le déploiement. Un VLA doit traiter de longues séquences de tokens à chaque pas de contrôle, et les patchs visuels dominent cette séquence. Cette charge limite le temps réel sur le matériel embarqué. Le gain d'inférence de 1,5x reste nettement inférieur à la réduction de calcul de 75 %. Cet écart suggère que les coûts hors visuel, comme le décodage des actions, plafonnent l'accélération réelle. Les résultats viennent de l'article seul, sans reproduction indépendante. La notion de « performance compétitive » n'est pas chiffrée dans le résumé, et on ignore sur quels modèles de base et quels robots les tests réels ont été faits. La méthode gèle le modèle de base, donc un intégrateur peut l'ajouter à un VLA existant sans le réentraîner. Elle illustre aussi un changement d'approche : choisir les tokens selon leur effet sur la commande finale plutôt que selon des scores d'attention. Les travaux antérieurs d'élagage pour VLA se répartissent en deux familles. La première regroupe des heuristiques sans entraînement, fondées sur les scores d'attention ou des seuils de mouvement, jugées indirectes par les auteurs. La seconde exige un réglage fin coûteux du modèle de base. VLA-ACL se place entre les deux : une supervision au niveau de l'action, sans toucher aux poids du VLA. Les auteurs affirment un meilleur compromis performance-efficacité que les méthodes d'élagage existantes pour VLA gelés. La suite dépendra de la généralisation à d'autres architectures (Pi-0, GR00T, Helix et leurs équivalents) et de tests sur plus de tâches réelles. Le code étant public, la communauté pourra vérifier ces résultats rapidement.

Recherche❖Paper

1 source

45

377arXiv cs.RO 

WAMJET : un cadre pour accélérer les modèles d'action du monde

WAMJET, présenté sur arXiv (2610.03797, version 2), est un « harness » agentique qui accélère l'inférence des World Action Models (WAM). Ces modèles réutilisent des modèles de fondation vidéo pré-entraînés pour la manipulation robotique, en prédisant conjointement la vidéo future et les actions. Ce couplage et la taille des backbones rendent l'inférence coûteuse. Le harness dote des agents de code de consignes d'optimisation réutilisables et d'outils de mesure et de validation. L'agent suit un flux piloté par les goulots d'étranglement : il profile l'inférence, modifie le code ciblé, valide les effets, puis affine la pile d'accélération à mesure que les goulots se déplacent, sans dégrader la qualité des actions. Les expériences couvrent six WAM, trois agents de code et deux architectures de GPU. WAMJET atteint jusqu'à 9,95x d'accélération sans perte par rapport aux implémentations amont. Des optimisations par approximation et adaptées au matériel réduisent encore la latence, avec des taux de succès comparables. Ce travail s'attaque à un frein concret du déploiement des WAM : leurs latences d'inférence. Les techniques d'accélération existent déjà (quantification, distillation, réduction du nombre de pas de diffusion, optimisation des noyaux), mais choisir et composer celles qui conviennent à chaque modèle et à chaque plateforme matérielle demande un travail d'ingénierie lourd et répété. En automatisant cette étape avec des agents de code, les auteurs proposent de la traiter comme un problème d'optimisation outillé plutôt que comme du sur-mesure. Pour un intégrateur ou une équipe qui porte un WAM sur un robot réel, le gain de latence conditionne la fréquence de contrôle atteignable. Le résultat suggère aussi que les implémentations amont des WAM laissent beaucoup de performance inexploitée. Le chiffre de 9,95x est un maximum, obtenu sur le meilleur cas, et non une moyenne. L'extrait disponible ne détaille ni les latences absolues ni la liste des six modèles, ce qui limite la lecture de ce chiffre. La mention de taux de succès « comparables » pour les variantes approximatives demande à être vérifiée sur des tâches physiques variées, et pas seulement sur des benchmarks. Cette approche s'inscrit dans deux tendances. La première est la montée des modèles d'action fondés sur la vidéo, qui héritent de la qualité des modèles vidéo génératifs, mais aussi de leur coût de calcul, par opposition aux VLA classiques, plus légers. La seconde est l'usage d'agents de code pour optimiser des systèmes, sur le modèle de l'ingénierie assistée de noyaux GPU. Les travaux concurrents sur l'accélération des VLA, comme les politiques à flow matching ou à diffusion réduite en pas, visent le même objectif de contrôle temps réel, mais sans automatiser la composition des techniques. La suite logique est une validation sur robots physiques et sur davantage de plateformes, notamment embarquées, où les contraintes de calcul sont les plus fortes.

Recherche❖Paper

1 source

44

378arXiv cs.RO 

Adaptation des modèles vision-langage-action (VLA) à des perturbations visuelles inconnues pendant l'exécution

Des chercheurs proposent SALT (Self-supervised Adaptation from Leftover Trajectories), une méthode d'adaptation au moment du test pour les modèles vision-langage-action (VLA), publiée sur arXiv (2610.07946). Elle cible un problème précis : une perturbation visuelle (corruption d'image, obstruction physique de la caméra) survient en cours d'exécution, sans que la politique connaisse son type ni son moment d'apparition. SALT exploite la « trajectoire résiduelle », c'est-à-dire la partie non exécutée du chunk d'actions précédent. Les chunks consécutifs se recouvrant dans le temps, ce résidu fournit une cible alignée sur le même intervalle de contrôle que la prédiction courante. Aucune annotation de perturbation, aucune action d'expert et aucune démonstration du domaine cible ne sont requises. Une porte d'adaptation légère, calibrée uniquement sur des trajectoires nominales, déclenche les mises à jour. Sur LIBERO-10, le taux de succès moyen sur cinq corruptions visuelles persistantes passe de 43,9 % à 53,2 % avec SmolVLA, et de 58,7 % à 66,0 % avec GR00T N1.7, avec une performance nominale largement préservée. Sur robot réel, la progression de tâche moyenne, perturbations numériques et physiques confondues, passe de 0,49 à 0,61. L'intérêt tient à la nature du problème traité. La plupart des travaux de robustesse des VLA supposent un entraînement avec augmentation de données ou une connaissance du décalage de domaine. Or en production, caméras salies, éclairage changeant ou occultations partielles arrivent sans préavis. SALT suggère qu'on peut gagner entre 7 et 9 points de succès sans données supplémentaires, en recyclant les prédictions déjà produites par le modèle. Deux mécanismes expliquent l'effet : à l'apparition du décalage, le résidu garde un plan formé avant la corruption et sert d'ancre (Transition Anchoring), puis la correction se propage d'un replanning à l'autre (Sequential Correction Propagation). Les limites sont nettes : le gain reste modeste en valeur absolue, les taux de succès restent sous les 70 %, et le test sur robot réel, mesuré par un score de progression et non un taux de réussite, offre peu de détails sur le nombre d'essais ou les tâches. Le benchmark LIBERO reste de plus de la simulation. Ce travail s'inscrit dans l'effort de fiabilisation des VLA après la vague de modèles généralistes comme Pi-0, GR00T ou SmolVLA, dont l'écart entre démonstration et déploiement tient souvent à la sensibilité aux conditions visuelles. L'approche rejoint l'adaptation au moment du test, déjà explorée en vision par ordinateur, mais l'applique ici à la structure par chunks d'actions propre aux politiques modernes. Elle reste un résultat de recherche, sans produit ni déploiement annoncé. Les prochaines étapes probables sont des validations sur d'autres architectures, des perturbations plus variées et des tâches longues, ainsi qu'une évaluation du coût de calcul des mises à jour en ligne sur du matériel embarqué, point que le résumé ne chiffre pas.

Recherche❖Paper

1 source

44

379arXiv cs.RO 

Vers un banc d'essai extensible pour le dialogue oral avec les robots sociaux

Des chercheurs proposent un banc d'essai ouvert, destiné à toute la communauté, pour évaluer le dialogue oral entre humains et robots sociaux. Publié sur arXiv (2610.08733, première version), le travail part d'un constat : les modèles de langage offrent une interface « plug-and-play » entre l'humain et la machine, mais les difficultés réapparaissent dès que la parole, le rythme de l'échange et la collaboration entrent en jeu. Le benchmark cible quatre familles d'artefacts typiques de la conversation orale : les demandes de clarification, les interruptions, les signaux incarnés (hochements de tête, expressions faciales) et les contraintes de temps. Les auteurs décrivent aussi leur intention de l'étendre à d'autres dimensions de l'interaction homme-robot. Pour le rendre praticable, ils recommandent Retico, un framework de communication en temps réel censé répondre aux exigences techniques d'un dialogue oral robotisé. Le résumé ne donne ni scores, ni plateformes testées, ni jeu de données chiffré : il s'agit d'une proposition de cadre, pas d'une évaluation de systèmes existants. L'enjeu pour l'industrie est surtout méthodologique. Les démonstrations de robots conversationnels reposent souvent sur des scénarios choisis, avec des tours de parole bien séparés et une latence rarement documentée. Or, dans un accueil, un service ou un atelier, un robot doit savoir demander de repréciser, accepter d'être coupé et répondre dans un délai tenable, tout en coordonnant sa gestuelle avec sa voix. Aujourd'hui, ces comportements sont jugés au cas par cas, ce qui rend les comparaisons entre fournisseurs peu fiables pour un intégrateur ou un décideur B2B. Un banc d'essai commun, s'il est adopté, permettrait de mesurer ces écarts entre démonstration et usage réel. Il reste toutefois à voir quelles métriques seront retenues et si les pratiques de production, notamment la qualité perçue de l'échange, s'y retrouveront. Ce travail s'inscrit dans le déploiement rapide des LLM et des modèles voix-langage-action sur des robots d'interaction, alors que les évaluations existantes se concentrent surtout sur le texte, la manipulation ou la navigation, rarement sur la dynamique conversationnelle incarnée. Les acteurs de la robotique sociale, dont les européens comme Enchanted Tools avec son robot Mirokaï, auraient un intérêt direct à disposer d'une référence partagée, mais l'article ne cite aucun partenaire industriel. La suite dépendra de l'ouverture effective du code et des scénarios, de l'adhésion de laboratoires tiers et de l'intégration de Retico dans des piles logicielles déjà en place. À ce stade, il s'agit d'un projet de recherche annoncé, sans produit livré ni déploiement.

Recherche❖Paper

1 source

44

380arXiv cs.RO 

OntoPlan : une représentation de scène fondée sur une ontologie et un cadre à base d'agents pour la planification de tâches robotiques à grande échelle

Des chercheurs publient OntoPlan, un cadre de planification de tâches robotiques fondé sur une représentation ontologique de la scène, accompagné d'un code ouvert sur GitHub (dépôt namhyeongwoo/OntoPlan). Le système cible un défaut connu de la planification par grands modèles de langage (LLM) : sur les tâches à long horizon dans de vastes environnements, la performance se dégrade. Quand la géométrie de la scène est transmise sous forme de texte, le modèle saisit mal le contexte spatial, et le coût en tokens croît avec la taille de l'environnement. OntoPlan aligne objets, espaces, relations et états dans un vocabulaire symbolique commun. Un cadre agentique interprète l'instruction, récupère de façon sélective les informations utiles, formalise buts et contraintes, puis produit un plan exécutable. Sur 150 tâches générales réparties dans cinq environnements intérieurs et trois échelles de scène, il atteint un taux de réussite moyen de 0,89, contre 0,27 pour la meilleure méthode de référence. Il consomme en moyenne 18,1 k tokens par tâche, soit environ 5,6 fois moins que la référence la plus économe. L'enjeu est double pour les intégrateurs et les équipes qui déploient des robots pilotés par LLM. D'abord, l'écart de 0,89 contre 0,27 suggère que le goulot d'étranglement tient moins à la capacité de raisonnement du modèle qu'à la manière de lui présenter le monde : un LLM qui génère directement des séquences d'actions peine à respecter l'état courant et les préconditions, alors qu'une formalisation symbolique les rend vérifiables. Ensuite, le coût en tokens, rarement discuté dans les démonstrations, détermine la viabilité économique et la latence en exploitation. Les auteurs indiquent que l'avantage persiste quand l'échelle de la scène augmente, alors que les méthodes concurrentes perdent davantage en réussite et restent beaucoup plus coûteuses. Le système demande aussi des précisions face à une instruction ambiguë, ou signale un manque d'information face à une instruction infaisable, au lieu de s'engager dans un plan invalide. C'est un comportement de sécurité utile pour tout déploiement industriel. Plusieurs réserves s'imposent. Il s'agit d'un préprint arXiv (v1), non évalué par les pairs. Les résultats viennent d'un banc d'essai de 150 tâches, sans précision dans le résumé sur la nature des environnements (simulés ou réels) ni sur les méthodes de référence. Les chiffres ne disent donc rien de la robustesse en conditions réelles, où perception bruitée et échecs d'exécution compliquent la construction de l'ontologie. Ce travail s'inscrit dans le courant de la planification neuro-symbolique, qui combine LLM et planificateurs formels (type PDDL) pour pallier les limites des approches où le modèle génère directement les actions. Il se distingue des modèles vision-langage-action de bout en bout, qui traitent le bas niveau. La publication du code permettra une reproduction indépendante, étape décisive pour juger si l'écart de performance tient hors du banc d'essai des auteurs.

Recherche❖Paper

1 source

44

381arXiv cs.RO 

VOMMI : collecte et exploitation de démonstrations portables pour la manipulation mobile

Des chercheurs présentent VOMMI (Visual-Odometry-Conditioned Mobile Manipulation Interface), un cadre de collecte de démonstrations portables et d'apprentissage pour la manipulation mobile, publié sur arXiv. Le système synchronise une vue « corps » et une vue « main » en RGB pour capturer à la fois le contexte de navigation et les interactions locales avec les objets, sans calibration de correspondance cinématique entre humain et robot. Deux briques techniques le composent. R2-VO affine hors ligne les trajectoires de démonstration à partir d'ancres géométriques parcimonieuses, puis produit des tokens de mouvement local causaux sur plusieurs horizons de prédiction. Un adaptateur résiduel par groupes d'actions injecte ces tokens uniquement dans la branche de base mobile du modèle vision-langage-action (VLA). Les expériences reposent sur 500 trajectoires portables par tâche, dont 75 réservées à l'évaluation RGB-VO, et sur 200 démonstrations robot servant de référence. La politique post-entraînée uniquement sur données portables affiche une erreur de vitesse de base inférieure de 18,2 % à celle d'une politique entraînée sur démonstrations robot, avec une précision de translation de l'effecteur comparable. La reconstruction hors ligne réduit l'erreur de trajectoire absolue de 24,6 % en moyenne pour les flux corps et main, par rapport au meilleur point de comparaison évalué pour chaque flux. Sur trois tâches réelles, le système complet gagne 8,3 points de succès moyen face à OpenPI 0.5. Pour les intégrateurs et les équipes data, l'enjeu est le coût de collecte. La téléopération et les dispositifs spécialisés bardés de capteurs restent le goulot d'étranglement des politiques de manipulation mobile, et une capture portable, sans robot et avec une simple caméra RGB, élargirait fortement le volume de démonstrations accessible. Le résultat le plus parlant est l'erreur de vitesse de base : la navigation est précisément la dimension où l'odométrie visuelle brute dérive et où l'on pouvait craindre que des données humaines transfèrent mal. Ici, elles font mieux que les données robot sur cette métrique, ce qui suggère que le conditionnement par mouvement visuel compense le défaut de supervision. Il faut toutefois rester prudent : le gain de 8,3 points sur OpenPI 0.5 est modeste, mesuré sur seulement trois tâches, et les travaux ne précisent pas la nature des tâches ni les intervalles de confiance dans ce résumé. Il s'agit d'un résultat de laboratoire, sans déploiement industriel. Le contexte est celui de la pénurie de données pour l'intelligence incarnée. Des interfaces portables comme UMI ont montré qu'on pouvait collecter des démonstrations de manipulation sans robot, mais elles se limitent surtout à la manipulation de table, sans la composante de déplacement de la base. VOMMI étend cette logique à la manipulation mobile, en s'appuyant sur la famille de politiques OpenPI (basée sur Pi-0) comme référence. Les acteurs concurrents du côté des VLA, dont Physical Intelligence, Figure avec Helix ou Nvidia avec GR00T, misent eux aussi sur des corpus massifs mêlant vidéo humaine et données robot. Les suites logiques seraient une validation sur davantage de tâches et de morphologies de robots, ainsi qu'une mesure du compromis entre volume de données portables et qualité de reconstruction hors ligne.

Recherche❖Paper

1 source

44

382arXiv cs.RO 

BRACE : adapter les références corporelles pour un suivi de mouvement humanoïde sensible aux forces et au terrain

Des chercheurs présentent BRACE, un contrôleur de suivi de mouvement du corps entier testé sur le Unitree G1 (humanoïde) en simulation et sur robot réel. Il est décrit dans un preprint arXiv (2610.07052v1) et vise un défaut des trackers actuels. Les trajectoires de référence qu'ils consomment sont enregistrées sur sol plat et sans charge, si bien que le contrôleur ignore à la fois les forces à échanger avec les objets et la pente du terrain. BRACE permet au robot d'exercer ou de compenser une force de main commandée depuis des poses variées, tout en suivant une référence plate sur terrain incliné. Le système repose sur deux enseignants spécialisés, l'un pour l'exertion de force, l'autre pour sa compensation. Ils sont distillés par DAgger dans un unique modèle élève de type flow-matching. Ce modèle fonctionne sur la seule proprioception, sans carte de hauteur ni mesure de torseur d'effort. Les auteurs n'indiquent ni charge maximale ni amplitude de pente dans le résumé. L'intérêt tient à la manière de répartir le problème. Les contrôleurs existants n'en traitent qu'un côté. Les politiques capables de force commandent un effort à l'effecteur sans prescrire de pose du corps entier. Les trackers adaptatifs au terrain traitent la charge comme une perturbation à rejeter, non comme un effort à commander. BRACE intègre la charge et la pente dans la référence elle-même, au lieu de laisser le tracker les absorber. Pour la téléopération, c'est un gain pratique. Un opérateur, même distant, fournit une trajectoire conçue pour le sol plat, et le robot résout pente et charge à bord. Cela réduit la dépendance à des capteurs coûteux ou fragiles, et ouvre la voie à des tâches de manipulation avec contact, comme pousser, tirer ou porter, sur sol irrégulier. Les résultats restent cependant ceux d'un preprint académique sur une seule plateforme. Aucun déploiement industriel n'est évoqué, et les performances chiffrées sont à vérifier dans l'article complet. Techniquement, deux mécanismes modifient la référence. La conformité au terrain relève les points d'appui et la racine du robot sur la surface locale. Une transformation de torseur calcule le déplacement de main qui produit la force voulue, avec les décalages induits du centre de masse et du centre de pression. Les limites d'effort des bras, propres à chaque enseignant, bornent cette transformation. Le travail s'inscrit dans la lignée des trackers de mouvement humanoïdes, de plus en plus utilisés comme interface de téléopération et de collecte de données, et il utilise le G1 d'Unitree, plateforme de recherche répandue. La suite logique serait une validation sur des tâches plus longues, des charges plus lourdes et d'autres morphologies.

Recherche❖Paper

1 source

44

383arXiv cs.RO 

WareFly-VLA : un cadre vision-langage-action pour la navigation de drones et le suivi de personnes en entrepôt intelligent

Des chercheurs publient WareFly-VLA, un cadre et un jeu de données destinés à la navigation de drones pilotée par le langage dans les entrepôts intelligents (arXiv 2610.08526). Le corpus rassemble 507 épisodes de vol téléopérés par des humains et 8 504 transitions RGB haute résolution, collectés dans NVIDIA Isaac Sim. Chaque transition est associée à une description écrite par un humain de l'apparence du travailleur ciblé et à une commande de contrôle synchronisée à 4 degrés de liberté. Deux tâches sont couvertes, l'approche d'une cible et le suivi d'une personne, avec occlusions, recherche longue portée, variations d'altitude et encombrement. Quatre architectures VLA open source (SmolVLA, GR00T N1.7, pi0 et OpenVLA) sont comparées sur un protocole sans fuite de données au niveau de l'épisode, à deux fréquences de contrôle. Le jeu de données, les modèles de référence et le protocole d'évaluation sont publiés. Les résultats tempèrent l'enthousiasme autour des modèles vision-langage-action. Les performances chutent nettement dès que la généralisation est évaluée strictement, c'est-à-dire sur des épisodes réellement inédits. La modélisation continue des actions bat systématiquement la tokenisation discrète, ce qui va contre le choix d'OpenVLA et conforte l'approche de pi0. Sur une seule image, seul le canal avant (avancer) est appris de façon fiable, alors que latéral, altitude et rotation restent hors de portée. Enfin, les interfaces des modèles de fondation actuels, conçues pour la manipulation, la navigation au sol et les humanoïdes, se transfèrent mal aux plateformes aériennes. Pour un intégrateur qui envisage des drones d'inventaire ou d'assistance en entrepôt, le message est clair: le contrôle aérien guidé par le langage n'est pas résolu, et un VLA généraliste ne peut pas encore être déployé tel quel. Ce travail comble un vide. Les VLA ont brillé en manipulation et en navigation de robots mobiles au sol, mais aucun benchmark ne combinait actions de vol continues bas niveau, descriptions fines de cibles en langage naturel et environnements industriels réalistes. Il faut toutefois rester prudent: le jeu de données est modeste (507 épisodes), entièrement simulé, et les résultats viennent de baselines affinées sur une seule image, sans validation sur drone réel. Les annotations de pose et de difficulté, synchronisées avec la vidéo, le langage et les actions, visent aussi la recherche sur les modèles du monde. Aucun acteur français ou européen n'est cité dans l'étude. La suite logique passera par des modèles à mémoire temporelle ou multi-images, puis par des tests sim-to-real. Les équipes derrière SmolVLA, GR00T et pi_0 pourraient s'appuyer sur ce banc d'essai pour adapter leurs architectures à l'aérien.

Recherche❖Paper

1 source

44

384arXiv cs.RO 

UWB et Crazyflow : simuler à grande échelle un retour d'information dégradé pour la robotique aérienne

Crazyflow est un simulateur de drones différentiable, construit sur JAX et présenté dans un preprint arXiv (2610.08225). Grâce à la compilation JIT via XLA, la physique et le contrôle sont fusionnés dans un unique graphe de calcul différentiable. Les simulations peuvent ainsi être massivement parallélisées sur accélérateurs (GPU), sans simplifier la modélisation. Les auteurs revendiquent des gains d'un ordre de grandeur par rapport aux simulateurs de référence, et un entraînement en quelques secondes d'agents d'apprentissage par renforcement déployables. Pour montrer la modularité de l'outil, ils y ajoutent un pipeline complet de simulation Ultra-Wideband (UWB, localisation radio par mesure de distance) et de centrale inertielle (IMU), couplé à un filtre de Kalman étendu (EKF) à état complet. Selon eux, l'évaluation parallèle de contrôleurs sous retour d'état dégradé n'affecte presque pas le débit GPU. Le résumé ne donne ni facteur d'accélération chiffré ni nombre d'environnements simultanés, et les gains annoncés n'ont pas encore été vérifiés de façon indépendante. L'intérêt tient à ce que la plupart des simulateurs de drones entraînent des politiques sur un état parfaitement connu, alors que les vols réels, en intérieur notamment, reposent sur des mesures bruitées, retardées ou intermittentes. Cet écart de fidélité est une cause classique d'échec du transfert sim-to-real. Si le modèle de capteurs et l'estimateur tournent dans le même graphe compilé que la dynamique, les équipes pourront tester la robustesse d'un contrôleur à grande échelle avant tout vol, ce qui réduit les cycles d'essais sur matériel. Pour les intégrateurs de flottes en entrepôt ou en inspection de sites sans GPS, c'est un outil de validation plausible. Reste à confirmer que la fidélité du modèle UWB colle aux mesures réelles, point que le résumé n'établit pas. Le projet s'inscrit dans la vague des simulateurs accélérés écrits en JAX ou sur GPU, comme MuJoCo MJX, Brax ou Isaac Sim. Ces outils ont rendu l'apprentissage par renforcement massif accessible en robotique, notamment pour les robots à pattes. Le nom évoque la plateforme Crazyflie, nano-quadricoptère très répandu dans la recherche, ce qui suggère un public académique. Les prochaines étapes à surveiller sont la publication du code, des comparaisons chiffrées avec les simulateurs existants et surtout des essais de transfert sur drones réels sous localisation UWB. Ces éléments diront si l'outil dépasse le statut de preprint.

Recherche❖Paper

1 source

44

385arXiv cs.RO 

Le robot n'est pas sa description : GaugeBench pour la robustesse de la représentation dans les politiques sensibles à la morphologie

Des chercheurs publient sur arXiv (2610.07597) GaugeBench, un banc d'essai qui teste une question laissée de côté par l'évaluation cross-embodiment : un contrôleur survit-il quand le robot reste identique mais que sa description change ? Une description de robot (URDF ou équivalent) encode en effet, en plus du mécanisme physique, des conventions arbitraires : sens des axes d'articulation, zéro angulaire des joints, ordre et noms des liens et des articulations. GaugeBench réécrit un même mécanisme selon des conventions physiquement équivalentes, vérifie que la physique et l'interface de la politique sont préservées, puis évalue les mêmes poids. Trois politiques MetaMorph obtiennent un score de 4030,6 sur 80 robots connus, mais seulement 51,6 quand ces mêmes robots sont simplement re-décrits. Sur 98 robots réellement inédits, le score reste à 1489,6. Le phénomène se retrouve avec ModuMorph et avec un framework PyBullet indépendant. L'enjeu est direct pour quiconque vise des politiques « morphology-aware » généralistes. Une nouvelle description s'avère plus destructrice qu'un nouveau robot : la généralisation mesurée jusqu'ici reflète en partie une mémorisation de conventions, pas une compréhension de la mécanique. Pour un intégrateur, cela signifie qu'un changement d'export CAO, de chaîne d'outils ou de fournisseur d'URDF peut ruiner un contrôleur sans toucher au matériel. L'analyse causale est utile : l'inversion d'axe seule reproduit l'effondrement, les changements de zéro angulaire sont quasi inoffensifs, le réordonnancement est intermédiaire. Modifier uniquement les coordonnées d'état et de couple des articulations suffit à casser la politique, alors que modifier seules les caractéristiques dérivées de la description ne le fait pas. Le défaut est réparable : un transport exact entre deux descriptions restitue le contrôleur d'origine, et un entraînement sur des conventions d'axes équivalentes fait passer le retour conservé sous inversion d'axe de 3,6 % à 80,6 %. Ces résultats s'inscrivent dans la course aux politiques cross-embodiment, de MetaMorph à ModuMorph, évaluées jusqu'ici en changeant de robot tout en figeant les conventions de description. Les auteurs distinguent la robustesse du mécanisme de la robustesse de la représentation et recommandent de tester les deux. Il s'agit d'une préimpression, évaluée en simulation, sans validation sur matériel réel ni revue par les pairs. Ses conclusions devraient toutefois peser sur les protocoles d'évaluation des futurs modèles généralistes, VLA inclus, dès lors qu'ils consomment des descriptions de robot comme entrée.

Recherche❖Paper

1 source

43

386arXiv cs.RO 

StairVLA : génération d'actions hiérarchique et sensible aux étapes pour les modèles vision-langage-action (VLA)

Des chercheurs publient sur arXiv (2610.07756v1) StairVLA, un cadre de génération d'actions hiérarchique pour les modèles vision-langage-action (VLA). Ces modèles utilisent de plus en plus des têtes d'action à diffusion ou à flow matching pour produire des actions robotiques continues. Les auteurs constatent que ces têtes traitent la trajectoire de débruitage de façon quasi uniforme, alors que le conditionnement évolue selon les étapes. Au début, instructions en langage et observations visuelles servent à fixer une trajectoire grossière. Ensuite, le débruitage s'appuie davantage sur l'observation visuelle courante pour aligner l'action. StairVLA exploite cette observation. Un VLA de haut niveau exécute seulement les premières étapes de débruitage et produit une trajectoire longue, partiellement débruitée et réutilisable. Un raffineur léger, tournant à plus haute fréquence, termine le débruitage de segments d'actions locaux (« chunks ») avec les dernières observations. Sur le benchmark simulé LIBERO, une version de style GR00T fait passer le taux de succès moyen de 96,5 % à 97,8 %. La latence d'inférence amortie passe de 115,0 ms à 44,2 ms par chunk, soit environ 2,6 fois moins. Les auteurs affirment des résultats comparables sur deux architectures VLA, plusieurs benchmarks simulés et des tâches sur robot réel, sans en détailler les chiffres dans le résumé. L'enjeu est le coût de calcul, un des freins au déploiement des VLA. Le backbone, très gourmand, est appelé à chaque chunk, ce qui limite la fréquence de boucle fermée et impose du matériel embarqué coûteux. StairVLA propose de n'invoquer ce backbone que rarement et de laisser un module léger corriger à haute fréquence. Le gain de latence ne se fait pas au prix de la précision, ce qui compte pour les intégrateurs qui visent des tâches de manipulation réactives sur des plateformes à budget énergétique limité. Les résultats restent à nuancer. LIBERO est un benchmark saturé, où un écart de 1,3 point est modeste. Les gains en conditions réelles, face à des perturbations et à des objets inédits, ne sont pas quantifiés dans le résumé. Il s'agit d'une publication de recherche, pas d'un produit ni d'un déploiement. Ce travail s'inscrit dans l'effort pour accélérer les VLA, après les têtes d'action par diffusion de Pi-0 et de GR00T, les approches à deux systèmes comme Helix de Figure, qui sépare un modèle lent de raisonnement d'une politique rapide, et les méthodes de distillation ou de réduction du nombre d'étapes de débruitage. La spécificité de StairVLA est d'utiliser l'action partiellement débruitée comme interface entre les deux niveaux, sans module de planification séparé. Les prochaines étapes à surveiller sont la publication du code, des validations sur davantage de robots réels et une comparaison directe avec les approches de type Helix ou Pi-0.5 en conditions industrielles.

Recherche❖Paper

1 source

43

387arXiv cs.RO 

Apprentissage de la manipulation robotique à force régulée avec une pince tactile à contrôle de force à faible coût

Des chercheurs présentent TF-Gripper, une pince parallèle à force contrôlée dont le coût avoisine 150 dollars. Elle intègre un retour tactile et couvre une plage de force effective de 0,45 à 45 N. Elle se monte sur différents bras robotiques. Les auteurs l'associent à un dispositif de téléopération qui enregistre les forces de préhension appliquées par un opérateur humain. Ils proposent aussi RETAF (REactive Tactile Adaptation of Force), un cadre logiciel qui sépare le contrôle de la force de serrage de la prédiction de pose de l'effecteur. RETAF régule la force à haute fréquence à partir d'images de poignet et du retour tactile. Une politique de base prédit, elle, la pose de l'effecteur et l'ordre d'ouverture ou de fermeture. Les expériences portent sur six tâches réelles. Le contrôle direct de la force y améliore la stabilité de la prise et la performance globale par rapport au contrôle en position. Selon les auteurs, RETAF surpasse systématiquement les références testées et s'intègre à plusieurs politiques de base. Le travail est publié sur arXiv (version 2), avec une page de projet associée. Il s'agit d'un résultat de laboratoire, sans déploiement industriel ni produit commercialisé. L'enjeu tient à un angle mort de l'apprentissage par imitation et des modèles vision-langage-action (VLA). La plupart des pinces du marché sont soit chères, soit limitées par une force minimale trop élevée. Elles sont donc inadaptées aux objets fragiles du quotidien, comme les chips, qui se brisent si la force n'est pas modulée. Une pince à 150 dollars capable de descendre sous 0,5 N abaisse nettement le coût d'entrée pour les laboratoires qui étudient la manipulation sensible à la force. Pour les intégrateurs, le résultat suggère que le contrôle en force doit tourner sur une boucle rapide et dédiée. Les politiques génériques à basse fréquence peuvent être entraînées sur des données de force, mais les auteurs reconnaissent que leur fiabilité reste difficile à obtenir, car la tâche est réactive et dépend du contact. Il faut toutefois rester prudent. Six tâches en laboratoire ne disent rien de la durabilité de la pince, de la dérive des capteurs tactiles ni de la répétabilité en cadence industrielle. Le résumé ne donne pas non plus les taux de réussite chiffrés. Ce travail s'inscrit dans le déplacement de la recherche en manipulation, de la seule géométrie vers le contact. Les pinces tactiles et les mains dextres sont aujourd'hui souvent coûteuses ou propriétaires. Les politiques de type Pi-0 ou les VLA actuels se concentrent surtout sur la pose de l'effecteur et sur un état binaire de la pince. La séparation entre politique de base et régulation de force de RETAF est modulaire, ce qui la rend compatible avec ces architectures. Les auteurs affichent l'ambition de faire passer à l'échelle l'apprentissage de politiques à force contrôlée. Pour cela, il faudrait des jeux de données de force plus larges, collectés avec leur dispositif de téléopération, et des validations sur des objets plus variés. Aucun calendrier de commercialisation n'est annoncé.

Recherche❖Paper

1 source

43

388arXiv cs.RO 

R2RI : un jeu de données multi-vues d'événements et RGB pour l'interaction robot-robot

Des chercheurs publient R2RI (Robot-to-Robot Interaction), un jeu de données présenté comme le premier conçu spécifiquement pour la tâche d'interaction robot-robot (RRI). Il réunit plusieurs robots humanoïdes de modèles différents, mis en scène dans des interactions calquées sur des comportements sociaux humains réels. Chaque scène est filmée selon deux points de vue complémentaires : une vue égocentrique, issue des capteurs embarqués de chaque robot, et une vue exocentrique, captée par des caméras fixes extérieures. Le corpus compte plus de 6,5 millions d'images et environ 5 000 vidéos à 120 images par seconde, dans deux domaines : RGB classique et caméra événementielle, qui ne transmet que les changements de luminosité pixel par pixel, avec une latence très faible et une bonne tenue aux mouvements rapides. Les auteurs comparent les avantages et limites de chaque domaine en confrontant des approches de l'état de l'art sur plusieurs tâches clés de perception et d'interaction. Données et annotations sont publiées sur GitHub (MagriniGabriele/R2RI), pour toutes les tâches et toutes les modalités. L'enjeu est d'abord méthodologique. La modélisation des interactions entre agents autonomes pèse sur les systèmes collaboratifs, la robotique sociale et la coexistence homme-robot. Elle manquait pourtant de référence à grande échelle, ce qui empêchait de comparer les méthodes entre elles. Pour un intégrateur ou un responsable d'exploitation, l'intérêt est concret : à mesure que des flottes de robots hétérogènes partagent un même espace (entrepôt, usine, site logistique), la capacité d'un robot à interpréter les gestes et intentions d'un autre devient un sujet d'ingénierie, au-delà de la simple détection d'obstacles. L'ajout du flux événementiel est notable, car ce type de capteur est précisément pertinent pour des mouvements rapides ou des éclairages difficiles, où le RGB souffre de flou et de latence. Une réserve s'impose toutefois : il s'agit d'un jeu de données, sans démonstration de déploiement. Les interactions sont scénarisées et enregistrées en environnement contrôlé, et le résumé ne précise ni les modèles de robots utilisés, ni les tâches évaluées, ni les scores obtenus. L'écart entre benchmark et comportement autonome en conditions réelles reste donc entier. Ce travail s'inscrit dans une tendance visible de la vision et de la robotique : les jeux de données d'interaction se sont d'abord concentrés sur l'humain, avec des corpus d'interactions homme-homme ou homme-robot, alors que l'interaction entre machines restait quasi absente. Avec la multiplication des humanoïdes en phase pilote chez plusieurs acteurs américains et chinois, la question de la coordination entre robots de marques différentes va gagner en importance. Les suites probables sont l'adoption du jeu de données comme banc d'essai par d'autres laboratoires, puis l'entraînement de modèles de perception sociale ou de politiques multi-agents. Aucun calendrier industriel n'est annoncé et aucun acteur européen n'est cité dans le résumé. La valeur réelle de R2RI se jugera à son adoption par la communauté et à la diversité des plateformes qu'il couvre effectivement.

Recherche❖Paper

1 source

43

389arXiv cs.RO 

CUSP : alarmes de risque de survie pilotées par CUSUM dès l'apparition de la perception, pour la navigation tout-terrain

Des chercheurs publient sur arXiv (2610.07882) CUSP, une alarme de danger en temps réel pour la navigation tout-terrain, conçue pour fonctionner avec n'importe quel modèle de navigation. Le système apprend à partir de journaux de terrain où un humain a interrompu le robot avant l'échec, de sorte que la défaillance elle-même n'est jamais observée. Les auteurs ajoutent une annotation séparée de ce qu'ils appellent le « perception onset » : l'instant où l'opérateur juge la conduite dangereuse, généralement bien avant d'intervenir. Une tête visuelle est entraînée sur cet instant avec un objectif de survie en temps discret, qui exploite aussi bien les trajets avec que sans onset. Un CUSUM, outil statistique de détection de rupture, cumule le risque prédit et déclenche l'alarme. Les tests couvrent cinq sites inédits (deux autonomes, trois téléopérés) et 142 événements, chaque méthode étant réglée sur dix fausses alarmes par heure. CUSP détecte 85 événements, contre 26 pour la meilleure de neuf approches de référence adaptées. L'enjeu est la sécurité de l'autonomie hors route, un point faible des déploiements en mines, agriculture, chantiers ou inspection. Les modèles de navigation apprenants choisissent un chemin à partir d'une supervision de sécurité, mais ne disent pas si le robot qui le suit se dirige vers un danger. Un taux de détection de 85 sur 142, soit environ 60 %, contre 18 % pour la meilleure référence, à taux de fausses alarmes égal, est un écart notable. Selon les auteurs, il vient de dangers auxquels aucun signal interne du modèle de navigation n'est sensible : les incertitudes ou coûts du planificateur ne suffisent donc pas comme alarme. Autre intérêt pratique : les journaux d'intervention humaine existent déjà en grande quantité, et l'approche les valorise sans exiger de collecter des échecs réels, coûteux et risqués. Deux réserves : ces résultats viennent d'un seul article, sans validation externe, et les référence sont des adaptations réalisées par les auteurs eux-mêmes. Le taux de fausses alarmes de dix par heure reste aussi élevé pour une exploitation sans surveillance. Ce travail s'inscrit dans la lignée des méthodes de navigation tout-terrain apprise, qui utilisent l'intervention humaine comme signal de supervision implicite, mais qui ciblaient jusqu'ici le choix du chemin plutôt que l'alarme en cours d'exécution. Les auteurs affirment qu'aucune méthode supervisée par intervention n'avait visé cet instant de bascule perçu par l'humain. L'article ne précise ni le matériel, ni les noms de plateformes, ni les latences ou délais d'anticipation, des éléments décisifs pour juger de l'utilité opérationnelle. Il s'agit d'un résultat de recherche, non d'un produit ni d'un déploiement commercial. La suite logique serait une validation sur davantage de plateformes et de terrains, ainsi qu'une intégration à des piles de navigation industrielles.

Recherche❖Paper

1 source

43

390arXiv cs.RO 

SWAP : routage pas à pas de politiques d'action pour les modèles vision-langage-action (VLA)

Des chercheurs publient sur arXiv (2610.06926) SWAP, pour StepWise Action Policy Routing, un cadre qui compose dynamiquement plusieurs politiques Vision-Language-Action (VLA) pendant l'exécution d'une tâche de manipulation. Aujourd'hui, la plupart des systèmes reposent sur un seul modèle VLA du début à la fin d'un épisode. SWAP formule le routage comme un problème d'apprentissage par renforcement hors ligne : un « critique de routage » est entraîné à choisir, à chaque pas de décision et selon l'observation courante, la politique la plus adaptée. Le robot peut ainsi changer de politique en cours d'épisode. L'évaluation porte sur des tâches réelles de manipulation sur la plateforme DROID et sur des simulations LIBERO. Face à l'exécution d'une politique fixe et à des méthodes de routage de référence, les auteurs annoncent jusqu'à 33 points de succès supplémentaires en conditions réelles, et une réduction de 28,3 % du nombre de pas d'action des trajectoires réussies. L'enjeu dépasse la performance brute. Le travail s'attaque à une limite que les intégrateurs constatent déjà : aucun VLA n'est le meilleur partout, et les performances varient selon la phase de la tâche et l'environnement. Au lieu d'attendre un modèle généraliste unique, SWAP traite les VLA existants comme une boîte à outils orchestrable, sans réentraîner chacun d'eux. Pour un industriel, cela suggère une voie pragmatique : combiner des politiques spécialisées ou de fournisseurs différents, et ne payer que pour la politique utile à chaque étape. La baisse de la longueur des trajectoires laisse aussi entrevoir un gain de temps de cycle, mais il s'agit d'un nombre de pas d'action, pas d'une durée mesurée en atelier. Il faut aussi rester prudent sur les chiffres : le « jusqu'à 33 % » correspond au meilleur cas, et l'abstract ne précise ni le nombre de tâches ni la taille des échantillons, ni les politiques combinées. Ce résultat s'inscrit dans la course aux modèles fondation pour la manipulation, où des VLA comme Pi-0, GR00T ou Helix sont généralement présentés comme des systèmes autonomes. Le routage entre politiques prolonge les approches de mélange d'experts, mais à l'échelle de politiques complètes et de manière apprise hors ligne. DROID, jeu de données et plateforme de manipulation très utilisé, et LIBERO, banc d'essai en simulation, servent de référence commune, ce qui facilite la comparaison. Il s'agit d'une prépublication v1 non évaluée par les pairs, sans déploiement industriel annoncé. Les prochaines étapes à surveiller : la publication du code, la robustesse du critique face à des environnements inédits, et la latence ajoutée par le routage à chaque pas de décision.

Recherche❖Paper

1 source

43

391arXiv cs.RO 

Humanoid Horizon : allonger l'horizon des tâches de loco-manipulation du corps entier par entraînement parallèle, démarrage dynamique et filtrage de la récompense

Des chercheurs proposent Humanoid Horizon, un cadre de politique unifiée pour qu'un robot humanoïde enchaîne, en un seul épisode ininterrompu, la navigation, la saisie, le transport et le placement précis de plusieurs objets lourds ou volumineux dans un intérieur encombré. Trois mécanismes le composent. Le Parallel Training Strategy répartit N scènes en S flux d'étapes concurrents, tous pilotés par une politique partagée, si bien que chaque étape de transport reçoit des mises à jour de gradient en continu. Le Dynamic Starting Mechanism réinitialise l'état de départ de chaque environnement avec les états terminaux issus des déroulés des étapes amont, ce qui élargit progressivement la couverture des transitions. Enfin, le Reward Gating annule la récompense pour le reste de l'épisode, dans les flux des étapes ultérieures, lorsque l'objet précédent est déplacé au-delà d'un seuil. Sur le benchmark LHM-Humanoid à deux objets (350 scènes d'entraînement, 66 scènes de test non vues), la méthode dépasse 80 % de réussite par étape. Au-delà de deux objets, le taux de succès baisse avec l'horizon, mais de façon graduelle, alors que tous les baselines comparés chutent brutalement. L'intérêt de ce travail tient à un verrou concret de la manipulation mobile humanoïde : tenir une tâche longue sans que les étapes tardives dégradent les précédentes. Les auteurs identifient deux modes d'échec qui expliquent pourquoi les politiques de bout en bout s'effondrent sur les longues séquences. Le premier est le biais de récompense facile, où l'entraînement sur-optimise les premières étapes de transport. Le second est l'oubli catastrophique, où se concentrer sur les dernières étapes fait régresser les premières. Le Reward Gating est notable pour un cas d'usage logistique : il apprend à la politique à ne pas perturber un objet qui vient d'être posé, une exigence évidente en entrepôt ou en intérieur domestique. Il faut toutefois relativiser. Les résultats portent sur un benchmark, apparemment en simulation, avec seulement deux objets pour le chiffre phare de 80 %. Le texte ne mentionne ni transfert sim-to-real, ni robot physique, ni temps de cycle, ni payload précis. Il ne prouve donc pas qu'un déploiement industriel soit prêt, mais il apporte une recette d'entraînement reproductible. Ce travail s'inscrit dans la montée de l'apprentissage par renforcement pour la locomanipulation du corps entier, qui se heurte aux horizons longs, où les récompenses sont éparses et où les erreurs s'accumulent d'une étape à l'autre. Il se place face aux approches séquentielles, qui entraînent les étapes l'une après l'autre, et face aux baselines non nommés dans le résumé, sur lesquels la comparaison reste à examiner dans l'article complet. Le débat plus large oppose les politiques VLA généralistes, portées par des acteurs comme Figure avec Helix ou NVIDIA avec GR00T, aux politiques de contrôle entraînées en simulation, dont celle-ci relève. Les prochaines étapes à surveiller sont la validation sur matériel réel, le passage à trois objets ou plus avec une dégradation maîtrisée et la publication du code et du benchmark pour permettre une réplication indépendante.

Recherche❖Paper

1 source

43

392arXiv cs.RO 

Neuf essais pour récupérer : un benchmark reproductible de l'adaptation aux dommages des robots souples sans répertoire de comportements

Un nouveau benchmark publié sur arXiv (2610.07616) propose un protocole reproductible pour mesurer la récupération de robots souples endommagés, sans répertoire de comportements précalculés, avec seulement neuf essais en ligne. Le protocole apparie des masques de dommages au sein de chaque morphologie, conserve un contrôleur nominal mesuré comme solution de repli et sépare le développement des méthodes de leur évaluation sur des corps inédits. Le contrôleur de référence repose sur un processus gaussien avec amélioration espérée (GP-EI) qui ajuste les phases des actionneurs en trois sondes d'initialisation puis six essais choisis d'après le retour du système. Sur deux cohortes disjointes de 75 corps, il dépasse la recherche aléatoire, Sobol, CEM et CMA-ES à budget égal. Il améliore le gain du pire masque sur 69 des 75 corps de confirmation, avec un avantage de 0,235 à 0,310 de récompense moyenne sur le pire masque. Lors d'un test de résistance sur la cohorte de développement, où 10 % des voxels occupés sont retirés physiquement, GP-EI progresse sur 71 corps sur 75 et devance l'implémentation officielle de TuRBO (BoTorch) de 0,356. L'intérêt tient moins à l'algorithme qu'à la méthode d'évaluation. Les travaux d'adaptation aux dommages se comparent souvent sur des corps de développement, avec des budgets inégaux et sans repli mesuré, ce qui gonfle les gains. Ici, l'inférence est menée corps par corps et la cohorte de confirmation reste gelée. Le coût de sécurité est aussi chiffré : le rejeu à contrôleur fixe donne 5,06 largeurs de voxel de récupération moyenne, pour une hausse de seulement 0,0031 du p99 de déformation d'arête dans le pire masque. Une porte de déploiement stricte, interdisant toute sollicitation supplémentaire, ne conserve toutefois que 48,7 % du gain moyen. Pour un intégrateur, cela signifie qu'une partie de la récupération s'obtient en sollicitant davantage la structure. Une réserve s'impose : le comparateur le plus proche, un GP local de type TuRBO, n'est pas distingué statistiquement, puisque l'intervalle de confiance apparié inclut zéro. Tout cela relève de la simulation de voxels, sans validation sur matériel physique. Le travail s'inscrit dans la lignée de l'algorithme Intelligent Trial and Error (Cully et al., 2015), qui adaptait un robot endommagé en quelques essais grâce à un répertoire de comportements précalculé en simulation. Le benchmark cherche à mesurer ce que de tels a priori appris de dommages apportent réellement par rapport à une optimisation bayésienne sans répertoire, et fournit le point de comparaison manquant. Les contrôleurs rejouables, l'inférence au niveau des corps et les cohortes gelées sont publiés pour permettre aux futures méthodes d'être comparées dans les mêmes conditions. La suite logique serait de confronter les approches à répertoire, les politiques apprises et ce socle GP-EI, puis de passer du voxel simulé à des robots souples réels.

Recherche❖Paper

1 source

43

393arXiv cs.RO 

ProactiveVLA : enrichir la mémoire incarnée par l'exploration proactive de l'environnement

ProactiveVLA, un système présenté sur arXiv (2610.06999v1), s'attaque à un problème d'adaptation en déploiement: comment un robot acquiert-il rapidement des connaissances utiles sur les objets, les états et les interactions d'un nouvel environnement à partir d'une expérience limitée. L'architecture associe un agent de raisonnement à un modèle vision-langage-action (VLA) gelé, c'est-à-dire non réentraîné, et s'adapte via le retour d'exécution et une mémoire. Une fois la tâche initiale accomplie, l'agent consacre le budget d'interaction restant à des objectifs qu'il se fixe lui-même: affordances des objets (ce qu'on peut en faire), interactions changeant l'état de l'environnement, et compositions de ces interactions. Il vérifie les résultats de chaque exécution, puis consolide l'expérience dirigée par la tâche comme l'expérience exploratoire dans une mémoire qui guide la planification et le contrôle ultérieurs. À budget de tours égal, le système dépasse les méthodes de référence sur LIBERO-Pro et sur RoboCasa365 Composite-Seen. Sur LIBERO-Pro Goal-T, avec au plus une invocation de primitive VLA autorisée à l'évaluation, il réussit 48 % des instances, contre 19 % pour la meilleure méthode de raffinement de tâche. L'intérêt tient à ce que ces résultats suggèrent sur la manière de dépenser l'expérience. Les approches de référence répètent la tâche cible pour affiner une solution déjà connue, ce qui laisse non testées les interactions pertinentes dès que les conditions changent. Ici, explorer au-delà de la tâche donnée produit des connaissances réutilisables, et l'écart (48 % contre 19 %) indique que la qualité de l'expérience pèse davantage que sa quantité. Pour les intégrateurs, l'enjeu est concret: un VLA généraliste figé, qu'on ne veut ou ne peut pas réentraîner chez le client, pourrait être rendu plus robuste par une couche de mémoire et de planification, sans recalibrage coûteux. Il faut toutefois rester prudent: il s'agit d'un préprint évalué en simulation, sur des benchmarks, sans déploiement physique rapporté dans le résumé. Le chiffre de 48 % vaut pour un réglage restrictif (une seule invocation de primitive) et ne dit rien du temps de cycle ni du coût en interactions de la phase d'exploration, qui reste à documenter. Ce travail s'inscrit dans la tendance des agents de raisonnement qui orchestrent des VLA gelés, par opposition au réglage fin continu de ces modèles. LIBERO-Pro, variante plus exigeante de LIBERO centrée sur des conditions modifiées, et RoboCasa365, benchmark de tâches domestiques composites, servent de terrains d'essai à cette génération de méthodes d'adaptation au déploiement. Le résumé ne nomme ni le VLA sous-jacent ni les auteurs, et ne cite aucun acteur européen. Les prochaines étapes à surveiller sont la publication du code et des détails d'évaluation, une validation sur robot réel, et une mesure du surcoût de l'exploration face au gain de fiabilité, critère décisif pour tout COO envisageant une mise en service sur site.

Recherche❖Paper

1 source

43

394arXiv cs.RO 

Contrôle de corps entier des manipulateurs mobiles avec prise en compte de la reconstruction des objets

Des chercheurs proposent une méthode de reconstruction d'objets 3D par manipulateur mobile qui supprime le planificateur de trajectoire dédié, pour un coût de calcul nettement réduit. Le travail, publié sur arXiv (troisième version, septembre 2025 pour la première), part d'un constat: pour reconstruire ou inspecter un objet, il faut choisir des trajectoires qui révèlent le plus de zones encore inconnues. Les approches actuelles échantillonnent des trajectoires candidates et évaluent de nombreuses vues le long de chacune, ce qui coûte cher en calcul. La nouvelle méthode calcule un point de focalisation dans la région la plus informative, puis impose au robot de le garder dans le champ de vision de la caméra pendant son déplacement. Cette contrainte de visibilité est intégrée directement dans le contrôle du corps entier (whole-body control) du manipulateur mobile. L'évaluation repose sur des simulations réalistes avec 114 objets de tailles variées, issus de 57 catégories, et sur une analyse statistique bayésienne. Trois stratégies sont comparées: la méthode proposée, une planification par échantillonnage, et une approche sans trajectoires informatives. Face à l'échantillonnage, aucune différence statistiquement significative n'apparaît sur l'entropie de reconstruction, et la probabilité que les deux soient pratiquement équivalentes en couverture est de 52,3 %. Le calcul est 6,2 à 19,36 fois plus rapide, et le temps passé par le robot entre deux vues baisse de 13,76 % à 27,9 %, selon le champ de vision de la caméra et la résolution du modèle. Des essais réels ont été menés avec un manipulateur mobile omnidirectionnel à 8 DoF et un manipulateur à pattes. L'intérêt pour les intégrateurs est concret: l'inspection, le contrôle qualité et la numérisation d'objets par robot mobile sont limités par la latence de décision entre deux vues, et pas seulement par la qualité de la reconstruction. Ici, la qualité reste proche de l'état de l'art tout en réduisant le calcul embarqué, ce qui compte sur des plateformes à ressources limitées. Il faut toutefois nuancer: l'équivalence de couverture n'est établie qu'à 52,3 %, donc non démontrée. Il s'agit en outre d'un résultat académique, validé en simulation et sur deux plateformes de laboratoire, sans déploiement industriel ni mesure en environnement de production. Ce travail s'inscrit dans la lignée de la planification de la « prochaine meilleure vue » (next-best-view), dominante depuis des années en reconstruction active, et du contrôle de corps entier des manipulateurs mobiles, qui coordonne base et bras comme un seul système. La démarche rejoint ainsi la tendance à fusionner perception active et commande, plutôt que de les chaîner. Les suites probables concernent des tests sur des scènes plus complexes, avec occlusions et objets déformables, et une intégration dans des chaînes d'inspection. Aucun partenaire industriel ni calendrier de transfert n'est annoncé.

Recherche❖Paper

1 source

43

395arXiv cs.RO 

Voir l'invisible : invite visuelle guidée par la physique pour une navigation VLA sensible à la température et aux radiations

Des chercheurs proposent PG-VP (Physics-Guided Visual Prompting), un module de perception multimodal « plug-and-play » qui permet à un modèle vision-langage-action (VLA) de navigation d'éviter des dangers invisibles à une caméra RGB, comme une source de rayonnement ou un pic de température. Le module évalue le risque à partir de la physique d'une source thermique ou radioactive proche, détermine la direction d'évitement, puis superpose aux images un obstacle virtuel qui se déplace d'une image à l'autre (Dynamic Visual Prompting). La politique de navigation, restée gelée, contourne alors le danger comme elle le ferait pour un obstacle visible. L'obstacle virtuel est identique quel que soit le type de risque. Sans danger détecté, rien n'est affiché et la politique se comporte comme sans PG-VP. Sur OmniNav, avec les splits val-unseen de R2R-CE et RxR-CE, le module oriente la politique vers l'action à faible risque dans 84,9 % et 83,2 % des cas, pour un coût de 6,8 et 7,9 points de taux de succès de navigation. Un test sur robot réel, avec de vraies sources thermiques et radioactives et sans réentraînement, améliore de 63,45 % (thermique) et 32,59 % (radiation) la sécurité moyenne des 10 % pires trajectoires. L'intérêt tient à la méthode. Intégrer un nouveau risque à un VLA exige d'ordinaire un encodeur dédié, de nouvelles données et un réentraînement, un coût qui freine le déploiement en site sensible (installations nucléaires, sites industriels chauds). PG-VP déplace le problème vers l'entrée visuelle. Ajouter un capteur ne change pas le motif de prompt, ce qui rend l'extension peu coûteuse pour un intégrateur. Le travail montre aussi qu'un VLA gelé peut être détourné vers un comportement de sécurité sans toucher à ses poids. Deux réserves s'imposent. Le gain n'est pas gratuit : la perte de 7 à 8 points de succès est significative pour un robot de production. Et les résultats réels portent sur des « scénarios distincts » dont l'ampleur n'est pas précisée, avec une métrique centrée sur les pires 10 % des trajectoires. Il s'agit d'une preuve de concept académique, pas d'un produit. Le travail s'inscrit dans la vague des modèles VLA appliqués à la navigation vision-langage (VLN), évalués sur les benchmarks R2R-CE et RxR-CE, ici avec OmniNav comme politique de base. La sécurité de ces modèles reste un angle peu traité : la plupart des travaux visent le taux de succès en environnement domestique simulé, pas les risques non visuels. L'approche concurrence implicitement les solutions qui ajoutent des modalités et réentraînent les modèles. Aucun pilote ni calendrier n'est annoncé. Les prochaines étapes probables sont l'ajout d'autres capteurs (gaz, champs électromagnétiques), des tests sur plus de scénarios réels et une réduction du compromis sur le succès de navigation.

Recherche❖Paper

1 source

43

396arXiv cs.RO 

Micro-politiques neuronales pour un contrôle robotique sûr en temps réel

Des chercheurs publient sur arXiv (2610.08541v1) une méthode de synthèse de « Micro Neural Policies » (MNP), des politiques de contrôle neuronales minuscules, conçues pour piloter des robots en temps réel sur des microcontrôleurs aux ressources très limitées. La recherche d'une politique combine une stratégie d'évolution (Evolution Strategy, ES) et une vérification par model checking statistique (SMC). Selon les auteurs, cette combinaison réduit fortement la taille du réseau sans dégrader la sécurité ni la robustesse. L'entraînement et l'évaluation ont été menés à grande échelle sur deux tâches, le pendule inversé sur chariot (Cartpole) et le contrôle d'un quadrirotor. Les fréquences de contrôle et les architectures de réseau variaient. Après validation en simulation, les politiques ont été transférées en « zero-shot » sur des systèmes physiques, c'est-à-dire sans réentraînement ni ajustement. Leur empreinte mémoire va de 0,5 à 7,5 ko. Sur microcontrôleur, la latence d'inférence est déterministe, avec moins de 25 ns de gigue, et la puce reste inactive plus de 97 % du temps. Cela laisse de la marge pour d'autres charges de travail. L'intérêt tient à ce que ce travail va à contre-courant de la tendance dominante. Les modèles VLA (vision-langage-action) et les politiques de fondation grossissent et exigent des GPU embarqués. Ici, la contrainte s'inverse : un contrôleur de quelques kilo-octets, avec une exécution prévisible et une vérification formelle de la sécurité. Pour un intégrateur, c'est la couche basse qui compte, celle des boucles rapides de stabilisation, de la commande de moteurs et des drones légers. Le temps réel dur et la certifiabilité y pèsent davantage que la capacité de généralisation. Le résultat de sim-to-real sans perte de performance est encourageant. Il faut cependant le relativiser : Cartpole et un quadrirotor sont des bancs d'essai classiques, de faible dimension, loin de la manipulation dextre ou de la locomotion d'un humanoïde. Le résumé ne donne ni les marges de sécurité mesurées ni les comparaisons chiffrées avec d'autres méthodes. Ces points restent donc à vérifier dans l'article complet. Ces travaux s'inscrivent dans un courant plus large qui cherche à réduire les politiques neuronales (distillation, quantification, TinyML) et à les doter de garanties formelles. Ils répondent à un frein bien connu, la difficulté de certifier un réseau opaque dans un système critique. Ils se démarquent aussi des approches par apprentissage par renforcement profond, plus gourmandes en calcul et plus difficiles à vérifier. Le résumé ne cite ni partenaire industriel ni calendrier de déploiement. Il s'agit donc d'une publication de recherche, pas d'un produit. La suite logique serait de tester l'approche sur des systèmes plus complexes, avec davantage de degrés de liberté, et de l'intégrer dans des chaînes de contrôle hiérarchiques. Un modèle de haut niveau y fixerait les objectifs, et une micro-politique vérifiée assurerait la stabilité en temps réel.

Recherche❖Paper

1 source

43

397arXiv cs.RO 

Vers des modèles de manipulation robotique efficaces grâce à l'élagage auto-récursif

Des chercheurs proposent LCAM (Loss-Conditioned Activation-Moment pruning), une méthode d'élagage non structuré, sans réentraînement, pour des politiques de manipulation robotique déjà pré-entraînées. Le travail, publié sur arXiv (2610.08555), classe les connexions du réseau selon trois signaux : la contribution des poids normalisée par ligne, les moments d'activation mesurés sur des démonstrations de calibration, et la sensibilité des directions de sortie à la perte de prédiction d'action. Une procédure récursive du grossier au fin recalibre l'importance après chaque étape d'élagage grossier. Une fois passé un « genou » de sparsité, un budget fin est alloué selon la distorsion d'action hors ligne sur des données de validation. Testée sur trois suites LIBERO avec plusieurs politiques robotiques et sur OpenVLA, la méthode atteint 84,0 % de réussite sur LIBERO-Object avec OpenVLA à 50 % d'élagage non structuré, soit plus de 90 % du taux de succès de la politique dense. Les auteurs ajoutent un test réel sur une tâche de ping-pong robotisé, dont ils ne détaillent pas les chiffres dans le résumé. L'enjeu est le déploiement embarqué de modèles VLA (vision-langage-action), dont la taille pèse sur la latence, la mémoire et la consommation. Les critères d'élagage classiques sont conçus pour la classification d'images ou la vraisemblance des modèles de langage, et dégradent le comportement en boucle fermée. En ciblant directement la perte d'action et en évitant à la fois le réentraînement de récupération et les rollouts en simulateur, LCAM abaisse le coût de compression pour un intégrateur qui souhaite faire tourner une politique sur un calculateur contraint. Il faut toutefois rester prudent. L'élagage non structuré produit des matrices creuses qui n'accélèrent pas automatiquement l'inférence sur GPU ou sur les puces embarquées courantes, sauf support matériel dédié. Les gains annoncés portent sur le taux de succès, pas sur la latence mesurée. Le résultat à 84,0 % concerne une seule suite, LIBERO-Object, un benchmark de simulation relativement favorable, et le ping-pong réel reste une démonstration unique sans statistiques publiées. Ces travaux s'inscrivent dans le mouvement de compression des modèles VLA, après la montée en puissance d'OpenVLA, de Pi-0 et des approches de distillation, de quantification ou de réduction de couches. Ils prolongent des méthodes d'élagage générales comme Wanda ou SparseGPT, conçues pour les modèles de langage et ici adaptées à l'action. Les suites logiques seraient une validation sur des politiques plus grandes, un élagage structuré compatible avec les accélérateurs, et des mesures de latence sur matériel embarqué, ainsi que des tests sur des tâches de manipulation plus longues et plus variées que LIBERO. Aucun acteur européen n'est cité dans le résumé, et aucun calendrier de diffusion du code ou d'application industrielle n'est annoncé.

Recherche❖Paper

1 source

43

398arXiv cs.RO 

Exploration réactive d'environnements inconnus pour robots redondants par contrôle par modèle virtuel

Des chercheurs publient sur arXiv (2610.08110) une méthode d'exploration active pour bras robotiques redondants, c'est-à-dire dotés de plus de degrés de liberté que nécessaire pour atteindre une pose donnée, équipés d'une caméra embarquée au poignet (configuration « eye-in-hand »). L'approche cible les espaces confinés, occultés et partiellement connus. Elle repose sur un score original qui sélectionne directement un voxel cible dans l'espace non exploré, en combinant l'état courant du robot et le gain d'information attendu. Pour rejoindre ce voxel, le système recourt au Virtual Model Control, une technique qui simule des éléments mécaniques virtuels (ressorts, amortisseurs) pour garantir une conduite compliante. Elle permet un évitement d'obstacles réactif sur l'ensemble du bras, sans replanification de trajectoire. Les essais, menés en simulation et sur robot réel, en environnements confinés comme ouverts, atteignent plus de 90 % de couverture cartographique en moins de 120 secondes, sans aucune collision. Pour l'industrie, l'intérêt est de traiter conjointement perception active et contrôle du corps entier. Les tâches d'inspection ou de maintenance dans des zones étroites (intérieur de machines, baies, cuves, armoires techniques) exigent que le bras découvre son environnement tout en le traversant. Remplacer la replanification par un contrôle réactif réduit la latence et la charge de calcul, deux points critiques pour des applications embarquées. Le résultat est toutefois à nuancer : il s'agit d'une prépublication non évaluée par les pairs, et le résumé ne précise ni le nombre d'environnements, ni le robot utilisé, ni la comparaison avec des méthodes de référence. Le seuil de 90 % de couverture et la limite de 120 secondes ne disent rien de la répétabilité sur des scènes plus encombrées, ni de la robustesse face aux obstacles mobiles ou aux erreurs de perception. Ces travaux s'inscrivent dans la lignée de la planification de « next-best-view » et de la reconstruction active, dominées par des approches qui calculent des vues candidates puis planifient un chemin, souvent au prix d'un temps de calcul élevé. Le Virtual Model Control, issu de la commande de robots marcheurs et de manipulateurs compliants, offre ici une alternative plus légère. Face à elles, les approches d'apprentissage de bout en bout, comme les politiques VLA, restent peu orientées vers l'exploration géométrique garantie en espace confiné. La suite logique serait une validation sur des bras industriels ou collaboratifs, des scènes dynamiques et des benchmarks publics. Aucun partenaire industriel ni calendrier de transfert n'est annoncé à ce stade.

Recherche❖Paper

1 source

43

399arXiv cs.RO 

Réparation cinématique après la saisie pour l'insertion robotique par réorientation de l'objet dans la pince

Une prise stable ne garantit pas qu'une insertion robotisée soit cinématiquement faisable. Dans un article déposé sur arXiv (2610.08421v1), les auteurs montrent que la transformation entre l'objet et la pince peut pousser le bras vers des singularités ou des butées articulaires le long de la trajectoire d'insertion imposée. Ils étudient une « réparation » après la saisie. Pour une prise déjà obtenue et une trajectoire d'insertion fixe, ils cherchent la plus petite réorientation de l'objet dans la pince qui rétablisse la faisabilité. Le planificateur évalue chaque candidat avec un graphe de cinématique inverse (IK) sensible aux branches de solutions. Ce graphe maximise la marge de faisabilité minimale sur la trajectoire discrétisée. Un a priori appris, conditionné par la tâche, ordonne les requêtes. La réorientation retenue est exécutée par manipulation extrinsèque guidée par le toucher, c'est-à-dire en s'appuyant sur l'environnement avec un retour tactile. En simulation sur un UR5e, le planificateur sans classement appris réduit de 51,5 % la réorientation moyenne sur les essais réussis, par rapport à une IK séquentielle sur grille. L'ajout du classement appris diminue ensuite de 51,1 % le temps de planification moyen. Des essais sur robot réel valident la chaîne complète. Le résumé ne donne ni taux de réussite, ni types de pièces, ni tolérances d'insertion. L'intérêt est très concret pour l'assemblage industriel. Un échec d'insertion vient souvent moins de la prise elle-même que d'une configuration du bras devenue inatteignable une fois l'objet saisi. Aujourd'hui, ces cas se traitent par une nouvelle prise, un repositionnement manuel ou un réglage de cellule par l'intégrateur. Corriger la pose de l'objet dans la pince, sans lâcher la pièce, pourrait réduire les temps de cycle et le nombre de reprises. L'idée d'une IK séquentielle qui rate des solutions faute de suivre le bon chemin dans l'espace articulaire est aussi pertinente pour les planificateurs du commerce. Il faut cependant relativiser. Les gains chiffrés viennent de la simulation, avec un seul bras de 6 axes, et le résumé ne précise pas l'ampleur des essais réels. Il ne donne ni taux de succès global, ni comparaison avec une simple nouvelle saisie. Les 51,5 % portent sur la réorientation moyenne des seuls essais réussis, pas sur l'ensemble des cas. Ce travail s'inscrit dans la recherche sur la manipulation de précision et l'insertion, où l'on a longtemps traité séparément la planification de prise, la planification de mouvement et le contrôle de contact. Les approches récentes de politiques apprises de bout en bout, VLA compris, progressent sur la généralisation mais restent peu fiables sur les contraintes de précision et de faisabilité cinématique. Cette étude suit plutôt une voie hybride : un planificateur géométrique garantit la faisabilité, et un modèle appris n'accélère que la recherche. La manipulation extrinsèque et le retour tactile deviennent ainsi des briques de réparation plutôt que des fins en soi. Il s'agit d'une publication académique, donc d'un résultat de laboratoire et non d'un produit ou d'un déploiement. Le code, les jeux de tâches et des tests sur d'autres bras ou sur des pièces plus variées seront nécessaires pour juger de la portée réelle de la méthode.

Recherche❖Paper

1 source

43

400arXiv cs.RO 

Voir à travers le cadre décalé : distillation de bruit privilégié pour l'assemblage de précision vision-force

Des chercheurs publient sur arXiv (2610.07745) une méthode d'assemblage de précision par vision et force, centrée sur un problème précis : l'erreur de pose ne fausse pas seulement ce que le robot observe, elle déplace aussi le repère dans lequel il agit. Sur le benchmark FORGE, la politique officielle fondée sur l'état réussit 97 à 99 % des épisodes avec la pose exacte. Elle tombe à 32-60 % avec le bruit de pose du benchmark (σ = 5 mm). La même pose estimée alimente l'observation et ancre le repère d'action. Avant le contact, le décalage est donc impossible à identifier à partir de la seule proprioception. Les auteurs injectent cette information manquante pendant l'entraînement, de deux façons. Un professeur privilégié voit le décalage en simulation. Sinon, des démonstrations propres sont réétiquetées dans le repère déplacé, en forme fermée. L'élève, entraîné par clonage comportemental puis un tour de DAgger, ne reçoit au test que l'état bruité, une fenêtre brute de couple-force et deux caméras RGB. Les résultats sont nets, mais ils restent ceux d'un papier académique. Sur les tâches FORGE non modifiées, l'élève issu du professeur garde 92 à 99 % de réussite pour σ de 0 à 5 mm. Six références sans information privilégiée chutent à 2-80 %. Une expérience contrôlée isole la cause, avec la même architecture, le même budget de données et la même procédure. Les démonstrations générées sans accès au décalage donnent 31,5 % à σ = 5 mm. Les démonstrations privilégiées atteignent 88,7 % et les démonstrations réétiquetées 95,8 %. En déploiement zéro-shot sur un Franka, l'élève obtient 83,3 % de réussite agrégée à 5 mm, contre 34,4 % pour la meilleure politique fondée sur l'état. Le test réel ne porte que sur un seul bras, et le papier ne détaille pas le nombre d'essais dans l'extrait disponible. Pour les intégrateurs, le message est que de meilleurs capteurs ne suffisent pas. Ajouter vision et force à une politique ne règle pas le problème si la supervision n'encode pas la compensation du décalage latent. Cela touche directement les cellules d'insertion, de connecteurs ou de vissage, où l'incertitude de calibration et de perception est la norme. Le résultat suggère aussi que la distillation de bruit privilégié, ou le réétiquetage en forme fermée quand c'est possible, peut réduire l'écart simulation-réel. Il reste à voir si cela tient sur des pièces et des tolérances industrielles variées. Le travail s'appuie sur FORGE, un benchmark d'assemblage de précision en simulation, et sur la tradition du professeur privilégié suivi d'un élève déployable, déjà courante en locomotion et en manipulation. Il se distingue des grands modèles vision-langage-action généralistes (Pi-0, GR00T), qui visent la généralité plutôt que la précision sub-millimétrique. Une page projet est disponible, mais aucun déploiement commercial n'est annoncé. Les prochaines étapes probables sont des tests sur d'autres bras et d'autres tâches, puis une intégration dans des politiques plus générales.

Recherche❖Paper

1 source